AI Summary & Key Takeaways
AI InsightNumerical experiments show that Approximate Dynamic Programming provides promising solutions within relatively short computational times.
📌 3 Key Takeaways
Abstract
Inventory management under uncertainty is crucial for enterprises operating in competitive environment. This study presents a heuristic based on Approximate Dynamic Programming for the capacitated stochastic inventory problem. The proposed heuristic employs Temporal Difference Learning method. The performance of the heuristic solutions for the aforementioned problem has been assessed relative to the optimal solutions obtained through Dynamic Programming algorithm. Numerical experiments show that Approximate Dynamic Programming provides promising solutions within relatively short computational times.
Özet
Rekabetçi bir ortamda faaliyet gösteren işletmeler için belirsizlik altında stok yönetimi oldukça önemlidir. Bu çalışma kapasite kısıtlı stokastik stok problemine Benzetimsel Dinamik Programlama (Approximate Dynamic Programming‐ADP) tabanlı bir sezgisel yöntem önermektedir. Önerilen sezgisel yöntem, Geçici Farklarla Öğrenme (Temporal Difference Learning‐TD) yöntemini kullanmaktadır. Söz konusu problem için sezgisel yöntemden elde edilen çözümlerin performansı, Dinamik Programlama algoritmasından elde edilen optimal sonuçlar ile karşılaştırılarak değerlendirilmiştir. Sayısal örnekler sonucunda ADP’nin kısa süre içerisinde ümit vadeden sonuçlar verdiği gözlenmiştir.