基于神经加性模型的可解释强化学习用于库存管理
机器学习
2023-03-23 v2 多智能体系统
摘要
COVID-19 大流行凸显了供应链的重要性以及数字化管理在应对环境动态变化中的作用。在这项工作中，我们专注于为多层级（即多阶段）供应链开发动态库存订货策略。传统的库存优化方法旨在确定静态再订货策略。因此，这些策略无法适应诸如 COVID-19 危机期间所观察到的动态变化。另一方面，常规策略具有可解释性的优势，这是供应链管理者向其利益相关者传达决策的关键特征。为应对这一局限，我们提出了一种可解释强化学习方法，旨在像传统静态策略一样可解释，同时像其他基于深度学习的强化学习解决方案一样灵活且与环境无关。我们提出使用神经加性模型作为强化学习智能体的可解释动态策略，表明该方法与标准全连接策略具有竞争力。最后，我们利用可解释性属性来深入洞察一个简单线性三级库存供应链的复杂订货策略。
引用
@article{arxiv.2303.10382,
title = {Interpretable Reinforcement Learning via Neural Additive Models for Inventory Management},
author = {Julien Siems and Maximilian Schambach and Sebastian Schulze and Johannes S. Otterbach},
journal= {arXiv preprint arXiv:2303.10382},
year = {2023}
}