در این مقاله، مسئله مناقصه در یک شرکت خودروسازی برای تدارک قطعات مورد نیاز از تأمین‌کنندگان بالقوه از طریق الگوریتم یادگیری Q حل شده‌است. در این مسئله، خریدار با توجه به پیشنهادات دریافتی از تأمین‌کنندگان بالقوه که شامل قیمت و زمان تحویل پیشنهادی است، سفارش قطعات مورد نیاز خود را به تأمین‌کنندگان تخصیص می‌دهد. هدف خریدار کمینه‌سازی هزینه‌های تدارکات از طریق یادگیری از مناقصات پیشین است. این مسئله به صورت یک مسئله تصمیم‌گیری مارکوفی تعریف شده است که در آن هر عمل وابسته به عمل و وضعیت قبلی است. برای حل این مسئله یک الگوریتم یادگیری تقویتی به نام الگوریتم یادگیری Q توسعه داده شده است که در آن از الگوریتم بهینهسازی ازدحام ذرات به عنوان راهکاری برای یافتن و انتخاب سیاست بهینه برای انتخاب عمل در الگوریتم یادگیری Q استفاده شده‌است. در مقایسه این الگوریتم با حالتی که در آن سیاست انتخاب عمل مطابق با یک الگوریتم حریصانه است، این الگوریتم بسیار کارآمدتر است.
Chopra, Sunil, and Peter Meindl. , “Supply chain management”. Strategy, planning & operation. Gabler, 2007.##[2] Bichler,M. and Kalagnanam,J., “A nonoparametric estimator for setting: reserve prices in procurement auctions”. ACM Conference on Electronic Commerce 2003: 254-255, 2003.##[3] Chen, S.L. and M.M. Tseng., “A Negotiation-Credit-Auction Mechanism for Procuring Customized Products”. International Journal of Production Economics, 127(1): 203-210, 2010.##[4] Padgham, Lin, and Michael Winikoff., “Developing intelligent agent systems: A practical guide”. Vol. 13. Wiley, 2005.##[5] Beam, C., and Segev, A., “Automated negotiations: A survey of the state of the art”. Wirtschaftsinformatik 39(3), 263-268, 1997.##[6] Sutton, R.S., editor., “Reinforcement Learnng”. Kluwer Academic Press, Boston, MA, 1992.##[7] Chaharsooghi, S. K., J. Heydari, et al., “A reinforcement learning model for supply chain ordering management: An application to the beer game”. Decision Support Systems 45(4): 949-959, 2008.##[8] Li, X., Wang, J., & Sawhney, R., “Reinforcement learning for joint pricing, lead-time and scheduling decisions in make-to-order systems”. European Journal of Operational Research, 221(1), 99-109, 2012.##[9] Iima, H., Kuroe, Y., “Swarm Reinforcement Learning Algorithm Based on Particle Swarm Optimization Whose PersonalBests Have Lifespans”. Neural Information Processing, Springer Berlin Heidelberg. 5864: 169-178, 2009.##[10] Giannoccaro, I. and P. Pontrandolfo., “Inventory management in supply chains: a reinforcement learning approach”. International Journal of Production Economics 78(2): 153-161, 2002.##[11] Tang, H., Xu, L., Sun, J., Chen, Y., & Zhou, L., “Modeling and optimization control of a demand-driven, conveyor-serviced production station”. European Journal of Operational Research, 243(3), 839-851, 2015.##[12] Fu, J., & Fu, Y., “An adaptive multi-agent system for cost collaborative management in supply chains”. Engineering Applications of Artificial Intelligence, 44, 91-100, 2015.##[13] Mortazavi, A., Khamseh, A. A., & Azimi, P., “Designing of an intelligent self-adaptive model for supply chain ordering management system”. Engineering Applications of Artificial Intelligence, 37, 207-220, 2015.##[14] Russell,S and Peter Norvig., “Artficial Intelligence: A Modern Approach”. Prentice-Hall, Saddle River, NJ, 1995.##[15] Sutton, R.S., Barto, A.G., “Reinforcement Learning”. MIT Press, Cambridge,1998.##[16] Watkins, C. J. C. H., “Learning from delayed rewards” (Doctoral dissertation, University of Cambridge), 1989.##[17] Tsitsiklis, J. N., “Asynchronous stochastic approximation and Q-learning”. Machine Learning, 16(3), 185-202, 1994.##[18] Kennedy, J., Eberhart, R.C., “Swarm Intelligence”. Morgan Kaufmann Publishers, San Francisco, 2001.##[19] Talbi,E., “Metaheuristics: From Design to Implementation”. ISBN: 978-0-470-27858-1, 2009.##[20] Abdulhai, B., Pringle, R. and Karakoulas, G.J., “Reinforcement learning for ITS: Introduction and a case study on adaptive traffic signal control”. Transportation Research Board 80th Annual Meeting, Washington, D.C, 2001.##
کاهه, زهره, & برادران کاظم زاده, رضا. (1395). طراحی سازوکار تدارکات براساس یادگیری Q و با سیاست انتخاب عمل مبتنی بر الگوریتم ازدحام ذرات. مدیریت زنجیره تأمین, 18(51), 40-48.
MLA
زهره کاهه; رضا برادران کاظم زاده. "طراحی سازوکار تدارکات براساس یادگیری Q و با سیاست انتخاب عمل مبتنی بر الگوریتم ازدحام ذرات". مدیریت زنجیره تأمین, 18, 51, 1395, 40-48.
HARVARD
کاهه, زهره, برادران کاظم زاده, رضا. (1395). 'طراحی سازوکار تدارکات براساس یادگیری Q و با سیاست انتخاب عمل مبتنی بر الگوریتم ازدحام ذرات', مدیریت زنجیره تأمین, 18(51), pp. 40-48.
VANCOUVER
کاهه, زهره, برادران کاظم زاده, رضا. طراحی سازوکار تدارکات براساس یادگیری Q و با سیاست انتخاب عمل مبتنی بر الگوریتم ازدحام ذرات. مدیریت زنجیره تأمین, 1395; 18(51): 40-48.
)