ترجمه فارسی مقاله یک متا سیاست یادگیری مبتنی بر Minibatch-SGD برای سیستم های موجودی با خط مشی بهینه میوپی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی A Minibatch-SGD-Based Learning Meta-Policy for Inventory Systems with Myopic Optimal Policy
عنوان مقاله به فارسی یک متا سیاست یادگیری مبتنی بر Minibatch-SGD برای سیستم های موجودی با خط مشی بهینه میوپی
نویسندگان Jiameng Lyu, Jinxing Xie, Shilin Yuan, Yuan Zhou
فرمت مقاله انگلیسی PDF
زبان مقاله تحویلی
فرمت مقاله ترجمه شده
نحوه تحویل ترجمه
تعداد صفحات 76
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Optimization and Control,Machine Learning,بهینه سازی و کنترل , یادگیری ماشین ,
توضیحات Submitted 28 August, 2024; originally announced August 2024. , Comments: Forthcoming in Management Science
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: آینده در علوم مدیریت
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP NASA ADS Google Scholar Semantic Scholar arXiv

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Stochastic gradient descent (SGD) has proven effective in solving many inventory control problems with demand learning. However, it often faces the pitfall of an infeasible target inventory level that is lower than the current inventory level. Several recent works (e.g., Huh and Rusmevichientong (2009), Shi et al.(2016)) are successful to resolve this issue in various inventory systems. However, their techniques are rather sophisticated and difficult to be applied to more complicated scenarios such as multi-product and multi-constraint inventory systems. In this paper, we address the infeasible-target-inventory-level issue from a new technical perspective -- we propose a novel minibatch-SGD-based meta-policy. Our meta-policy is flexible enough to be applied to a general inventory systems framework covering a wide range of inventory management problems with myopic clairvoyant optimal policy. By devising the optimal minibatch scheme, our meta-policy achieves a regret bound of $\mathcal{O}(\sqrt{T})$ for the general convex case and $\mathcal{O}(\log T)$ for the strongly convex case. To demonstrate the power and flexibility of our meta-policy, we apply it to three important inventory control problems: multi-product and multi-constraint systems, multi-echelon serial systems, and one-warehouse and multi-store systems by carefully designing application-specific subroutines.We also conduct extensive numerical experiments to demonstrate that our meta-policy enjoys competitive regret performance, high computational efficiency, and low variances among a wide range of applications.

چکیده به فارسی (ترجمه ماشینی)

نزول شیب تصادفی (SGD) در حل بسیاری از مشکلات کنترل موجودی با یادگیری تقاضا مؤثر بوده است.با این حال ، غالباً با خطرات سطح موجودی هدف غیرقابل تحمل روبرو است که پایین تر از سطح موجودی فعلی است.چندین اثر اخیر (به عنوان مثال ، هو و Rusmevichientong (2009) ، شی و همکاران (2016)) برای حل این مسئله در سیستم های مختلف موجودی موفق هستند.با این حال ، تکنیک های آنها بسیار پیچیده و دشوار است که در سناریوهای پیچیده تر مانند سیستم های موجودی چند محصول و چند محدودیت استفاده شود.در این مقاله ، ما از دیدگاه فنی جدید به مسئله سطح ناچیز-غربالگری می پردازیم-ما یک سیاست جدید متا-SGD مبتنی بر Minibatch را پیشنهاد می کنیم.سیاست متا ما به اندازه کافی انعطاف پذیر است تا در یک چارچوب سیستم های موجودی کلی که شامل طیف گسترده ای از مشکلات مدیریت موجودی با سیاست بهینه میوپی است ، اعمال شود.با ابداع طرح مینی بیت بهینه ، متا سیاست ما با پشیمانی از $ \ mathcal {o} (\ sqrt {t}) $ برای مورد محدب عمومی و $ \ mathcal {o} (\ log t) $ به دست می آید.مورد به شدت محدب.برای نشان دادن قدرت و انعطاف پذیری متا سیاست ما ، ما آن را در سه مشکل مهم کنترل موجودی به کار می بریم: سیستم های چند محصول و چند محدودیت ، سیستم های سریال چند اکلون و سیستم های یک انبار و چند فروشگاه با طراحی دقیق برنامهزیرروال های خاص. ما همچنین آزمایش های عددی گسترده ای را انجام می دهیم تا نشان دهیم که متا سیاست ما از عملکرد پشیمانی رقابتی ، راندمان محاسباتی بالا و واریانس کم در بین طیف گسترده ای از برنامه ها برخوردار است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.