論文の概要: Generative Probabilistic Planning for Optimizing Supply Chain Networks

• arxiv url: http://arxiv.org/abs/2404.07511v1
• Date: Thu, 11 Apr 2024 07:06:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 14:49:00.585922
• Title: Generative Probabilistic Planning for Optimizing Supply Chain Networks
• Title（参考訳）: サプライチェーンネットワーク最適化のための生成確率計画
• Authors: Hyung-il Ahn, Santiago Olivar, Hershel Mehta, Young Chol Song,
• Abstract要約: 本稿では,生成確率計画 (Generative Probabilistic Planning, IPP) と呼ばれる新しい生成AI技術を紹介する。 IPPは動的サプライアクションプランを生成し、時間的地平線上で全ネットワークノードにわたってグローバルに最適化される。 グローバルな消費財企業の履歴データを用いた実験により、IPPはサプライチェーンネットワークの客観的適応性、確率論的レジリエンス、動的プランニングを達成できることを示した。
• 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: Supply chain networks in enterprises are typically composed of complex topological graphs involving various types of nodes and edges, accommodating numerous products with considerable demand and supply variability. However, as supply chain networks expand in size and complexity, traditional supply chain planning methods (e.g., those found in heuristic rule-based and operations research-based systems) tend to become locally optimal or lack computational scalability, resulting in substantial imbalances between supply and demand across nodes in the network. This paper introduces a novel Generative AI technique, which we call Generative Probabilistic Planning (GPP). GPP generates dynamic supply action plans that are globally optimized across all network nodes over the time horizon for changing objectives like maximizing profits or service levels, factoring in time-varying probabilistic demand, lead time, and production conditions. GPP leverages attention-based graph neural networks (GNN), offline deep reinforcement learning (Offline RL), and policy simulations to train generative policy models and create optimal plans through probabilistic simulations, effectively accounting for various uncertainties. Our experiments using historical data from a global consumer goods company with complex supply chain networks demonstrate that GPP accomplishes objective-adaptable, probabilistically resilient, and dynamic planning for supply chain networks, leading to significant improvements in performance and profitability for enterprises. Our work plays a pivotal role in shaping the trajectory of AI adoption within the supply chain domain.
• Abstract（参考訳）: 企業におけるサプライチェーンネットワークは、通常、様々な種類のノードとエッジを含む複雑なトポロジグラフで構成されており、かなりの需要とサプライ変数を持つ多数の製品が収容されている。 しかし、サプライチェーンネットワークのサイズと複雑さが拡大するにつれて、従来のサプライチェーン計画手法(例えば、ヒューリスティックなルールベースおよびオペレーションリサーチベースシステムに見られるもの)は局所的に最適になるか、あるいは拡張性に欠ける傾向にあり、ネットワーク内のノード間のサプライと需要の間にかなりの不均衡が生じる。 本稿では,生成確率計画(Generative Probabilistic Planning, GPP)と呼ばれる新しい生成AI技術を紹介する。 GPPは、利益の最大化やサービスレベル、時間的変動確率的需要、リードタイム、生産条件などの目標変更のために、全ネットワークノードでグローバルに最適化された動的サプライアクションプランを生成します。 GPPは、注意に基づくグラフニューラルネットワーク(GNN)、オフライン深層学習(Offline RL)、およびポリシーシミュレーションを利用して、生成ポリシーモデルをトレーニングし、確率的シミュレーションを通じて最適な計画を作成する。 複雑なサプライチェーンネットワークを持つグローバル消費財企業の履歴データを用いた実験により、GPPはサプライチェーンネットワークの客観的適応性、確率論的レジリエンス、動的プランニングを達成し、企業におけるパフォーマンスと収益性を大幅に向上させることを示した。 私たちの仕事は、サプライチェーンドメインにおけるAI採用の軌道を形成する上で、重要な役割を担います。

関連論文リスト

• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• 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)
• Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
  我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。 最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-02T01:36:13Z)
• GNN-based Probabilistic Supply and Inventory Predictions in Supply Chain Networks [0.5825410941577593]
  グラフベースのサプライ予測(GSP)確率モデルを提案する。 それは、グラフ構造化履歴データ、需要予測、および元の供給計画入力を用いて、供給、在庫、不均衡を予測する。 グローバル消費財企業の大規模サプライチェーンの履歴データを用いて行った実験は、GSPが供給と在庫予測の精度を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-04-11T07:36:00Z)
• Deep Reinforcement Learning for Traveling Purchaser Problems [63.37136587778153]
  旅行購入問題(TPP)は幅広いアプリケーションにおいて重要な最適化問題である。 本稿では,ルート構築と購入計画を個別に扱う,深層強化学習(DRL)に基づく新しいアプローチを提案する。 メタラーニング戦略を導入することで、大規模なTPPインスタンス上で安定してポリシーネットワークをトレーニングすることができる。
  論文  参考訳（メタデータ） (2024-04-03T05:32:10Z)
• SupplyGraph: A Benchmark Dataset for Supply Chain Planning using Graph Neural Networks [0.0]
  グラフニューラルネットワーク(GNN)は、輸送、バイオインフォマティクス、言語処理、コンピュータビジョンなど、さまざまな領域で注目を集めている。 サプライチェーンネットワークは本質的にグラフのような構造であり、GNN方法論を適用するための主要な候補となる。 このアプローチの大きな欠点は、GNNを用いたサプライチェーン問題の研究と解決を容易にするために、実世界のベンチマークデータセットが存在しないことである。
  論文  参考訳（メタデータ） (2024-01-27T05:14:17Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Synthetic Active Distribution System Generation via Unbalanced Graph Generative Adversarial Network [2.2749157557381245]
  Wasserstein GANの目的を持つ暗黙的な生成モデルは、合成三相非平衡な能動分布系接続を生成するように設計されている。 基本的な考え方は、実世界のシステムと線分の各フェーズにおけるランダムウォークの分布を学習することである。 いくつかのパワーアプリケーションを用いたケーススタディでは、提案フレームワークによって生成された合成アクティブネットワークが、現実世界のネットワークのほとんど全ての特徴を模倣できることが示されている。
  論文  参考訳（メタデータ） (2021-08-02T02:17:01Z)
• 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 Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。