结构感知深度强化学习在库存管理中的应用
本文研究了深度强化学习（DRL）在经典库存管理问题中的应用，重点关注实际实施中的技术考量。采用基于DirectBackprop的DRL算法，应用于多种基础库存管理场景，包括：
- 含缺货损失的多周期系统（含/不含提前期）
- 易腐库存管理
- 双源采购
- 联合库存采购与清理
技术实现
- 数据驱动学习：仅使用历史数据进行跨产品策略学习，避免对需求分布或分布参数的不现实假设
- 性能验证：通用DRL实现相比传统基准方法和启发式算法表现优异，且需最小参数调优
- 结构分析：学习到的策略自然捕获了传统运筹学方法推导的最优策略结构特性
创新技术
提出结构感知策略网络技术，通过以下方式提升策略性能：
- 显式融入最优策略的解析特性
- 增强样本外表现的鲁棒性
- 提高策略可解释性（通过真实需求数据案例验证）
应用扩展
展示了DRL在非平稳环境下的应用实例，弥合了数据驱动学习与库存管理分析洞察之间的技术鸿沟，同时保持实际适用性。