On the Potential of Graph Neural Networks as Metamodels for Supply Chain Optimization: Dataset, Architectures, and Directions
School of Mathematics and Computer Science, Indian Institute of Technology Goa(印度理工学院果阿分校数学与计算机科学学院)
本文探讨图神经网络在供应链优化中的潜力,创建大型公共训练数据集,探索适用于节点和网络级预测的GNN架构并分析其与模拟的精度-计算权衡,还概述了基于梯度的拓扑优化等关键研究方向。
2026-11-11 cs.LG
Credit Risk Analysis for SMEs Using Graph Neural Networks in Supply Chain
本文提出基于图神经网络的中小企业信用风险分析框架,利用交易与社交数据刻画供应链空间依赖,在真实数据集上取得优于传统方法的违约预测性能,并为监管压力测试提供支持。
2025-07-20 cs.LG
Resilience Inference for Supply Chains with Hypergraph Neural Network
本文提出基于超图神经网络的供应链韧性推断方法,通过超图拓扑和库存轨迹预测供应链韧性,有效解决传统方法在多实体依赖和动态方程方面的不足。
2025-12-04 cs.AI cs.LG
SupplyNetPy: An Open-Source Python Library for High-Fidelity Modeling and Simulation of Arbitrary Supply Chain and Inventory Networks
Indian Institute of Technology Goa(印度理工学院果阿分校);School of Mathematics and Computer Science(数学与计算机科学学院)
介绍开源Python库SupplyNetPy,用于任意供应链网络建模与离散事件仿真,支持多种策略和情况,组件可扩展。用户以图描述供应链,库处理仿真并提供报告,经详细验证能实现复杂模型编程生成与仿真等多种功能。
2026-11-11 cs.AI cs.LG
Learning General Inventory Management Policy for Large Supply Chain Network
The University of Tokyo(东京大学);Preferred Networks Inc.(Preferred Networks公司)
仓库的库存管理直接影响到制造商的利润。特别地,大型制造商生产非常多种类的产品,这些产品由相当多数量的零售商处理。在这种情况下,经典库存管理算法的计算复杂性是非常大的。近年来,以学习为基础的方法已经成为解决这些问题的流行。然而,以前的研究还没有管理系统的产品和零售商的数量都很大。本研究提出一种基于强化学习的仓库库存管理算法,可用于产品和零售商数量都很大的供应链系统。为了解决处理大型系统的计算问题,我们提供了一种在训练阶段对系统进行近似模拟的方法。我们在真实和人工数据上的实验表明,我们的算法与近似模拟可以成功地处理大型供应链网络。
2022-04-28 cs.AI cs.LG
Semi-decentralized Inference in Heterogeneous Graph Neural Networks for Traffic Demand Forecasting: An Edge-Computing Approach
New Jersey Institute of Technology(新泽西理工学院);Hamad Bin Khalifa University(哈马德·本·哈利法大学);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文提出一种基于多个cloudlets的半去中心化异构GNN-LSTM方法,用于出租车交通需求预测,有效缓解了去中心化GNN的通信开销并提升了可扩展性,使整体推理时间相比集中式和去中心化方案降低约一个数量级。
2023-04-06 cs.AI cs.LG
Discovering Supply Chain Links with Augmented Intelligence
Bloomberg(彭博);Two Sigma
分析公司风险的关键组成部分之一是了解公司的供应链。供应链不断中断,无论是关税,流行病,恶劣天气等,在本文中,我们解决了预测以前未知的供应商和客户的公司使用图神经网络(GNN)的问题,并通过结合我们的模型和供应链分析师的领域专业知识的预测,在寻找以前未知的连接显示出强大的性能。
2021-11-02 cs.LG
A Graph Neural Network--Guided Genetic Algorithm for Physical Internet Supply Chain Optimization under Cost Uncertainty
Louisiana State University(路易斯安那州立大学)
针对成本不确定的物理互联网三级供应链优化问题,构建确定性与最小最大遗憾模型,提出GNN-GA算法,实验显示其在多实例上优于标准GA,学习到的初始化是主要改进来源。
2026-08-12 cs.LG cs.NE
Generative Probabilistic Planning for Optimizing Supply Chain Networks
Noodle AI
针对传统供应链规划方法易局部最优、可扩展性差的问题,提出结合注意力GNN、离线深度强化学习与策略仿真的生成式概率规划GPP,可实现全局优化的动态供应规划,经企业数据验证能显著提升性能与盈利。
2024-04-11 cs.AI cs.LG
FLEE-GNN: A Federated Learning System for Edge-Enhanced Graph Neural Network in Analyzing Geospatial Resilience of Multicommodity Food Flows
Carnegie Mellon University(卡内基梅隆大学);University of Wisconsin, Madison(威斯康星大学麦迪逊分校);Ohio State University(俄亥俄州立大学);University of California, Davis(加州大学戴维斯分校)
本文提出FLEE-GNN联邦学习系统,结合边增强图神经网络与去中心化联邦学习,解决了多商品粮食流动网络地理空间韧性分析中泛化性、可扩展性与隐私局限,为利用AI保障全球粮食安全提供新方法。
2023-10-20 cs.AI cs.CY cs.LG
Learning production functions for supply chains with graph neural networks
Stanford University(斯坦福大学);Hitachi America, Ltd.(日立美国有限公司);Tulane University(杜兰大学)
针对供应链中隐藏的生产函数推断问题,提出结合时间图神经网络与库存模块的新模型,通过注意力权重和特殊损失函数学习生产函数,在真实数据及模拟器数据上较最强基线提升6%-62%。
2025-02-24 cs.CY cs.LG cs.SI
Adaptive Inventory Strategies using Deep Reinforcement Learning for Dynamic Agri-Food Supply Chains
ABV-Indian Institute of Information Technology and Management(ABV-印度信息技术与管理学院)
本文针对农食供应链中需求与提前期不确定性下的库存管理问题,提出一种结合价值与策略方法的深度强化学习算法,通过连续动作空间优化订货量以协调多方利益并最大化利润。
2025-07-22 cs.AI
Stochastic Optimization of Inventory at Large-scale Supply Chains
C3 AI(C3 AI公司)
针对全球供应链面临的不确定性挑战及现有MRP解决方案的不足,提出约束随机优化的仿真优化框架,通过寻找最优再订货参数降低10-35%库存水平,为企业带来数亿美元经济效益。
2025-02-16 cs.AI cs.LG math.OC
gym-invmgmt: An Open Benchmarking Framework for Inventory Management Methods
Department of Computer Science(计算机科学系)
本文提出gym-invmgmt框架,通过统一的环境合同评估不同库存策略,揭示了场景条件、信息访问、需求变化和策略表示对性能的联合影响。
2026-05-12 cs.CE cs.LG
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
GNN4IP: Graph Neural Network for Hardware Intellectual Property Piracy Detection
University of California, Irvine(加州大学欧文分校)
严格的上市时间限制以及巨大的硬件设计和制造成本已经将半导体行业推向硬件知识产权(IP)核心设计。然而,集成电路(IC)供应链的全球化使IP提供商面临IP被盗和非法再分配的风险。提出了水印和指纹技术来检测IP盗版。然而,他们来与额外的硬件开销,并不能保证IP安全的先进的攻击报告,以消除水印,伪造,或绕过it.In这项工作中,我们提出了一种新的方法,GNN4IP,电路之间的相似性进行评估,并检测IP盗版。我们将硬件设计建模为图,并构建一个图神经网络模型,使用我们收集的寄存器传输级代码“与”门级网表的综合数据集来学习其行为。GNN4IP在我们的数据集中以96%的准确率检测IP盗版,并以100%的准确率识别混淆版本的原始IP。
2021-07-19 cs.CR cs.LG
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
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
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
Classical and Deep Reinforcement Learning Inventory Control Policies for Pharmaceutical Supply Chains with Perishability and Non-Stationarity
University of Milano-Bicocca(米兰-比可卡大学);ESSCA School of Management(ESSCA管理学院);Eindhoven University of Technology(埃因霍温理工大学)
本研究针对药品供应链的易腐性、非平稳需求等挑战,比较了OUT、PIL和深度强化学习(PPO)三种库存策略,发现经典与DRL策略各有优劣,需整合多种策略以有效管理。
2025-01-18 cs.AI cs.LG math.OC
A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Models
Imperial College London(帝国理工学院);Ruhr University Bochum(鲁尔大学波鸿分校);Queen Mary University of London(伦敦玛丽女王大学);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文审查了时空预测领域的基准数据集与基线,发现空间无关线性模型表现优于预期,揭示了一阶差分数据集的结构偏差,建议减少对这类数据集的依赖并提出了应用分析结果开发GNN模型的新途径。
2026-10-07 cs.LG stat.ML
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
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
Travel Time Prediction in Supply Chain Management Using Machine Learning
Swiss School of Business and Management, Geneva(瑞士商学院日内瓦校区)
本研究利用机器学习和深度学习方法,基于大量历史数据构建模型,以准确预测供应链系统中运输和物流的运输时间,从而提高物流一致性和绩效。
2026-10-01 cs.AI cs.LG
Deep Reinforcement Learning for Inventory Networks: Toward Reliable Policy Optimization
Graduate School of Business, Columbia University(哥伦比亚大学商学院);Columbia University(哥伦比亚大学)
本文提出HDPO算法和图神经网络架构,用于库存网络中的深度强化学习,通过离线反事实梯度优化和拓扑对齐,实现接近最优策略并减少数据需求,同时开源基准环境以促进可重复性。
2025-09-10 cs.AI cs.LG
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
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
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
Quantum Computing Methods for Supply Chain Management
University of California, Berkeley(加州大学伯克利分校);University of Hong Kong(香港大学);The University of Chicago(芝加哥大学);qBraid Co.(qBraid公司)
预计量子计算将对许多领域产生变革性影响,但其在工业问题上的实际部署尚未得到充分探索。我们专注于将量子计算应用于工业运营管理问题,特别是供应链管理。供应链管理中的许多问题涉及大型状态和动作空间,并对经典计算机提出了计算挑战。提出了一种量化策略迭代算法,并对库存控制问题进行了求解,验证了算法的有效性。我们还深入讨论了在短期内实现这种量子算法的硬件要求和潜在挑战。我们的模拟和实验由\texttt{IBM Qiskit}和\texttt{qBraid}系统提供动力。
2022-12-01 cs.AI cs.LG math.OC
SCOPE: Supply-Chain Operations through Coupled Policies for End-to-End Coordination
Dingdong(叮咚)
SCOPE是将供应链实体建模为token的复合策略模型,在生鲜零售补货数据上验证了其比分阶段优化及传统基线更优的端到端供应链决策效果。
2026-07-31 cs.AI cs.LG
Censoring-Aware In-Context Learning for Generalized Supplier Lead Time Estimation in Supply Chain Planning
Queen’s University(女王大学);Kinaxis Inc.(Kinaxis公司)
研究供应链规划中供应商提前期预测问题,提出审查感知上下文学习模型LeadTime-ICL,结合Transformer与条件归一化流头,经预训练可适应新数据集,在多数据集上评估表现优异,为工业规划提供准确低成本预测。
2026-07-22 cs.AI cs.LG
Reinforcement Learning for Autonomous Warehouse Orchestration in SAP Logistics Execution: Redefining Supply Chain Agility
Applied Materials(应用材料公司)
本文提出基于强化学习的 SAP LE 自主仓库任务编排框架,通过动态环境建模实时优化任务分配、库存移动与拣选,并在 30 万条交易数据上验证其效率提升。
2025-06-06 cs.AI
Integrating Large Language Models with Network Optimization for Interactive and Explainable Supply Chain Planning: A Real-World Case Study
本文提出融合网络优化与LLM的供应链规划框架,利用AI智能体、API和动态界面生成可解释的角色化决策支持,并通过案例验证其降本、防缺货与保服务水平的效果。
2025-08-29 cs.AI
Strategic Evaluation in Optimizing the Internal Supply Chain Using TOPSIS: Evidence In A Coil Winding Machine Manufacturer
QuEsT Global(奎斯特全球);Manipal Academy of Higher Education(马尼帕尔高等教育学院);Manipal University Jaipur(斋浦尔马尼帕尔大学)
大多数制造企业的目标是通过增值来优化其供应链,提高其产品的盈利能力。本研究以批判性的眼光来看待影响内部供应链绩效的因素,具体标准。据此,对这些因素进行排序,得到制造业供应链绩效的关键维度。半结构化面试,预先定义一组问题,用于收集公司决策者的回答。多准则决策工具TOPSIS被用来评估响应和排序的因素。结果表明,供应商关系和库存规划是对产品按时交付、生产灵活性、成本节约、额外成本产生积极影响的最主要因素。该研究有助于通过客观和主观评价方法识别和优化工艺参数。在这项工作中提取的综合影响的思想过程中的管理者,以优化内部供应链。
2020-07-08 cs.AI stat.OT
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
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
Skill-Constrained Model Predictive Control for Resilient Manufacturing Supply Chains
Quanta Labs, LLC;Universidad Monteávila(蒙特阿维拉大学)
针对技能约束的生产库存系统,提出一种闭环模型预测控制器,通过混合整数规划优化生产、库存、缺货和培训决策,并评估其在多种扰动下的表现,发现预测控制仅在技能瓶颈可提前预测时有效。
2026-06-17 cs.AI cs.SY eess.SY
Reinforcement Learning for Multi-Objective Multi-Echelon Supply Chain Optimisation
The University of Manchester(曼彻斯特大学);Peak AI, Ltd(Peak AI公司)
本文提出基于马尔可夫决策过程和多目标强化学习的非平稳多级供应链优化模型,通过共享经验缓冲区提升策略迁移,在复杂网络中显著优于MOEA与单目标RL基线。
2025-07-26 cs.AI
Online Allocation with Unknown Shared Supply
Harvard University(哈佛大学)
本文提出OSSA问题,研究在未知供应下在线分配资源的方法,提出GPA策略并证明其在4/3倍近似最优,同时展示学习增强扩展在稀缺供应下的优越性。
2026-05-08 cs.AI cs.DS
OptiRepair: Closed-Loop Diagnosis and Repair of Supply Chain Optimization Models with LLM Agents
Massachusetts Institute of Technology(麻省理工学院);Alibaba Group(阿里巴巴集团)
OptiRepair通过训练LLM代理实现供应链优化模型的闭环诊断与修复,显著提升修复效率和合理性,解决求解器交互和运营合理性两大难题。
2026-02-24 cs.AI cs.LG math.OC
Reliable LLM-Powered Decision Engines for Large-Scale Supply Chain Operations: Architecture, Safety, and Performance Guarantees
针对大规模供应链的不确定性等挑战,提出结合LLM与优化等的LLM-DE架构,实现更智能、安全、可扩展的供应链决策,为下一代智能供应链提供基础。
2026-08-27 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
Flowr -- Scaling Up Retail Supply Chain Operations Through Agentic AI in Large Scale Supermarket Chains
Old Dominion University(老道明大学);Florida International University(佛罗里达国际大学);Nanyang Technological University(南洋理工大学);University of Colombo(科伦坡大学);Center for Wireless Communications, University of Oulu(奥卢大学无线通信中心);University of Sri Jayewardenepura(斯里贾亚瓦德纳普拉大学);Accenture Technology Labs(埃森哲技术实验室)
本文提出Flowr框架,通过代理AI自动化大规模超市连锁的端到端供应链流程,减少人工协调负担,提升供需匹配度和异常处理能力。
2026-04-07 cs.AI
A Hybrid Agentic AI Framework for Intelligent Supply Chain Analytics
Industrial AI Lab(工业人工智能实验室);Hitachi America(日立美国)
提出混合智能体AI框架,通过协调与专家智能体协作实现供应链分析,达到90%准确率并减少四倍输入令牌,兼顾探索与确定性流程。
2026-09-15 cs.AI cs.MA
The Stochastic Dynamic Post-Disaster Inventory Allocation Problem with Trucks and UAVs
University of Twente(特温特大学)
本文针对灾后供需不确定环境下卡车与无人机协同的稀缺物资动态分配问题,提出基于近似动态规划的DL-VFA和NN-VFA方法,通过纳入剥夺成本并利用无人机,显著降低成本与剥夺时间、提升分配效率。
2023-11-30 cs.AI math.OC