طراحی چارچوبی یکپارچه از یادگیری عمیق تبیین پذیر (PPO-XAI) در مدیریت زنجیره تامین خودران با ملاحظه رفتار کاربر و VMI

مدیریت بهینه زنجیره تامین Supply Chain Management - (SCM) در محیط های کسب و کار پویا و پرنوسان، مستلزم به کارگیری سازوکارهای تصمیم گیری تطبیق پذیر و هوشمند است. یادگیری تقویتی عمیق Deep Reinforcement Learning (DRL) به دلیل توانایی یادگیری سیاست های بهینه از طریق تعامل مستقیم با محیط پتانسیل بالایی در مواجهه با پیچیدگی های ذاتی SCM نشان داده است [۵],[۴]. با این حال مدل های DRL به ویژه الگوریتم های سیاست محور نظیر Proximal Policy Optimization (PPO) عموما به عنوان جعبه سیاه عمل می کنند [۲][۱۴]. این مسئله پذیرش آن ها را در کاربردهای حیاتی مانند مدیریت موجودی، برنامه ریزی تولید و لجستیک که نیازمند شفافیت و قابلیت اعتماد هستند را با چالش جدی مواجه می سازد. این پژوهش با هدف رفع این خلا یک چارچوب یکپارچه PPO-XAI را پیشنهاد می کند که ضمن یادگیری سیاست های بهینه، قابلیت توضیح پذیری تصمیمات را به صورت ذاتی در فرآیند آموزش لحاظ می نماید. در این چارچوب مسئله زنجیره تامین به عنوان یک فرآیند تصمیم گیری مارکوف (Markov Decision Process - MDP) مدل سازی شده [۵] و از معماری Actor Critic مبتنی بر PPO برای به روزرسانی سیاست استفاده می شود [۶]. نوآوری اصلی پژوهش، ادغام یک معیار توضیح پذیری کمی در تابع هدف PPO است که میزان تاثیر هر ویژگی حالت بر تصمیم نهایی سیاست را اندازه گیری می کند [۱۱]. نتایج شبیه سازی بر روی یک سناریوی چندسطحی زنجیره تامین نشان می دهد که چارچوب پیشنهادی علاوه بر دستیابی به عملکردی قابل مقایسه با PPO استاندارد از منظر سود تجمعی، سطح معناداری از شفافیت و ثبات تصمیم گیری را نیز فراهم می آورد. این ویژگی امکان اعتماد، تفسیر و حسابرسی تصمیمات خودکار در سیستم های SCM هوشمند را به طور قابل توجهی افزایش می دهد [۲].

کلیدواژه ها:

یادگیری تقویتی عمیق ، بهینه سازی زنجیره تامین ، الگوریتم PPO ، هوش مصنوعی توضیح پذیر (XAI) ، سیاست یادگیری