利用循环神经网络控制双源库存系统

库存管理中的一个关键挑战是识别从多个供应商最优补货的策略。为解决此类优化问题，库存管理者需在给定净库存与未结订单的情况下，决定向各供应商订购的数量，以使预期的欠货、持有与采购成本联合最小。库存管理问题已被广泛研究逾 60 年，然而即便是基本的双源问题——其中来自昂贵供应商的订单比常规供应商到货更快——在其一般形式下仍不可解。此外，亟需开发主动、可扩展的优化算法，以及时调整其建议以适应动态需求偏移。本工作中，我们从基于神经网络的优化视角切入双源问题，并将库存动态及其补货（即控制）策略的信息纳入循环神经网络的设计中。我们表明，所提出的神经网络控制器（NNC）能够在普通个人电脑上仅数分钟 CPU 时间内学到常用实例的近最优策略。为展示 NNC 的通用性，我们还表明它们能够控制具有经验性的、非平稳需求分布的库存动态，而此类分布难以通过替代的最先进方法有效处理。我们的工作表明，具有非平稳需求的复杂库存管理问题的高质量解，可通过在其优化过程中直接考量库存动态的深层神经网络优化方法获得。因此，我们的研究为高效管理复杂、高维库存动态开辟了新途径。