Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Исследователи из MIT, Purdue University, Caltech и University of Virginia разработали OR-Transformer для совместного пополнения запасов. В препринте, который не проходил рецензирования, авторы измерили ускорение более чем в 4 млн раз относительно Gurobi при управлении 1 024 товарами, одновременно снизив стоимость запасов на 19,1%. Работа важна командам, которые проектируют системы оперативного управления поставками и упираются во время расчёта оптимизационных моделей.
Что сделали
OR-Transformer выбирает, размещать ли общий заказ, и рассчитывает количество каждого товара. Состояние системы представлено одним общим элементом и отдельными элементами для товаров. Архитектура не использует номера позиций: перестановка товаров не меняет общее решение, а рассчитанные количества переставляются вместе с ними. Механизм внимания учитывает связи между остатками, спросом и поставками разных позиций.
Дискретное решение об открытии заказа обучается градиентом стратегии, а количества — сквозным распространением градиента через динамику запасов. Благодаря этому модель связывает заказ с его влиянием на последующие остатки и издержки, не полагаясь только на итоговую оценку всей траектории.
На максимальном масштабе OR-Transformer также снизил дисконтированную стоимость запасов примерно на 75% относительно лучшего обучаемого конкурента. В прямом сравнении Gurobi получал до шести часов на каждое решение, тогда как OR-Transformer применял уже обученную модель.
Что это значит
Работа показывает вариант архитектуры, при котором сложность совместного заказа переносится из оперативного расчёта в предварительное обучение. Такой подход может подойти для контура пополнения, где решение требуется быстрее, чем смешанно-целочисленное линейное программирование успевает пересчитать план. Однако внедрение потребует отдельно проверить качество на истории конкретной сети, устойчивость при изменении спроса и правила безопасного отката.
Ограничения. Авторы проверяли метод в экспериментальной среде с коррелированным случайным спросом, неодинаковыми сроками поставки и издержками, а не на данных действующей розничной сети. Работа не показывает производственную эксплуатацию и перенос между разными распределениями спроса. Сравнение времени охватывает принятие решений, но не даёт сквозного сопоставления вычислительных затрат с учётом обучения OR-Transformer.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
