文献

J-GLOBAL ID：202002213233929831   整理番号：20A2526197

閉ループマルチエージェントシミュレーションを用いたサプライチェーン制御ポリシーの強化学習【JST・京大機械翻訳】

Reinforcement Learning of Supply Chain Control Policy Using Closed Loop Multi-agent Simulation

著者 (7件)： Barat Souvik (TCS Research, Pune, India) ,  Kumar Prashant (TCS Research, Pune, India) ,  Gajrani Monika (TCS Research, Pune, India) ,  Khadilkar Harshad (TCS Research, Mumbai, India) ,  Meisheri Hardik (TCS Research, Mumbai, India) ,  Baniwal Vinita (TCS Research, Mumbai, India) ,  Kulkarni Vinay (TCS Research, Pune, India)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12025  ページ： 26-38  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 強化学習(RL)は,オンラインゲームプレイや自律運転のような制御アプリケーションにおいて成功度を達成したが,サプライチェーンのようなビジネスクリティカルシステムの運用を管理するのにはほとんど利用されていない。実世界におけるRL利用の鍵となる側面は,環境に対する探索行動の影響を計算することにより,展開前にエージェントを訓練することである。この影響はオンラインゲームプレイ(ゲームの規則がよく知られている)と自律運転(車両の動力学が予測可能)に対して計算が容易であるが,不確実性,適応性,および緊急行動のような関連複雑性による複雑なシステムにとって非常に難しい。本論文では,制約の下で製品アベイラビリティを最大化しつつ,倉庫,輸送システムおよび店舗を含むサプライチェーンネットワークのアクターベースのマルチエージェントシミュレーションによる強化学習コントローラの効果的統合のためのフレームワークを記述した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ゲーム ,  制御装置 ,  倉庫 ,  不確実性 ,  アベイラビリティ ,  商店建築 ,  交通システム ,  探索行動 ,  *エージェント ,  *強化学習
準シソーラス用語： 自律性 ,  *サプライチェーン ,  複雑性 ,  オンライン ,  *マルチエージェントシミュレーション , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： マルチエージェントシミュレーション ,  サプライチェーン ,  強化学習