一种基于学习的多产品库存管理中不确定提前期处理方法框架
机器学习
2022-03-10 v2 人工智能
最优化与控制
摘要
现有供应链与库存管理文献大多考虑需求过程随机而提前期为零或恒定的情形。尽管在某些特定场景下提前期的不确定性可以忽略，但大多数真实场景中提前期均呈现随机性。这些随机波动可能源于制造商端原材料到货的不确定性、运输延迟、需求意外激增以及更换供应商等诸多因素。已知提前期的随机性会严重降低库存管理系统的性能，因此通过一种原则性方法来弥合供应链系统中的这一差距是十分必要的。受近期提出的延迟解析深度 Q 学习（DRDQN）算法的启发，本文开发了一种基于强化学习的范式，用于处理提前期的不确定性（\emph{动作延迟}）。通过实证评估进一步表明，具有不确定提前期的库存管理不仅等价于跨多个层级信息共享中的延迟（\emph{观测延迟}），而且针对一种延迟训练的模型能够处理另一种延迟而无需重新训练。最后，我们将延迟解析框架应用于多种产品面临提前期随机性的场景，并阐明了该延迟解析框架如何消除任何延迟的影响，以实现接近最优的性能。
引用
@article{arxiv.2203.00885,
title = {A Learning Based Framework for Handling Uncertain Lead Times in Multi-Product Inventory Management},
author = {Hardik Meisheri and Somjit Nath and Mayank Baranwal and Harshad Khadilkar},
journal= {arXiv preprint arXiv:2203.00885},
year = {2022}
}