지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김우주
- 발행연도
- 2021
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수29
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Beer Game과 같은 부분관찰환경 공급사슬망에서는 공장, 물류창고, 도매상, 소매상 에이전트들이 서로의 재고 수준, 배송량 등의 상태 정보를 알지 못한 채 주문량을 결정해야 한다. 이러한 환경에서는 전통적인 재고관리 기법인 기준재고정책을 따르는 것이 일반적이나, 복수의 에이전트가 존재하는 다단계 공급사슬망 또는 계절적 수요 패턴이 존재하는 경우 등에서는 최적 기준재고수준을 구하는 데 어려움이 따른다.
본 연구는 Beer Game의 모든 에이전트를 심층강화학습 기법인 DQN 알고리즘으로 구현하여 기준재고정책을 대체할 수 있는 방법을 제안한다. 이러한 멀티 DQN 에이전트로 공급사슬망 전체의 비용을 최소화하기 위해서는 에이전트들이 서로 협력할 수 있는 방법을 학습해야 한다. 따라서 본 연구는 두 가지의 새로운 협력 피드백 방법을 제안함으로써 이를 해결하고자 하는데, 하나는 협력 피드백 조정 계수를 초매개변수로 활용하는 정적 피드백 방법이고, 다른 하나는 DQN의 신경망으로 협력 정도를 학습하는 동적 피드백 방법이다. 실험 결과, 멀티 DQN 에이전트는 상호 간 협력을 통해 기준재고정책보다 공급사슬망의 비용을 낮출 수 있었다.
본 연구는 Beer Game의 모든 에이전트를 심층강화학습 기법인 DQN 알고리즘으로 구현하여 기준재고정책을 대체할 수 있는 방법을 제안한다. 이러한 멀티 DQN 에이전트로 공급사슬망 전체의 비용을 최소화하기 위해서는 에이전트들이 서로 협력할 수 있는 방법을 학습해야 한다. 따라서 본 연구는 두 가지의 새로운 협력 피드백 방법을 제안함으로써 이를 해결하고자 하는데, 하나는 협력 피드백 조정 계수를 초매개변수로 활용하는 정적 피드백 방법이고, 다른 하나는 DQN의 신경망으로 협력 정도를 학습하는 동적 피드백 방법이다. 실험 결과, 멀티 DQN 에이전트는 상호 간 협력을 통해 기준재고정책보다 공급사슬망의 비용을 낮출 수 있었다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0