可微投影学习可行库存策略研究进展

2026年10月28日，Patrick Helm 等作者提交论文，提出一种基于可微投影的硬约束库存策略学习方法。该方法将可微优化模块嵌入策略网络：神经网络提出连续动作目标，二次规划将其投影到松弛可行集，再用对偶信息整数映射恢复整数性并保持可行性。报道称，该方法在3项实例上平均最优性差距为1%，在10项网络中至少优于滚动时域多阶段随机规划5.6%，在40项实例上相较先进梯队基准库存策略节省达15.3%；在ASML非平稳需求的工业级案例中，相较最佳已知基准策略平均成本最多降低1.8%。目前事件进展限于该论文的提交与方法及实验结果的披露，尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。