論文の概要: Simultaneous Decision Making for Stochastic Multi-echelon Inventory
Optimization with Deep Neural Networks as Decision Makers
- arxiv url: http://arxiv.org/abs/2006.05608v2
- Date: Tue, 23 Mar 2021 10:47:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 04:58:48.416712
- Title: Simultaneous Decision Making for Stochastic Multi-echelon Inventory
Optimization with Deep Neural Networks as Decision Makers
- Title（参考訳）: ディープニューラルネットワークを用いた確率的マルチケロン在庫最適化のための同時意思決定
- Authors: Mohammad Pirhooshyaran, Lawrence V. Snyder
- Abstract要約: 本稿では、ディープニューラルネットワーク(DNN)を用いて、複雑なマルチエケロンサプライチェーンの在庫決定を最適化するフレームワークを提案する。
本手法は,組立ノードと配電ノードの両方を含む一般的なトポロジを含む,多種多様なサプライチェーンネットワークに適している。
- 参考スコア（独自算出の注目度）: 0.7614628596146599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a framework that uses deep neural networks (DNN) to optimize
inventory decisions in complex multi-echelon supply chains. We first introduce
pairwise modeling of general stochastic multi-echelon inventory optimization
(SMEIO). Then, we present a framework which uses DNN agents to directly
determine order-up-to levels between any adjacent pair of nodes in the supply
chain. Our model considers a finite horizon and accounts for the initial
inventory conditions. Our method is suitable for a wide variety of supply chain
networks, including general topologies that may contain both assembly and
distribution nodes, and systems with nonlinear cost structures. We first
numerically demonstrate the effectiveness of the method by showing that its
solutions are close to the optimal solutions for single-node and serial supply
chain networks, for which exact methods are available. Then, we investigate
more general supply chain networks and find that the proposed method performs
better in terms of both objective function values and the number of
interactions with the environment compared to alternate methods.
- Abstract（参考訳）: 本稿では、ディープニューラルネットワーク(DNN)を用いて、複雑なマルチエケロンサプライチェーンの在庫決定を最適化するフレームワークを提案する。
まず,smeio(general stochastic multi-echelon inventory optimization)のペアワイズモデルを提案する。
次に,dnnエージェントを用いて,サプライチェーン内の隣接ノード間のオーダーアップツーレベルを直接決定するフレームワークを提案する。
我々のモデルは有限の地平線を考慮し,初期在庫条件を考慮に入れる。
本手法は,組立ノードと分散ノードの両方を含む一般的なトポロジや非線形コスト構造を持つシステムなど,多種多様なサプライチェーンネットワークに適している。
まず,本手法の有効性について,その解法が単一ノードおよびシリアルサプライチェーンネットワークの最適解に近く,正確な方法が利用できることを示す。
そこで我々は,より一般的なサプライチェーンネットワークについて検討し,提案手法の目的関数値と環境との相互作用回数の両面において,代替手法と比較して優れた性能を示した。
関連論文リスト
- SequentialAttention++ for Block Sparsification: Differentiable Pruning
Meets Combinatorial Optimization [24.55623897747344]
ニューラルネットワークプルーニングは、大規模で拡張性があり、解釈可能で、一般化可能なモデルを構築するための重要な技術である。
群スパース最適化の非正規化として,既存の微分可能なプルーニング手法がいくつあるかを示す。
我々は、ImageNetとCriteoデータセット上の大規模ニューラルネットワークブロックワイドプルーニングタスクの最先端技術であるSequentialAttention++を提案する。
論文 参考訳（メタデータ） (2024-02-27T21:42:18Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。
マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。
提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
論文 参考訳（メタデータ） (2023-10-06T02:35:35Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - Distributed Online Private Learning of Convex Nondecomposable Objectives [7.5585719185840485]
我々は、時間によって異なるネットワーク上でのプライバシーに関する一般的な分散制約付きオンライン学習問題に対処する。
本稿では, DPSDA-C と DPSDA-PS という2つのアルゴリズムを提案する。
理論的結果は、目的関数が凸であるときに、両方のアルゴリズムが $mathcalO( sqrtT )$ で期待される後悔の上限に達することを示している。
論文 参考訳（メタデータ） (2022-06-16T06:29:51Z) - Multi-Agent Collaborative Inference via DNN Decoupling: Intermediate
Feature Compression and Edge Learning [31.291738577705257]
単一エッジサーバが複数のUEの推論を調整するマルチエージェント協調推論シナリオについて検討する。
この目的を達成するために、我々はまず、大きな中間特徴を圧縮する軽量オートエンコーダベースの手法を設計する。
次に、DNNの推測オーバーヘッドに応じてタスクを定義し、マルコフ決定プロセスとして問題を定式化する。
論文 参考訳（メタデータ） (2022-05-24T07:29:33Z) - Neural Inverse Kinematics [72.85330210991508]
逆キネマティック(英語版)(IK)法は、キネマティックチェインにおける選択された要素の所望の位置から関節のパラメータを復元する。
本稿では,問題階層構造を用いて,所望の位置に条件付き有効関節角度を逐次サンプリングするニューラルIK法を提案する。
論文 参考訳（メタデータ） (2022-05-22T14:44:07Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳（メタデータ） (2021-06-15T09:03:28Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z) - Large Scale Many-Objective Optimization Driven by Distributional
Adversarial Networks [1.2461503242570644]
本稿では, RVEA フレームワークに基づく新しいアルゴリズムを提案し, 分散適応ネットワーク (DAN) を用いて新たな子孫を生成する。
大規模多目的問題(LSMOP)における9つのベンチマーク問題に対して,新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-16T04:14:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。