論文の概要: Stochastic Optimization of Inventory at Large-scale Supply Chains
- arxiv url: http://arxiv.org/abs/2502.11213v1
- Date: Sun, 16 Feb 2025 17:25:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:13:43.552760
- Title: Stochastic Optimization of Inventory at Large-scale Supply Chains
- Title(参考訳): 大規模サプライチェーンにおける在庫の確率的最適化
- Authors: Zhaoyang Larry Jin, Mehdi Maasoumy, Yimin Liu, Zeshi Zheng, Zizhuo Ren,
- Abstract要約: 所望のサービスレベルを維持しながら在庫と関連するコストを最小限に抑えるシミュレーション最適化フレームワークを提案する。
フレームワークの目標は、事前に定義されたサービスレベルの制約を受けるコストを最小限に抑える最適なリオーダーパラメータを見つけることです。
このアプローチは在庫水準を10~35%削減し、数十億ドルの経済的利益をもたらすことが証明されている。
- 参考スコア(独自算出の注目度): 6.663316868101601
- License:
- Abstract: Today's global supply chains face growing challenges due to rapidly changing market conditions, increased network complexity and inter-dependency, and dynamic uncertainties in supply, demand, and other factors. To combat these challenges, organizations employ Material Requirements Planning (MRP) software solutions to set inventory stock buffers - for raw materials, work-in-process goods, and finished products - to help them meet customer service levels. However, holding excess inventory further complicates operations and can lock up millions of dollars of capital that could be otherwise deployed. Furthermore, most commercially available MRP solutions fall short in considering uncertainties and do not result in optimal solutions for modern enterprises. At C3 AI, we fundamentally reformulate the inventory management problem as a constrained stochastic optimization. We then propose a simulation-optimization framework that minimizes inventory and related costs while maintaining desired service levels. The framework's goal is to find the optimal reorder parameters that minimize costs subject to a pre-defined service-level constraint and all other real-world operational constraints. These optimal reorder parameters can be fed back into an MRP system to drive optimal order placement, or used to place optimal orders directly. This approach has proven successful in reducing inventory levels by 10-35 percent, resulting in hundreds of millions of dollars of economic benefit for major enterprises at a global scale.
- Abstract(参考訳): 今日の世界的なサプライチェーンは、市場状況の急激な変化、ネットワークの複雑さと相互依存の増大、供給、需要、その他の要因の動的不確実性によって、ますます困難に直面している。
これらの課題に対処するため、組織はMaterial Requirements Planning (MRP)ソフトウェアソリューションを使用して、在庫バッファ(原材料、プロセス内製品、完成品)を設定し、顧客サービスレベルを満たすのに役立ちます。
しかし、余分な在庫を保持することはオペレーションをさらに複雑にし、そうでなければ展開できる何百万ドルもの資本をロックすることができる。
さらに、商業的に利用可能なほとんどのMPPソリューションは不確実性を考慮して不足しており、現代の企業にとって最適なソリューションにはならない。
C3 AIでは、在庫管理問題を制約付き確率最適化として根本的に再構成する。
次に、所望のサービスレベルを維持しながら在庫と関連するコストを最小限に抑えるシミュレーション最適化フレームワークを提案する。
フレームワークの目標は、事前に定義されたサービスレベルの制約や、その他の実世界の運用上の制約に課されるコストを最小限に抑える最適なリオーダーパラメータを見つけることである。
これらの最適順序パラメータは、最適順序の配置を駆動するためにMPPシステムにフィードバックするか、あるいは直接最適順序の配置に使うことができる。
このアプローチは、在庫水準を10~35%削減することに成功し、結果として、世界中の大企業に数十億ドルの経済的利益をもたらしている。
関連論文リスト
- Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。
しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。
人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
論文 参考訳(メタデータ) (2025-02-17T18:49:25Z) - A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳(メタデータ) (2024-07-08T09:55:31Z) - Resilient Constrained Reinforcement Learning [87.4374430686956]
本稿では,複数の制約仕様を事前に特定しない制約付き強化学習(RL)のクラスについて検討する。
報酬訓練目標と制約満足度との間に不明確なトレードオフがあるため、適切な制約仕様を特定することは困難である。
我々は、ポリシーと制約仕様を一緒に検索する新しい制約付きRLアプローチを提案する。
論文 参考訳(メタデータ) (2023-12-28T18:28:23Z) - Optimizing Inventory Routing: A Decision-Focused Learning Approach using
Neural Networks [0.0]
我々は、現実世界のIRPを解決するための意思決定に基づくアプローチを定式化し、提案する。
このアプローチは、在庫予測とルーティング最適化を直接エンドツーエンドシステムに統合することで、堅牢なサプライチェーン戦略を保証する可能性がある。
論文 参考訳(メタデータ) (2023-11-02T04:05:28Z) - 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) - COptiDICE: Offline Constrained Reinforcement Learning via Stationary
Distribution Correction Estimation [73.17078343706909]
オフラインの制約付き強化学習(RL)問題。エージェントは、所定のコスト制約を満たしながら期待されるリターンを最大化するポリシーを計算し、事前に収集されたデータセットからのみ学習する。
定常分布空間におけるポリシーを最適化するオフライン制約付きRLアルゴリズムを提案する。
我々のアルゴリズムであるCOptiDICEは、コスト上限を制約しながら、利益に対する最適政策の定常分布補正を直接見積もる。
論文 参考訳(メタデータ) (2022-04-19T15:55:47Z) - Control of Dual-Sourcing Inventory Systems using Recurrent Neural
Networks [0.0]
提案したニューラルネットワークコントローラ(NNC)は、CPU時間の数分以内に、一般的に使用されるインスタンスのほぼ最適ポリシーを学習できることを示す。
我々の研究は、複雑で高次元の在庫動態を効率的に管理する新しい方法を開く。
論文 参考訳(メタデータ) (2022-01-16T19:44:06Z) - Learning Optimization Proxies for Large-Scale Security-Constrained
Economic Dispatch [11.475805963049808]
SCED(Security-Constrained Economic Dispatch)は、送信システムオペレーター(TSO)の基本最適化モデルである
本稿では,SCEDの最適解をミリ秒で予測できる機械学習(ML)モデルとして,SCEDの最適化プロキシを学習することを提案する。
数値実験は、フランスの送信システム上で報告され、リアルタイム操作と互換性のある時間枠内で、その手法が生成できることを実証する。
論文 参考訳(メタデータ) (2021-12-27T00:44:06Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z) - Multi-Objective Optimization for Sustainable Closed-Loop Supply Chain
Network Under Demand Uncertainty: A Genetic Algorithm [0.0]
新たなサプライチェーン管理手法が提案され,サプライチェーン設計の環境問題とともに経済を維持する。
本稿では, 環境要因に合わせて, 新たな持続的クローズドループサプライチェーンネットワークを最適化し, 経済性を維持することを目的とする。
論文 参考訳(メタデータ) (2020-09-13T17:31:13Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z)
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。