論文の概要: Supply Chain Optimization via Generative Simulation and Iterative Decision Policies

• arxiv url: http://arxiv.org/abs/2507.07355v1
• Date: Thu, 10 Jul 2025 00:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.239953
• Title: Supply Chain Optimization via Generative Simulation and Iterative Decision Policies
• Title（参考訳）: 生成シミュレーションと反復決定ポリシによるサプライチェーン最適化
• Authors: Haoyue Bai, Haoyu Wang, Nanxu Gong, Xinyuan Wang, Wangyang Ying, Haifeng Chen, Yanjie Fu,
• Abstract要約: Sim-to-Decは、効率的なシミュレータとインテリジェントな意思決定アルゴリズムを組み合わせたフレームワークである。 3つの実世界のデータセットで実施された実験は、Sim-to-Decがタイムリーな配送率と利益を大幅に改善することを示した。
• 参考スコア（独自算出の注目度）: 39.67447490193419
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High responsiveness and economic efficiency are critical objectives in supply chain transportation, both of which are influenced by strategic decisions on shipping mode. An integrated framework combining an efficient simulator with an intelligent decision-making algorithm can provide an observable, low-risk environment for transportation strategy design. An ideal simulation-decision framework must (1) generalize effectively across various settings, (2) reflect fine-grained transportation dynamics, (3) integrate historical experience with predictive insights, and (4) maintain tight integration between simulation feedback and policy refinement. We propose Sim-to-Dec framework to satisfy these requirements. Specifically, Sim-to-Dec consists of a generative simulation module, which leverages autoregressive modeling to simulate continuous state changes, reducing dependence on handcrafted domain-specific rules and enhancing robustness against data fluctuations; and a history-future dual-aware decision model, refined iteratively through end-to-end optimization with simulator interactions. Extensive experiments conducted on three real-world datasets demonstrate that Sim-to-Dec significantly improves timely delivery rates and profit.
• Abstract（参考訳）: 高い応答性と経済効率はサプライチェーン輸送において重要な目標であり、どちらも輸送モードにおける戦略的決定の影響を受けている。 効率的なシミュレータとインテリジェントな意思決定アルゴリズムを組み合わせた統合されたフレームワークは、輸送戦略設計のための観測可能な低リスク環境を提供することができる。 理想的なシミュレーション・決定フレームワークは,(1)様々な状況において効果的に一般化し,(2)きめ細かな輸送力学を反映し,(3)歴史的経験を予測的洞察と統合し,(4)シミュレーションフィードバックと政策改善の密接な統合を維持する必要がある。 これらの要件を満たすためのSim-to-Decフレームワークを提案する。 具体的には、自己回帰モデルを利用して連続状態変化をシミュレートし、手作りのドメイン固有の規則への依存を減らし、データゆらぎに対する堅牢性を向上する生成シミュレーションモジュールと、シミュレーションインタラクションによるエンドツーエンドの最適化を通じて反復的に洗練されるヒストリフルな二重認識決定モデルから構成される。 3つの実世界のデータセットで実施された大規模な実験は、Sim-to-Decがタイムリーな配送率と利益を著しく改善することを示している。

関連論文リスト

• Safety-Critical Traffic Simulation with Adversarial Transfer of Driving Intentions [11.633051537198687]
  IntSimは、周囲の俳優の運転意図を運動計画から明確に切り離す戦略である。 IntSimは、現実的な安全クリティカルなシナリオをシミュレートして最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-07T06:59:27Z)
• LoopSR: Looping Sim-and-Real for Lifelong Policy Adaptation of Legged Robots [20.715834172041763]
  デプロイ後の段階において、RLポリシーを継続的に洗練する、生涯にわたるポリシー適応フレームワークであるLoopSRを提案する。 LoopSRはトランスフォーマーベースのエンコーダを使用して、現実世界の軌道を潜在空間にマッピングする。 オートエンコーダアーキテクチャとコントラスト学習手法を採用し、実世界のダイナミクスの特徴抽出を強化する。
  論文  参考訳（メタデータ） (2024-09-26T16:02:25Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• AdaptSim: Task-Driven Simulation Adaptation for Sim-to-Real Transfer [10.173835871228718]
  AdaptSimは、ターゲット(現実)環境でのタスクパフォーマンスの最適化を目的としている。 まず、強化学習を用いたシミュレーションにおける適応ポリシーをメタラーニングする。 次に、ポリシートレーニングのための新しいシミュレーションパラメータ分布を推定することにより、反復的実世界の適応を行う。
  論文  参考訳（メタデータ） (2023-02-09T19:10:57Z)
• Analyzing and Enhancing Closed-loop Stability in Reactive Simulation [25.27603440925488]
  本研究では,シミュレーションと現実の交通シナリオ間の人間の行動ギャップを埋める新しいリアクティブ・シミュレーション・フレームワークを提案する。 まず、シミュレーション状態列の滑らかさと一貫性が安定性の重要な要因となる新しい反応性シミュレーションフレームワークを提案する。 次に、反応シミュレーションの閉ループ安定性を改善するために、キネマティック車両モデルをフレームワークに組み込む。
  論文  参考訳（メタデータ） (2022-08-09T06:31:35Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。