深度强化学习在动态订单拣选中的显著提升:98%订单完成率
本文探讨了通过深度强化学习(DRL)框架解决动态订单拣选问题,该方法在高订单到达率下实现了98%的订单完成率。研究展示了DRL模型在不同订单到达率和波动需求下的优越性能,并提出了一种灵活平衡行走距离和订单完成时间的奖励函数设计。
报道领域
Papers
84 篇已发布报道
重点报道
本文探讨了通过深度强化学习(DRL)框架解决动态订单拣选问题,该方法在高订单到达率下实现了98%的订单完成率。研究展示了DRL模型在不同订单到达率和波动需求下的优越性能,并提出了一种灵活平衡行走距离和订单完成时间的奖励函数设计。
编辑精选
本文探讨了生成式人工智能(GenAI)在供应链关系预测中的应用,通过将预训练语言模型与机器学习模型结合,提出了一种新的框架来提高供应链知识图谱中的关系预测准确性。实验结果表明,该方法在准确性和鲁棒性方面均优于传统方法。
本文提出了一种两层分解策略,结合量子近似优化算法(QAOA)来解决大规模车辆路径问题(VRP)。通过问题层级分解(PLD)和电路层级分解(CLD),该方法显著减少了所需的量子资源,并在实验中展示了优异的性能。具体来说,PLD将VRP分解为多个较小的旅行商问题(TSP)实例,而CLD进一步减少了每个TSP实例的量子电路深度和量子比特数量。实验结果表明,该方法能够实现高达95%的电路深度减少、96%的量子比特数量减少以及99.5%的双量子比特门数量减少。
最新进展
本文详细解读了论文《Pruning in Snowflake: Working Smarter, Not Harder》,探讨了四种新的剪枝技术(过滤剪枝、LIMIT剪枝、Top-k剪枝和JOIN剪枝)在实际工作负载中的应用及其效果。实验结果显示,这些技术能够显著减少处理的数据量,提高查询性能。
本文通过整合价值链理论和层次分析法(AHP),深入剖析了京东物流在数字经济背景下的成本管理现状与优化策略。研究发现,尽管京东通过数字化转型和智能化技术提高了物流效率,但在采购、仓储、配送和售后等环节仍面临诸多挑战。文章提出了基于智能数据分析、供应链协同和库存管理优化的具体对策,为自营式电商企业提供理论依据。
本文探讨了“链主”企业通过B2B电商平台推动产业链数字化转型与价值共创的内在机理。研究构建了“链主驱动–数字赋能–价值共创”的理论框架,揭示了数据驱动、网络协同与智能决策三大核心机制如何促进全产业链转型与新质生产力形成。研究发现,链主企业通过平台化战略能够有效打通信息孤岛、重构协同网络、优化全局决策,从而提升资源配置效率和协同创新能力,催生以全要素生产率跃升为标志的新质生产力。
本文提出了一种名为GraphRAG的框架,通过基于依赖解析的知识图谱构建管道和轻量级图检索策略,解决了传统RAG方法在处理复杂多跳推理任务时的局限。实验结果表明,该方法在性能上达到了LLM生成知识图谱的94%,同时显著降低了成本并提高了可扩展性。
本文综述了大型语言模型(LLMs)在知识图谱构建中的最新进展,系统分析了LLMs如何重塑传统的本体工程、知识提取和知识融合三个层次的流程。文章探讨了基于模式和无模式的知识提取方法,并介绍了自顶向下和自底向上的本体构建方法,指出了当前研究的局限性,并为供应链和AI从业者提供了实操建议。
本文探讨了基于图检索增强生成(GraphRAG)的新范式,通过图结构来表示和检索知识,从而提高大型语言模型(LLMs)在专业领域的应用效果。GraphRAG不仅能够更好地表示复杂的知识依赖关系,还能支持多跳推理,实现上下文保留的知识检索。
本文介绍了一种新颖的框架FDDM,通过结合基础模型和离散扩散模型来桥接分类和分割任务,从而提高WSI分析的整体性能。实验结果显示,FDDM在多个指标上均优于现有方法,在mIOU方面提升了10%,在坏死率估计方面误差降低了32.12%。
本文深入探讨了机器学习操作(MLOps)工具在供应链和AI决策领域中的应用现状,分析了Kubeflow、MLFlow和Iterative Enterprise等主流工具的功能特点,并指出了它们的局限性。通过对这些工具的详细解读,为从业者提供了选择和使用MLOps工具的具体建议。
本文详细解读了Shaoxiong Ji等人的《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》一文,从知识图谱的表示学习、知识获取、时间知识图谱和知识感知应用四个方面进行了深入探讨。文章不仅总结了现有方法的优势和不足,还提出了未来研究的方向。对于供应链管理和AI从业者来说,提供了宝贵的实操启示。
本文全面回顾了近年来神经组合优化(NCO)算法在解决车辆路径问题(VRP)方面的最新进展,提出了一个全新的分类体系,并讨论了现有方法的不足及未来研究方向。通过系统地梳理相关文献,本文将NCO求解器分为四类:Learning to Construct (L2C)、Learning to Improve (L2I)、Learning to Predict-Once (L2P-O) 和 Learning to Predict-Multiplicity (L2P-M)。
本文解读了论文《Attention Is All You Need》,该论文提出了完全依赖于注意力机制的Transformer模型,摒弃了传统的递归和卷积结构。实验结果表明,Transformer在机器翻译任务中取得了显著的性能提升,特别是在并行化能力和训练时间方面。本文深入探讨了Transformer的核心架构、多头自注意力机制以及位置编码,并分析了其局限性及实际应用启示。
本文综述了基于知识图谱和图神经网络(GNN)的推荐系统研究进展,提出了新的分类法,并详细描述了代表性模型。通过对比分析,本文揭示了这些模型在解决实际推荐问题如冷启动和可扩展性方面的优势和局限。此外,本文还总结了广泛使用的基准数据集、评估指标和开源代码,并提出了未来的研究方向。
Global Supply Chain Intelligence. Delivering real-time news, analysis, and insights for supply chain professionals worldwide.
© 2026 SCI.AI. All rights reserved.
Powered by SCI.AI Intelligence Platform