論文の概要: Intelligent Warehouse Allocator for Optimal Regional Utilization
- arxiv url: http://arxiv.org/abs/2007.05081v1
- Date: Thu, 9 Jul 2020 21:46:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 03:47:59.086566
- Title: Intelligent Warehouse Allocator for Optimal Regional Utilization
- Title（参考訳）: 最適地域利用のための知的倉庫アロケータ
- Authors: Girish Sathyanarayana and Arun Patro
- Abstract要約: この倉庫配置問題に対する効率的なソリューションを構築するために、機械学習と最適化手法を使用します。
このソリューションを用いてバックテストを行い、2つの重要な指標である地域利用率(RU)と2日配達率(2DD)において大きな上昇を示すことにより、このモデルの効率性を検証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we describe a novel solution to compute optimal warehouse
allocations for fashion inventory. Procured inventory must be optimally
allocated to warehouses in proportion to the regional demand around the
warehouse. This will ensure that demand is fulfilled by the nearest warehouse
thereby minimizing the delivery logistics cost and delivery times. These are
key metrics to drive profitability and customer experience respectively.
Warehouses have capacity constraints and allocations must minimize inter
warehouse redistribution cost of the inventory. This leads to maximum Regional
Utilization (RU). We use machine learning and optimization methods to build an
efficient solution to this warehouse allocation problem. We use machine
learning models to estimate the geographical split of the demand for every
product. We use Integer Programming methods to compute the optimal feasible
warehouse allocations considering the capacity constraints. We conduct a
back-testing by using this solution and validate the efficiency of this model
by demonstrating a significant uptick in two key metrics Regional Utilization
(RU) and Percentage Two-day-delivery (2DD). We use this process to
intelligently create purchase orders with warehouse assignments for Myntra, a
leading online fashion retailer.
- Abstract（参考訳）: 本稿では,ファッションインベントリの最適倉庫配分を計算するための新しいソリューションについて述べる。
調達された在庫は、倉庫周辺の地域需要に応じて最適に倉庫に割り当てられなければならない。
これにより、最も近い倉庫で需要が満たされ、配送物流コストと配送時間の最小化が図られる。
これらはそれぞれ、収益性と顧客エクスペリエンスを促進するための重要な指標です。
倉庫には容量の制約があり、在庫の倉庫間再分配コストを最小化しなければならない。
これは最大地域利用率(RU)につながる。
この倉庫割り当て問題に対する効率的なソリューションを構築するために、機械学習と最適化手法を使用します。
私たちは機械学習モデルを使用して、すべての製品に対する需要の地理的分割を見積もっています。
キャパシティ制約を考慮した最適倉庫割り当てを計算するために整数計画法を用いる。
この解を用いてバックテストを行い,2つの主要な指標である地域利用率 (ru) と2日配送率 (2dd) の大幅な上昇を示すことにより,このモデルの効率性を検証する。
私たちはこのプロセスを使用して、オンラインファッション小売のトップであるmyntraの倉庫割り当てによる購入注文をインテリジェントに作成します。
関連論文リスト
- A Novel Framework for Automated Warehouse Layout Generation [5.076606750431126]
自動倉庫レイアウト生成のためのAI駆動フレームワークを提案する。
このフレームワークは、制約されたビームサーチを用いて、与えられた空間パラメータ内の最適なレイアウトを導出する。
本手法は, 各種倉庫の寸法や形状に対して, 実現可能な最適レイアウトを作成できることを示す。
論文 参考訳（メタデータ） (2024-07-11T16:15:09Z) - Estimating Barycenters of Distributions with Neural Optimal Transport [93.28746685008093]
本稿では,Wasserstein Barycenter問題を解くための新しいスケーラブルなアプローチを提案する。
我々の手法は最近のNeural OTソルバをベースとしている。
また,提案手法の理論的誤差境界も確立する。
論文 参考訳（メタデータ） (2024-02-06T09:17:07Z) - Double-Bounded Optimal Transport for Advanced Clustering and
Classification [58.237576976486544]
本稿では,2つの境界内での目標分布の制限を前提としたDB-OT(Douubly bounded Optimal Transport)を提案する。
提案手法は,テスト段階における改良された推論方式により,良好な結果が得られることを示す。
論文 参考訳（メタデータ） (2024-01-21T07:43:01Z) - Multi-Agent Learning of Efficient Fulfilment and Routing Strategies in
E-Commerce [11.421159751635667]
電子商取引における製品配送コストを最小化するための統合的アルゴリズムフレームワークを提案する。
電子商取引における大きな課題の1つは、複数の顧客からの時間的に多様な注文が大量にあることだ。
本稿では,グラフニューラルネットワークと強化学習を組み合わせたノード選択と車両エージェントの学習手法を提案する。
論文 参考訳（メタデータ） (2023-11-20T10:32:28Z) - Using General Value Functions to Learn Domain-Backed Inventory
Management Policies [2.0257616108612373]
既存の文献では、一般的な価値関数(GVF)は主に補助的なタスク学習に使われてきた。
我々は、この能力を用いて、ストックアウト確率や無駄量などのドメインクリティカルな特性に基づいてGVFを訓練する。
本稿では、GVF予測を用いて、RLエージェントが提案する決定について、さらにドメイン支援された洞察を提供することを示す。
論文 参考訳（メタデータ） (2023-11-03T08:35:54Z) - Multi-Robot Coordination and Layout Design for Automated Warehousing [55.150593161240444]
我々は、最先端のMAPFアルゴリズムであっても、人間設計のレイアウトは、多数のロボットを持つ倉庫の混雑を招きかねないことを示す。
倉庫のレイアウトを最適化するために,既存のシナリオ自動生成手法を拡張した。
その結果,(1)交通渋滞の低減とスループットの向上,(2)ロボットの数を2倍にすることで自動倉庫のスケーラビリティの向上,(3)ユーザが特定した多様性対策でレイアウトを生成できることが示唆された。
論文 参考訳（メタデータ） (2023-05-10T20:00:06Z) - Cooperative Multi-Agent Reinforcement Learning for Inventory Management [0.5276232626689566]
在庫管理のための強化学習(RL)は、初期の研究分野である。
本稿では,1つの倉庫と複数の店舗からなる,GPU並列化された独自のシステムを提案する。
標準在庫管理ポリシーより優れたシステムを実現する。
論文 参考訳（メタデータ） (2023-04-18T06:55:59Z) - Multi-Agent Reinforcement Learning with Shared Resources for Inventory
Management [62.23979094308932]
私たちの設定では、共有リソース(在庫容量など)の制約は、SKUごとに独立した制御を結合します。
共有資源ゲーム(SRSG)としてこの問題を定式化し,CD-PPO(Context-aware Decentralized PPO)と呼ばれる効率的なアルゴリズムを提案する。
実験により,CD-PPOは標準的なMARLアルゴリズムと比較して学習手順を高速化できることが実証された。
論文 参考訳（メタデータ） (2022-12-15T09:35:54Z) - A Simulation Environment and Reinforcement Learning Method for Waste
Reduction [50.545552995521774]
本稿では, 流通の観点から, 食料品店の在庫を消耗品で補充する際の問題点を考察する。
目的は、ごみを最小化しながら販売を最大化することであり、衣料品の実際の消費について不確実性がある。
我々は, エージェントの行動に合わせた行動を示す新しい強化学習タスクとして, 在庫再備の枠組みを定めている。
論文 参考訳（メタデータ） (2022-05-30T22:48:57Z) - Towards Deployment-Efficient Reinforcement Learning: Lower Bound and
Optimality [141.89413461337324]
展開効率は、強化学習(RL)の多くの実世界の応用にとって重要な基準である
本稿では,「制約付き最適化」の観点から,デプロイ効率の高いRL(DE-RL)の理論的定式化を提案する。
論文 参考訳（メタデータ） (2022-02-14T01:31:46Z) - Reinforcement Learning for Multi-Product Multi-Node Inventory Management
in Supply Chains [17.260459603456745]
本稿では,サプライチェーンにおける多製品在庫管理への強化学習(RL)の適用について述べる。
実験の結果,提案手法は製品販売の最大化と商品の無駄を最小化する多目的報酬を処理可能であることが示された。
論文 参考訳（メタデータ） (2020-06-07T04:02:59Z)
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。