Inventory planning of perishable items using reinforcement learning
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: AHMET SUALP SAY
Danışman: TANER BİLGİÇ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Çeşitli sektörlerde, özellikle market, ilaç, tarım ve kimya gibi endüstrilerde, çabuk bozulan ürünlerin envanterinin etkili bir şekilde yönetilmesi hayati öneme sahiptir. Bu ürünlerin sınırlı raf ömrü ve değişken talebi, maliyetlerin düşürülmesini zorlaştırmaktadır. Bu çalışmada, bu karmaşık sorunu ele almak için özellikle Q-öğrenme ve SARSA gibi pekiştirmeli öğrenme yöntemlerinin potansiyeli incelenmiştir. Araştırma, geriye dönük dinamik programlama ile temel bir çabuk bozulan envanter modeli üzerinde başlatılmıştır. Bu model, belirli bir talep altında 10 dönem ve 3 yaş sınıfını kapsamaktadır. Daha sonra, bu çerçeve hem durağan hem de durağan olmayan ve öngörülemeyen talep modellerini ele alacak şekilde genişletilmiş ve her biri için en uygun değer fonksiyonları oluşturulmuştur. Problemin durum uzayı büyüdükçe geleneksel yaklaşımların artan karmaşıklıkla başa çıkma konusunda zorlandığı gözlemlenmiş ve bu nedenle pekiştirmeli öğrenmeye başvurulmuştur. Çalışmada, geçiş olasılıkları önceden tanımlandığında Q-değer yaklaşımına da giriş yapılmış ve sonuçları geleneksel dinamik programlama ile karşılaştırılmıştır. Ayrıca Q-öğrenme ve SARSA'nın ne kadar optimal değerlere yaklaştığı değerlendirilmiştir. Sorunun karmaşıklığı arttıkça, özellikle İleri Talep Bilgisi gibi gelişmiş talep senaryoları ve üçten fazla yaş sınıfı ile, geleneksel yöntemlerin yetersiz kaldığı görülmüştür. Buna karşın, pekiştirmeli öğrenme, özellikle karmaşık envanter problemlerine sonuç üreterek etkili olmuştur. Bulgular, pekiştirmeli öğrenme yöntemlerinin, basit senaryolarda dinamik programlama ile elde edilen yaklaşık en iyi sonuçları tahmin edebileceğini göstermektedir. Daha da önemlisi, sorunun karmaşıklığı arttıkça, pekiştirmeli öğrenmenin çözüm sunmaya devam ettiğini gözlemlenmiştir. Bu, önerilen yöntemlerin daha karmaşık envanter problemlerini çözmedeki potansiyelini göstermektedir.