文献

J-GLOBAL ID：202202222137292376   整理番号：22A0772944

強化学習を用いたリードタイム制約によるスケーラブルな多製品在庫管理【JST・京大機械翻訳】

Scalable multi-product inventory control with lead time constraints using reinforcement learning

著者 (8件)： Meisheri Hardik (TCS Research, Mumbai, India) ,  Sultana Nazneen N. (TCS Research, Mumbai, India) ,  Baranwal Mayank (TCS Research, Mumbai, India) ,  Baniwal Vinita (TCS Research, Mumbai, India) ,  Nath Somjit (TCS Research, Mumbai, India) ,  Verma Satyam (IIT Bombay, Mumbai, India) ,  Ravindran Balaraman (Robert Bosch Centre for Data Science and AI, IIT Madras, Chennai, India) ,  Khadilkar Harshad (TCS Research, Mumbai, India)
資料名： Neural Computing & Applications  (Neural Computing & Applications)
巻： 34  号： 3  ページ： 1735-1757  発行年： 2022年 
JST資料番号： W0703A  ISSN： 0941-0643  資料種別： 逐次刊行物 (A)
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： 最適在庫補充決定の決定は,不確実な需要を持つ小売業にとって極めて重要である。この問題は,異なるリードタイムとクロス製品制約を持つ複数の製品が考慮される場合,特に挑戦的になる。本論文では,深層強化学習(深層RL)を用いた多製品,多期間在庫管理における前述の課題に取り組んだ。提案手法は,3つのフロントに関する在庫管理のための既存の方法を改善する。(1)実際の制約の下での製品の大きな数(時間)の同時インベントリ管理,(2)個々の製品メタモデルの定義を通して,システム変化下のRLエージェントに対する最小再訓練要求,(3)異なる製品の異なるリードタイムから生じる多周期制約の効率的取扱い。著者らは,動的システム制御の特別なクラスとしてインベントリ問題にアプローチし,古典的最適化技術を用いて,一般的問題を十分に解決できない理由を説明した。続いて,著者らは,オフ-シェル型RLアルゴリズムを用いて並列化意思決定に使用できる一般的フレームワークにおける問題を定式化した。また,需要が決定論的で既知のアプリオリであるという仮定の下で,線形計画法によって達成された理論的最適に対する定式化をベンチマークした。100と220の製品の間のスケールに関する実験は,提案したRLベースのアプローチが,ベースラインの発見的方法よりも良好に機能し,理論的最適に近いことを示した。さらに,それらはまた,異なる数の製品を含む在庫制御問題への再訓練なしに学習を転送できる。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  意思決定 ,  *在庫管理 ,  不確実性 ,  最適化手法 ,  動的系 ,  在庫量 ,  *調達期間 ,  定式化 ,  ベンチマーク ,  エージェント ,  *強化学習 ,  小売業
準シソーラス用語： *在庫 ,  メタモデル , 【Automatic Indexing@JST】

著者キーワード (3件)： マルチエージェント強化学習 ,  サプライチェーン ,  スケーラビリティと並列化

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 強化学習 ,  リードタイム ,  制約 ,  製品在庫