یادگیری تقویتی عمیق برای کنترل موجودی: یک نقشه راه

یادگیری تقویتی عمیق (DRL) پتانسیل زیادی برای تصمیم گیری های دنباله ای نشان داده است، از جمله در توسعه های اولیه در کنترل موجودی. با این حال، تنوع گزینه هایی که در طراحی یک الگوریتم DRL وجود دارد، به همراه تلاش محاسباتی زیاد برای تنظیم و ارزیابی هر گزینه، ممکن است کاربرد آن ها را در عمل محدود کند. این مقاله انتخاب های طراحی کلیدی الگوریتم های DRL را برای تسهیل پیاده سازی آن ها در کنترل موجودی توضیح می دهد. همچنین، به بررسی مسیرهای تحقیقاتی آینده می پردازیم که ممکن است وضعیت پیشرفته ترین کاربردهای DRL در کنترل موجودی را ارتقا دهند و دامنه آن ها را با استفاده از بینش های سیاستی ساختاری در تحقیق های موجودی گسترش دهند. بحث و نقشه راه ما همچنین ممکن است به تحقیقات آینده در دیگر حوزه های مدیریت عملیات انگیزه دهد.

کلیدواژه ها:

مدیریت موجودی ، یادگیری ماشین ، یادگیری تقویتی ، شبکه های عصبی