Learning to replenish: A hybrid deep reinforcement learning for dynamic inventory management in the pharmaceutical supply chains
ABV-Indian Institute of Information Technology and Management（ABV印度信息技术与管理学院）
针对医药供应链中需求不确定和前置时间变化导致的库存管理难题，提出一种混合异步优势演员评论家分布式近端策略优化（A3C DPPO）算法，实现连续动作空间下的最优补货策略，降低库存成本并提高服务水平。
2026-06-04 cs.AI
The Collaboration Paradox: Why Generative AI Requires Both Strategic Intelligence and Operational Stability in Supply Chain Management
Department of Industrial & Systems Engineering（工业与系统工程系）；Indian Institute of Technology, Kharagpur (IIT-KGP)（印度理工学院，克拉格浦尔（IIT-KGP））
本文研究生成式AI在多级供应链中的协同行为，揭示其因库存积压导致的系统性失败，并提出通过战略智能与操作稳定性的结合实现供应链稳定的方法。
2026-03-25 cs.AI
LLMs for Supply Chain Management
Harbin Institute of Technology（哈尔滨工业大学）；University of Minnesota（明尼苏达大学）
本文提出一种检索增强生成框架和领域专用大语言模型，通过标准化考试与啤酒游戏验证其专家能力，并利用博弈分析揭示供应链中的竞争合作及牛鞭效应新见解。
2025-05-24 cs.AI cs.LG stat.AP
Integrating Deep Learning Demand Forecasting with Multi-Objective Optimization for Circular Coffee Supply Chains: A Data-Driven Framework for Cost, Emissions, and Freshness Management
Ankara Yıldırım Beyazıt University（安卡拉耶尔德勒姆贝亚泽特大学）；Texas Tech University（德克萨斯理工大学）；University of Alabama（阿拉巴马大学）
提出两阶段框架，先用CNN-LSTM模型预测需求（MAE=22.87，R²=0.90），再通过三目标MILP模型优化成本、碳排放和新鲜度，在循环供应链中获得25个Pareto解，平衡政策可减排22.4%仅增成本9.9%。
2026-06-06 cs.AI
Identifying the Supply Chain of AI for Trustworthiness and Risk Management in Critical Applications
Johns Hopkins University（约翰霍普金斯大学）
本文提出了一种分类法，用于分类AI供应链实体，以帮助利益相关者系统评估AI供应链风险，特别是在关键应用中
2025-11-19 cs.AI cs.CR cs.SE
Reinforcement Learning for Multi-Product Multi-Node Inventory Management in Supply Chains
TCS Research（塔塔咨询服务公司研究院）；Robert Bosch Centre for Data Science and AI, IIT Madras（印度理工学院马德拉斯分校罗伯特·博世数据科学与人工智能中心）
本文描述了强化学习（RL）在供应链多产品库存管理中的应用。问题描述和解决方案都改编自现实世界的业务解决方案。这个问题的新颖之处就供应链文献是（i）我们考虑并发库存管理的大量（50到1000）的产品共享能力，（ii）我们考虑了一个多节点的供应链，由一个仓库，供应三个商店，（iii）仓库，商店和运输从仓库到商店有有限的能力，（iv）仓库和商店补货发生在不同的时间尺度上，并且具有实际的时间滞后，以及（v）商店对产品的需求是随机的。我们描述了一种新的配方在多代理（分层）强化学习框架，可用于并行决策，并使用优势演员评论（A2C）算法与量化的行动空间来解决这个问题。实验表明，该方法是能够处理多目标奖励最大化的产品销售和最小化易腐产品的浪费。
2020-06-07 cs.AI cs.LG cs.MA
QAmplifyNet: Pushing the Boundaries of Supply Chain Backorder Prediction Using Interpretable Hybrid Quantum-Classical Neural Network
Khulna University of Engineering and Technology (KUET)（库尔纳工程技术大学（KUET））；American International University-Bangladesh (AIUB)（孟加拉国美国国际大学（AIUB））；The University of Aizu（会津大学）
提出QAmplifyNet，一种可解释的混合量子-经典神经网络，用于短且不平衡数据集上的供应链缺货预测，优于现有模型，提升库存控制与运营效率。
2023-10-15 cs.AI cs.LG quant-ph
Optimizing Supply Chain Management using Gravitational Search Algorithm and Multi Agent System
Indian Institute of Information Technology Deoghat（印度德奥加特信息技术学院）
研究构建了一个多智能体系统（MAS），实现了改进的引力搜索算法（GSA）来优化印度食品公司的粮食分配供应链，通过模拟万有引力定律动态平衡供需，并减少通信瓶颈。
2012-09-03 cs.AI cs.MA
MORSE: Multi-Objective Reinforcement Learning via Strategy Evolution for Supply Chain Optimization
本文提出MORSE方法，结合强化学习与多目标进化算法生成Pareto策略前沿，并引入CVaR风险敏感决策，以动态平衡供应链多目标，提升决策效率与鲁棒性。
2025-09-08 cs.AI
Enhancing Supply Chain Visibility with Generative AI: An Exploratory Case Study on Relationship Prediction in Knowledge Graphs
Institute for Manufacturing, University of Cambridge（剑桥大学制造研究院）；Alan Turing Institute（阿兰·图灵研究所）
本文提出结合预训练语言模型嵌入与机器学习的 GenAI 框架，用于知识图谱供应链关系预测，并通过真实案例证明其优于现有基准。
2024-12-04 cs.AI cs.CE
A Survey on Blockchain-based Supply Chain Finance with Progress and Future directions
Xinjiang Technical Institute of Physics and Chemistry, Chinese Academy of Sciences（中国科学院新疆理化技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
该综述梳理了区块链技术在供应链金融领域的应用价值与现有研究现状，指出当前研究多停留在管理层面概念框架或浅层应用、缺乏系统全面综述的问题，为该领域后续研究提供梳理与方向参考。
2024-08-14 cs.AI cs.CR
Optimizing Multi-Tier Supply Chain Ordering with LNN+XGBoost: Mitigating the Bullwhip Effect
University of Maryland, College Park（马里兰大学 College Park 分校）
针对供应链牛鞭效应引发的订货波动等问题，本文提出融合LNN与XGBoost的混合模型，结合二者特征提取与全局优化优势优化多层供应链订货策略，缓解牛鞭效应并提升盈利。
2025-11-14 cs.AI
AI Agent Systems for Supply Chains: Structured Decision Prompts and Memory Retrieval
National Institute of Advanced Industrial Science and Technology（国家先进工业科学与技术研究院）；Nagoya Institute of Technology（名古屋技术大学）；NEC Corporation（日本电讯公司）
本文提出AIM-RM代理，通过相似性匹配提升基于LLM的多代理系统在供应链中的适应性和鲁棒性。
2026-02-05 cs.AI cs.MA
AI-driven E-Liability Knowledge Graphs: A Comprehensive Framework for Supply Chain Carbon Accounting and Emissions Liability Management
Stanford University（斯坦福大学）；Precourt Institute for Energy, Stanford University（斯坦福大学普雷考特能源研究所）
针对传统碳核算局限，论文提出AI驱动的E-Liability知识图谱框架，以落地E-liability方法与ELM，提升供应链排放责任管理、透明度与脱碳决策。
2023-11-26 cs.AI cs.CY cs.SI
MARLIM: Multi-Agent Reinforcement Learning for Inventory Management
École Polytechnique（巴黎综合理工学院）；TotalEnergies OneTech（道达尔能源OneTech）
本文提出名为MARLIM的强化学习框架，通过单或多智能体协作优化补货决策，解决具有随机需求和提前期的单级多产品供应链库存管理问题，并在真实数据实验中展现出优于传统基线的优势。
2023-08-03 cs.AI cs.LG cs.MA
A unified decision making framework for supply and demand management in microgrid networks
Indian Institute of Science（印度科学学院）；IBM Research - India（IBM研究院（印度））
本文从供给方和需求方两个方面来考虑，并在一个统一的框架下进行研究。在供应方面，我们研究了微电网之间的能量共享问题，其目标是在不偏离客户需求的情况下最大化从销售电力中获得的利润。另一方面，在电力短缺的情况下，这个问题变成了决定以动态变化的价格购买的电力量的问题。在需求方面，我们考虑最优调度时间可调需求的问题-即，具有灵活的时间窗口，可以在其中调度负载。虽然以前的作品已经孤立地对待这两个问题，我们把这些问题结合在一起，并提供了一个统一的马尔可夫决策过程（MDP）的框架，这些问题。然后，我们应用Q学习算法，一种流行的无模型强化学习技术，以获得最优策略。通过仿真，我们表明，通过解决我们的MDP模型得到的政策提供了更多的利润微电网。
2019-07-08 cs.AI cs.SY eess.SY
Towards On-Device AI and Blockchain for 6G enabled Agricultural Supply-chain Management
Waterford Institute of Technology（沃特福德理工学院）；Walton Institute（沃尔顿研究所）；Northumbria University Newcastle（纽卡斯尔诺森比亚大学）；National University of Sciences and Technology（国立科技大学）
6G设想了人工智能（AI）驱动的解决方案，以提高网络中的服务质量（QoS）并确保资源的最佳利用。在这项工作中，我们提出了一种基于无人机（UAV），人工智能和区块链相结合的农业供应链管理架构，旨在确保可追溯性，透明度，跟踪库存和合同。我们提出了一种解决方案，通过生成具有各种资源准确性权衡的模型路线图来促进设备上的AI。一个完全的卷积神经网络（FCN）模型用于通过无人机捕获的图像进行生物量估计。而不是一个单一的压缩FCN模型部署在无人机上，我们激励迭代修剪的想法，以提供多个特定于任务的模型，具有不同的复杂性和准确性。为了减轻6G使能的动态UAV网络中的飞行故障的影响，所提出的模型选择策略将帮助UAV基于运行时资源需求来更新模型。
2022-03-12 cs.AI cs.LG cs.NI
Towards an Ontology of Traceable Impact Management in the Food Supply Chain
University of Toronto（多伦多大学）；Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；Shandong Computer Science Center（山东省计算中心）
本文提出可追溯影响管理模型TIMM及配套本体，以统一术语界定利益相关者角色，提升食品供应链质量、问责、可持续性与全球追溯能力。
2025-01-08 cs.AI physics.soc-ph
ICBAC: an Intelligent Contract-Based Access Control framework for supply chain management by integrating blockchain and federated learning
Department of Computer Engineering Ferdowsi University of Mashhad（计算机工程系法尔多斯大学）
ICBAC通过整合区块链与联邦学习，提供一种动态、隐私保护的访问控制框架，用于解决供应链中的访问控制问题。
2026-02-08 cs.AI cs.CR
Agentic LLMs in the Supply Chain: Towards Autonomous Multi-Agent Consensus-Seeking
ETH Zurich（苏黎世联邦理工学院）；University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）
本文探讨了利用大型语言模型（LLMs）自动化供应链管理中的共识寻求，提出了自主LLM智能体及特定于供应链的新型共识寻求框架，并通过库存管理案例验证了其有效性，同时开源代码以推动该领域发展。
2024-11-15 cs.AI
An Agent-based framework for cooperation in Supply Chain
Université le Havre（勒阿弗尔大学）；Université Elmanar（埃尔马纳尔大学）
供应链协调已成为供应链管理（SCM）和有效提高各行业组织绩效的关键成功因素。公司越来越多地位于一个或多个公司网络的交叉点，这些网络被称为“供应链”。对这一链条的管理主要是基于“信息共享”和组成这一链条的各个环节之间的重新部署活动，工业家和研究人员曾多次尝试向决策者宣传建立合作关系所能带来的好处。在本文中提出的方法在这里的工作，旨在提出解决方案，相关的信息系统分布式供应链，使不同的演员链，以提高他们的业绩。我们特别提出了专注于供应链参与者之间合作的解决方案。
2012-10-11 cs.AI
Will bots take over the supply chain? Revisiting Agent-based supply chain automation
University of Cambridge（剑桥大学）
基于代理的系统有能力融合来自许多分布式源的信息，并更快地创建更好的计划。这一特性使得基于代理的系统自然适合解决供应链管理（SCM）中的挑战。虽然自2000年初以来就提出了基于代理人的供应链系统，但工业界对这种系统的采用一直滞后。引用的原因包括技术不成熟，缺乏与供应链信息系统的互操作性，以及对人工智能（AI）缺乏信任。在本文中，我们重新审视了基于代理的供应链和审查的最先进的国家。我们发现，基于代理的技术已经成熟，和其他支持技术，渗透供应链，填补空白，离开的概念适用于更广泛的功能。例如，物联网技术的普及帮助代理“感知”供应链中的事务状态，并为自动化开辟了新的可能性。数字分类账有助于在第三方之间安全地传输数据，使基于代理的信息共享成为可能，而无需集成企业资源规划（ERP）系统。智能体中的学习功能使智能体能够超越自动化，走向自治。我们通过概念化基于代理的供应链框架，审查其组成部分，并强调在前进中需要解决的研究挑战，注意到这种融合效应。
2021-09-03 cs.AI
Optimizing Multi-Tier Supply Chain Ordering with a Hybrid Liquid Neural Network and Extreme Gradient Boosting Model
University of Maryland, College Park（马里兰大学学院 park）
本研究提出混合液态神经网络与极梯度提升模型，用于优化多级供应链订货，以提高效率和盈利能力。
2025-12-16 cs.AI
Efficient Collaborative Multi-Agent Deep Reinforcement Learning for Large-Scale Fleet Management
Michigan State University（密歇根州立大学）；Didi Chuxing（滴滴出行）
大型网约车平台通过重新分配交通资源，缓解交通拥堵，提高交通效率，极大地改变了我们的生活。一个有效的车队管理策略不仅可以显著提高运输资源的利用率，还可以增加收入和客户满意度。这是一个具有挑战性的任务，设计一个有效的车队管理策略，可以适应环境，涉及复杂的动态需求和供应。现有的研究通常是在一个简化的问题设置，很难捕捉复杂的随机需求-供应变化的高维空间。在本文中，我们提出了解决大规模的车队管理问题，使用强化学习，并提出了一个上下文多智能体强化学习框架，包括三个具体的算法，以实现大量的代理之间的协调，适应不同的背景。我们通过广泛的实证研究表明，所提出的框架在国家的最先进的方法显着改善。
2019-12-02 cs.AI cs.MA
Comparing Deep Reinforcement Learning Algorithms in Two-Echelon Supply Chains
University of Milan-Bicocca（米兰-比科卡大学）；Polytechnic of Turin（都灵理工大学）
本文构建随机季节性需求下的两级供应链环境，比较多种深度强化学习算法，证明其优于传统（s, Q）策略，并开源可定制的数据驱动库存管理库。
2023-11-17 cs.AI cs.LG math.OC
Reliability and Effectiveness of Autonomous AI Agents in Supply Chain Management
Harvard University（哈佛大学）；MIT/Purdue（麻省理工学院/普渡大学）；MIT（麻省理工学院）；Harvard University/Kempner Institute（哈佛大学/凯普勒研究所）；Georgia Tech（佐治亚理工学院）
本文通过MIT啤酒游戏研究多级供应链中的自主生成式AI代理，发现模型能力是性能主导因素，但平均性能掩盖可靠性风险，并引入代理牛鞭效应，提出基于GRPO的后训练框架以提高可靠性。
2026-09-22 cs.AI cs.LG cs.MA
Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models
Institute for Manufacturing（制造研究院）；University of Cambridge（剑桥大学）；The Alan Turing Institute（阿兰·图灵研究所）
针对供应链伙伴信息共享有限导致的可见性不足问题，提出结合知识图谱与大语言模型的零样本框架，从公开来源提取信息构建图谱，经电动车供应链案例验证可拓展可见性、助力风险管理。
2024-08-05 cs.AI cs.CL cs.IR
KnowGraph-PM: a Knowledge Graph based Pricing Model for Semiconductors Supply Chains
Leibniz Universität Hannover（汉诺威莱布尼茨大学）；Technische Informationsbibliothek（莱布尼茨信息科学技术研究所）；Infineon Technologies AG（英飞凌科技公司）
半导体供应链被描述为显著的需求波动，随着供应链的上升而增加，即所谓的牛鞭效应。为了应对这种情况，半导体制造商的目标是优化产能利用率，缩短交货时间，并利用这一点来创造收入。此外，在竞争激烈的市场中，企业寻求保持客户关系，同时应用收入管理策略，如动态定价。价格变动可能会导致与客户的冲突。本文提出了一种基于知识图谱的动态定价模型KnowGraph-PM。语义模型利用更快的交付和更短的交货期的潜力来定义溢价，从而根据客户资料增加利润。知识图谱使得能够集成客户相关信息，例如，客户类别和位置到客户订单数据。定价算法实现为SPARQL查询，它依赖于客户档案和订单行为来确定相应的价格溢价。我们通过计算应用定价算法后产生的收入来评估这种方法。基于转换为SPARQL查询的能力问题，我们验证所创建的知识图谱。我们证明，语义数据集成，使客户量身定制的收入管理。
2022-05-13 cs.AI cs.DB
Validating Generative Agent-Based Models for Logistics and Supply Chain Management Research
Fisher College of Business, The Ohio State University（俄亥俄州立大学费舍尔商学院）
本研究通过外卖配送场景的受控实验，对比六种大语言模型与957名人类参与者的行为，提出GABMs的人类等价性与决策过程双重验证框架，揭示等价性与过程悖论，为物流与供应链管理研究提供验证指南。
2025-08-27 cs.AI cs.CY cs.MA
Implementing Reinforcement Learning Algorithms in Retail Supply Chains with OpenAI Gym Toolkit
从降低成本到改善客户体验，预测是零售供应链管理（SCM）的关键，也是提高供应链绩效的关键。一些零售商正在使用AI/ML模型来收集数据集，并在认知需求预测、产品寿命终止、预测和需求集成产品流等应用中提供预测指导。这些领域的早期工作着眼于经典算法，以改进网络流和图等各种挑战。但最近的中断使供应链具有应对突发事件的弹性变得至关重要。最大的挑战在于使供给与需求相匹配。强化学习（RL）凭借其训练系统以响应不可预见环境的能力，正越来越多地在SCM中采用，以提高预测准确性，解决供应链优化挑战，并训练系统以响应不可预见的情况。像UPS和亚马逊这样的公司已经开发了RL算法来定义获胜的AI策略，并跟上消费者不断增长的交付期望。虽然有很多方法可以为供应链用例构建RL算法，但OpenAI Gym工具包正成为首选，因为它具有强大的事件驱动模拟框架。本白皮书探讨了RL在供应链预测中的应用，并描述了如何使用OpenAI Gym工具包构建合适的RL模型和算法。
2021-04-27 cs.AI cs.LG
A Learning Based Framework for Handling Uncertain Lead Times in Multi-Product Inventory Management
TCS Research（塔塔咨询服务公司研究院）；IIT Bombay（印度理工学院孟买分校）
现有的供应链和库存管理的文献大多考虑随机需求过程的零或常数提前期。虽然这是事实，在某些利基方案，在前置时间的不确定性可以忽略不计，大多数现实世界的情况下表现出随机性的前置时间。这些随机波动可能是由于原材料到达制造商终端的不确定性、运输延迟、不可预见的需求激增以及转向不同的供应商等原因造成的。随机提前期是众所周知的，严重降低库存管理系统的性能，它是唯一公平的，通过一个原则性的方法来缩短供应链系统中的这一差距。受最近引入的延迟分辨深度Q学习（DRDQN）算法的启发，本文开发了一种基于强化学习的范式，用于处理提前期的不确定性（\emph{action delay}）。通过实证分析，进一步证明了提前期不确定的库存管理不仅等价于多层次信息共享延迟（\emph{observation delay}），而且训练好的模型可以处理一种延迟，而不需要重新训练。最后，我们应用延迟解决框架的情况下，包括多个产品的随机性在交货期，并阐明延迟解决框架如何否定任何延迟的影响，以达到接近最优的性能。
2022-03-09 cs.AI cs.LG math.OC
