بکارگیری روش یادگیریتقویتی سارسا در یادگیری بافر مقدار سفارش در سیستمهای کنترل موجودی غیرایستا

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 750

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICISE02_077

تاریخ نمایه سازی: 25 آذر 1395

چکیده مقاله:

شیوه ی کنترل موجودی مورد مطالعه در این مقاله از نوع مدیریت موجودی توسط فروشنده (VMI) میباشد که در سالهای اخیر با پیشرفت فناوری اطلاعات از یک سو و افزایش رقابت از سوی دیگر، مورد توجه بسیاری از زنجیرههای تامین کالا قرار گرفته است. در این پژوهش از تلفیق مدیریت موجودی توسط فروشنده و یادگیریتقویتی به مدیریت سفارشات در یک زنجیره تامین سه سطحی پرداخته شده است. در این مدل عامل توزیع کننده مسئول پایش و کنترل موجودی خردهفروش است. تقاضای مشتری غیرایستا بوده و توسط دو روش پیشبینی هموارسازی نمایی و هموارسازی خطی هولت، پیشبینی میشود. برای مواجهه با نوسانات تقاضای غیرایستا، مقدار بازپرسازی احتیاطی به عنوان بافر مقدار سفارش با کمک یادگیری تقویتی به نحوی اتخاذ میشود که کمترین هزینه موجودی را به سیستم اعمال کند. روش یادگیری تقویتی استفاده شده روش سارسا میباشد که یکی از روشهای متداول تفاوت گذرا میباشد. نتایچ حاصل از شبیه سازی در طی 1000 دوره بازپرسازی حاکی از عملکرد مناسب یادگیری تقویتی در مساله مدیریت موجودی در محیط غیرایستا است.

کلیدواژه ها:

نویسندگان

حمیده احمدی

کارشناسی ارشد مهندسی صنایع، دانشگاه صنعتی سجاد، مشهد، ایران؛

امین نوری

عضو هیئت علمی دانشکده مهندسی برق، دانشگاه صنعتی سجاد ، مشهد، ایران؛

محسن باقری

استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی سجاد ، مشهد، ایران؛

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Tsitsiklis. A neuro-dynamic programming approach to retailer inventory management. In ...
  • reinforcement learning approach. Int. J. Prod. Res. 40, 1299-1317. ...
  • Giannoccaro, I., Pontrandolfo, P., 2002. Inventory management in supply chains: ...
  • Kim, C. O., Kwon, I. H., & Baek, J. G. ...
  • Kwon, Ick-Hyun, Kim, Chang Ouk, Jun, Jin, & Lee, Jung ...
  • Chaharsooghi, K., Heydari, J., Zegordi, H., 2008. A reinforcement learning ...
  • Kwak, C., Choi, J.S., Kim, C.O., Kwon, I.-H., 2009. Situation ...
  • Kim, C.O., Kwon, I.-H., Kwak, C., 2010. Multi- agent based ...
  • Zheng Sui, Abhijit Gosavi, and Li Lin. 2010. A reinforcement ...
  • Fazel zarand, M.H., Moosavi, V., Zarinbal, M., (2013), A fuzzy ...
  • Engineering Applications of Artificial Intelligence 37 (2015) 207-220 ...
  • A. G. Barto, and R. S. Sutton, Reinforcement Learning an ...
  • L. P. Kaelbling, M. L. Littman, and A. W. Moore, ...
  • Hyndman, R. Koehler, A., Keith, O. and Synder, R. (2008). ...
  • Achabal, D. D., Mcintyre, S. H., Smith, S. A., & ...
  • نمایش کامل مراجع