طراحي سازوكار تداركات براساس يادگيري Q و با سياست انتخاب عمل مبتني بر الگوريتم ازدحام ذرات

در اين مقاله، مسئله مناقصه در يك شركت خودروسازي براي تدارك قطعات مورد نياز از تامين كنندگان بالقوه از طريق الگوريتم يادگيري Q حل شده است. در اين مسئله، خريدار با توجه به پيشنهادات دريافتي از تامين كنندگان بالقوه كه شامل قيمت و زمان تحويل پيشنهادي است، سفارش قطعات مورد نياز خود را به تامين كنندگان تخصيص مي دهد. هدف خريدار كمينه سازي هزينه هاي تداركات از طريق يادگيري از مناقصات پيشين است. اين مسئله به صورت يك مسئله تصميم گيري ماركوفي تعريف شده است كه در آن هر عمل وابسته به عمل و وضعيت قبلي است. براي حل اين مسئله يك الگوريتم يادگيري تقويتي به نام الگوريتم يادگيري Q توسعه داده شده است كه در آن از الگوريتم بهينه سازي ازدحام ذرات به عنوان راهكاري براي يافتن و انتخاب سياست بهينه براي انتخاب عمل در الگوريتم يادگيري Q استفاده شده است. در مقايسه اين الگوريتم با حالتي كه در آن سياست انتخاب عمل مطابق با يك الگوريتم حريصانه است، اين الگوريتم بسيار كارآمدتر است.