Краткое содержание

arXiv:2511.06479v1 Тип объявления: кросс Аннотация: Нарушения цепочек поставок и нестабильный спрос представляют собой значительные вызовы для автомобильной промышленности Великобритании, которая сильно зависит от производства типа «точно-в-срок» (Just-In-Time, JIT). Хотя качественные исследования подчеркивают потенциал интеграции Искусственного Интеллекта (ИИ) с традиционными методами оптимизации, формальное количественное доказательство синергии между ними отсутствует. В данной статье предлагается новый стохастический подход, объединяющий обучение и оптимизацию, который интегрирует байесовский вывод с оптимизацией запасов для управления цепочками поставок (Supply Chain Management, SCM). Мы моделируем двухэшелонную систему складских запасов, подверженную случайному спросу и нарушениям поставок, сравнивая традиционный статичный подход к оптимизации с адаптивной стратегией, где непрерывное обновление оценок параметров посредством байесовского обучения используется для информирования стохастической оптимизации. Наши симуляции, проведённые на протяжении 365 периодов в трёх различных операционных сценариях, показывают, что интегрированный подход обеспечивает снижение затрат на 7,4% в стабильной среде...