論文の概要: Study on Supply Chain Finance Decision-Making Model and Enterprise Economic Performance Prediction Based on Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2511.00166v1
• Date: Fri, 31 Oct 2025 18:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.650027
• Title: Study on Supply Chain Finance Decision-Making Model and Enterprise Economic Performance Prediction Based on Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習に基づくサプライチェーンファイナンス意思決定モデルと企業経済性予測に関する研究
• Authors: Shiman Zhang, Jinghan Zhou, Zhoufan Yu, Ningai Leng,
• Abstract要約: サプライチェーンネットワークに対して,分散ノード配置モデルと最適計画経路を構築する。 畳み込みニューラルネットワークのようなディープラーニングは、歴史的データから特徴を抽出し、線形プログラミングは高次統計特徴をキャプチャする。 深層学習特徴抽出-インテリジェント粒子群最適化」のハイブリッドメカニズムは、グローバルな最適化を導き、適応制御のための最適な決定を選択する。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To improve decision-making and planning efficiency in back-end centralized redundant supply chains, this paper proposes a decision model integrating deep learning with intelligent particle swarm optimization. A distributed node deployment model and optimal planning path are constructed for the supply chain network. Deep learning such as convolutional neural networks extracts features from historical data, and linear programming captures high-order statistical features. The model is optimized using fuzzy association rule scheduling and deep reinforcement learning, while neural networks fit dynamic changes. A hybrid mechanism of "deep learning feature extraction - intelligent particle swarm optimization" guides global optimization and selects optimal decisions for adaptive control. Simulations show reduced resource consumption, enhanced spatial planning, and in dynamic environments improved real-time decision adjustment, distribution path optimization, and robust intelligent control.
• Abstract（参考訳）: 本稿では,ディープラーニングとインテリジェント粒子群最適化を組み合わせた意思決定モデルを提案する。 サプライチェーンネットワークに対して,分散ノード配置モデルと最適計画経路を構築する。 畳み込みニューラルネットワークのようなディープラーニングは、歴史的データから特徴を抽出し、線形プログラミングは高次統計特徴をキャプチャする。 このモデルはファジィアソシエーションルールスケジューリングと深層強化学習を用いて最適化され、ニューラルネットワークは動的変化に適合する。 深層学習特徴抽出-インテリジェント粒子群最適化」のハイブリッドメカニズムは、グローバルな最適化を導き、適応制御のための最適な決定を選択する。 シミュレーションでは、資源消費の低減、空間計画の強化、動的環境の改善、リアルタイム意思決定調整、分散経路最適化、堅牢なインテリジェント制御などが示されている。

関連論文リスト

• Generative Diffusion Models for Resource Allocation in Wireless Networks [74.84410305593006]
  我々は、専門家を模倣し、最適な分布から新しいサンプルを生成するポリシーを訓練する。 生成したサンプルの逐次実行により,ほぼ最適性能を実現する。 電力制御のケーススタディにおいて数値的な結果を示す。
  論文  参考訳（メタデータ） (2025-04-28T21:44:31Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach [34.00679567444125]
  本研究では,長期エネルギー制約下でのデータ到着や資源の可利用性に固有のランダム性に対処する動的スケジューリングと資源割当アルゴリズムを開発した。 提案アルゴリズムは, デバイススケジューリング, 計算容量調整, 帯域幅の割り当ておよび各ラウンドの送信電力を適応的に決定する。 本手法の有効性をシミュレーションにより検証し,ベースライン方式と比較して学習性能とエネルギー効率が向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-20T14:13:22Z)
• Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
  最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。 トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
  論文  参考訳（メタデータ） (2024-03-12T07:32:47Z)
• Sensitivity-Aware Mixed-Precision Quantization and Width Optimization of Deep Neural Networks Through Cluster-Based Tree-Structured Parzen Estimation [4.748931281307333]
  本稿では,個々のニューラルネットワーク層に対して最適なビット幅と層幅を自動的に選択する革新的な探索機構を提案する。 これにより、ディープニューラルネットワークの効率が著しく向上する。
  論文  参考訳（メタデータ） (2023-08-12T00:16:51Z)

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。