📄ArXiv AI•最新收集於 5h
遺傳演算法解決隨機批量生產規劃
#lot-sizing#supply-chain#dynamic-programmingdiscrete-time-mdp-lot-sizing-modeldiscrete-time-mdpgenetic-algorithmbellman-regression
💡了解精確 MDP 難以計算時，GA 如何將隨機生產規劃差距維持在 5% 以下。
⚡ 30-Second TL;DR
有什麼變化
在單一需求層級上建模生產與分配決策，可捕捉產能競爭、需求專屬欠單，以及依分配結果變動的庫存。
為什麼重要
當精確隨機動態規劃的規模超出現有硬體能力時，本研究提供了一條可實行的近似策略搜尋路徑。其建模方式也可作為 AI 排程與供應鏈最佳化系統的基準。
下一步行動
在小型隨機需求基準上重現本文的 DTMDP 與 GA，先量測最佳性差距及策略評估延遲，再將其整合至排程流程。
誰應關注：Researchers & Academics
關鍵要點
- •在單一需求層級上建模生產與分配決策，可捕捉產能競爭、需求專屬欠單，以及依分配結果變動的庫存。
- •以最可能到達期間取代隨機到達分布，會大幅低估狀態數、轉移數、執行時間與記憶體需求等計算複雜度。
- •遺傳演算法會根據 DTMDP 轉移模型，精確評估可行的狀態回饋策略。
- •在 330 個基準案例中，GA 的平均最佳性差距為 3.44%；在 90 個困難案例中，差距維持低於 5%，並在 95% 信賴水準下達到 6.89 ± 1.41 倍加速。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗
每週 AI 簡報
每週一封，可隨時退訂。