Fugu-MT 論文翻訳(概要): MARLIM: Multi-Agent Reinforcement Learning for Inventory Management

論文の概要: MARLIM: Multi-Agent Reinforcement Learning for Inventory Management

arxiv url: http://arxiv.org/abs/2308.01649v1
Date: Thu, 3 Aug 2023 09:31:45 GMT
ステータス: 処理完了
システム内更新日: 2023-08-04 14:37:56.450011
Title: MARLIM: Multi-Agent Reinforcement Learning for Inventory Management
Title（参考訳）: MARLIM:インベントリマネジメントのためのマルチエージェント強化学習
Authors: R\'emi Leluc, Elie Kadoche, Antoine Bertoncello, S\'ebastien Gourv\'enec
Abstract要約: 本稿では、在庫管理問題に対処するため、MARLIMと呼ばれる新しい強化学習フレームワークを提案する。このコンテキスト内では、コントローラは単一のエージェントまたは複数のエージェントを介して協調的に開発される。実データに関する数値実験は、従来のベースラインよりも強化学習法の利点を実証している。
参考スコア（独自算出の注目度）: 1.1470070927586016
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Maintaining a balance between the supply and demand of products by optimizing replenishment decisions is one of the most important challenges in the supply chain industry. This paper presents a novel reinforcement learning framework called MARLIM, to address the inventory management problem for a single-echelon multi-products supply chain with stochastic demands and lead-times. Within this context, controllers are developed through single or multiple agents in a cooperative setting. Numerical experiments on real data demonstrate the benefits of reinforcement learning methods over traditional baselines.
Abstract（参考訳）: 補充決定の最適化による製品供給と需要のバランスを維持することは、サプライチェーン業界における最も重要な課題の1つである。本稿では,マルチ製品サプライチェーンの在庫管理問題に対処するために,確率的要求とリードタイムを備えた新しい強化学習フレームワークmarlimを提案する。この文脈では、コントローラは協調環境で単一のエージェントまたは複数のエージェントを介して開発される。実データに対する数値実験は、従来のベースラインよりも強化学習の利点を示している。

関連論文リスト

Agentic LLMs in the Supply Chain: Towards Autonomous Multi-Agent Consensus-Seeking [39.373512037111155]
大規模言語モデル(LLM)はサプライチェーン管理(SCM)におけるコンセンサス検索を自動化する従来のSCMは、ブルウィップ効果のような創発的な問題を避けるために、意思決定における人間のコンセンサスに依存している。ジェネレーティブAI、特にLLMの最近の進歩は、これらの障壁を克服する約束を示している。
論文参考訳（メタデータ） (2024-11-15T13:33:10Z)
Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models [49.898152180805454]
本稿では,サプライチェーンの可視性を高めるために,知識グラフ(KG)と大規模言語モデル(LLM)を活用した新しいフレームワークを提案する。我々のゼロショットLPM駆動アプローチは、様々な公共情報源からのサプライチェーン情報の抽出を自動化する。 NERとREタスクの精度が高く、複雑な多層供給ネットワークを理解する効果的なツールを提供する。
論文参考訳（メタデータ） (2024-08-05T17:11:29Z)
InvAgent: A Large Language Model based Multi-Agent System for Inventory Management in Supply Chains [0.0]
本研究では,大規模言語モデル (LLM) を用いて複数エージェントの在庫管理システムを管理する手法を提案する。我々のモデルであるInvAgentはレジリエンスを高め、サプライチェーンネットワーク全体の効率を向上させる。
論文参考訳（メタデータ） (2024-07-16T04:55:17Z)
Identifying contributors to supply chain outcomes in a multi-echelon setting: a decentralised approach [47.00450933765504]
本稿では,推定貢献の分散計算における説明可能な人工知能の利用を提案する。このアプローチは、サプライチェーンアクターにデータ共有を説得する必要性を緩和する。その結果,集中型アプローチと比較して,品質変化の源泉を検出する方法の有効性が示された。
論文参考訳（メタデータ） (2023-07-22T20:03:16Z)
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)
Concepts and Algorithms for Agent-based Decentralized and Integrated Scheduling of Production and Auxiliary Processes [78.120734120667]
本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。要求の一部は、線形にスケールする通信アーキテクチャを開発することである。このアプローチは、工業的要件に基づいた例を使って説明されます。
論文参考訳（メタデータ） (2022-05-06T18:44:29Z)
Comparing Deep Reinforcement Learning Algorithms in Two-Echelon Supply Chains [1.4685355149711299]
我々は、サプライチェーン在庫管理問題を解決するための最先端の深層強化学習アルゴリズムの性能を分析し、比較する。本研究では,サプライチェーンの在庫管理問題を解決するためのカスタマイズ可能な環境を提供するオープンソースソフトウェアライブラリの設計と開発について,詳細な知見を提供する。
論文参考訳（メタデータ） (2022-04-20T16:33:01Z)
Creating Training Sets via Weak Indirect Supervision [66.77795318313372]
Weak Supervision (WS)フレームワークは、複数の潜在的にノイズの多い監督ソースからトレーニングラベルを合成する。 Weak Indirect Supervision (WIS) は、トレーニングラベルの自動合成のための新しい研究課題である。我々は,ユーザが提供するラベル関係を利用して間接的な監督源をモデル化し活用する確率論的モデリング手法PLRMを開発した。
論文参考訳（メタデータ） (2021-10-07T14:09:35Z)
UPDeT: Universal Multi-agent Reinforcement Learning via Policy Decoupling with Transformers [108.92194081987967]
タスクに適合する1つのアーキテクチャを設計し、汎用的なマルチエージェント強化学習パイプラインを最初に試行する。従来のRNNモデルとは異なり、トランスフォーマーモデルを用いてフレキシブルなポリシーを生成する。提案方式はUPDeT(Universal Policy Decoupling Transformer)と名付けられ,動作制限を緩和し,マルチエージェントタスクの決定プロセスをより説明しやすいものにする。
論文参考訳（メタデータ） (2021-01-20T07:24:24Z)
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。