Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo
Este trabajo se centra en mejorar las decisiones de las empresas de alimentos que compran productos agrícolas para satisfacer la demanda de los consumidores finales, un proceso conocido como la 'primera milla' de la cadena de suministro. Dado que estas decisiones se ven afectadas por facto...
- Autores:
-
Aguilar León, Camilo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/73187
- Acceso en línea:
- https://hdl.handle.net/1992/73187
- Palabra clave:
- Gestión de inventarios
Cadenas de suministros de alimentos
Aprendizaje por refuerzo
Modelos estocásticos
Toma de decisiones
Políticas de manejo de inventarios
Optimización
Proceso de decisión de Markov (MDP)
Q-Learning
Deep Q-Networks (DQN)
Ingeniería
- Rights
- openAccess
- License
- Attribution 4.0 International
| id |
UNIANDES2_126851c3f8c835963b2f9d38bca8429f |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/73187 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo |
| title |
Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo |
| spellingShingle |
Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo Gestión de inventarios Cadenas de suministros de alimentos Aprendizaje por refuerzo Modelos estocásticos Toma de decisiones Políticas de manejo de inventarios Optimización Proceso de decisión de Markov (MDP) Q-Learning Deep Q-Networks (DQN) Ingeniería |
| title_short |
Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo |
| title_full |
Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo |
| title_fullStr |
Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo |
| title_full_unstemmed |
Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo |
| title_sort |
Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo |
| dc.creator.fl_str_mv |
Aguilar León, Camilo |
| dc.contributor.advisor.none.fl_str_mv |
Cardozo Álvarez, Nicolás |
| dc.contributor.author.none.fl_str_mv |
Aguilar León, Camilo |
| dc.subject.keyword.spa.fl_str_mv |
Gestión de inventarios Cadenas de suministros de alimentos Aprendizaje por refuerzo Modelos estocásticos Toma de decisiones Políticas de manejo de inventarios Optimización Proceso de decisión de Markov (MDP) |
| topic |
Gestión de inventarios Cadenas de suministros de alimentos Aprendizaje por refuerzo Modelos estocásticos Toma de decisiones Políticas de manejo de inventarios Optimización Proceso de decisión de Markov (MDP) Q-Learning Deep Q-Networks (DQN) Ingeniería |
| dc.subject.keyword.eng.fl_str_mv |
Q-Learning Deep Q-Networks (DQN) |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
Este trabajo se centra en mejorar las decisiones de las empresas de alimentos que compran productos agrícolas para satisfacer la demanda de los consumidores finales, un proceso conocido como la 'primera milla' de la cadena de suministro. Dado que estas decisiones se ven afectadas por factores dinámicos como la demanda, los precios, y la disponibilidad de productos, es crucial una toma de decisiones óptima para maximizar las ventas y minimizar los costos relacionados con el transporte, la pérdida de inventario y otros gastos. En este contexto volátil, propongo una serie de modelos basados en aprendizaje por refuerzo, especialmente utilizando Q Learning, para captar la naturaleza estocástica de la cadena de suministros. Estos modelos están diseñados para ayudar a las empresas a tomar decisiones informadas y eficientes. Se exploran diferentes enfoques, variando la complejidad que integran variables clave como la demanda, los precios de compra, las cantidades disponibles, los costos de transporte y la gestión de inventarios en cada período. El objetivo es maximizar la recompensa a corto y largo plazo. La implementación de estos modelos requiere de estrategias creativas para adaptar la información disponible a los algoritmos de aprendizaje por refuerzo. Tras un entrenamiento adecuado, los modelos demuestran su capacidad para aprender patrones que maximizan la eficiencia operativa. La comparación con políticas de manejo de inventarios tradicionales muestra una mejora significativa, evidenciando la eficacia de estos modelos en la toma de decisiones estratégicas, considerando tanto el corto como el largo plazo. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-12-15T21:42:55Z |
| dc.date.available.none.fl_str_mv |
2023-12-15T21:42:55Z |
| dc.date.issued.none.fl_str_mv |
2023-12-15 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/73187 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/73187 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Aguilar, C. (2023). DQN for Supply Chain Management. Recuperado de https://github.com/CamiloAguilarL/dqn-supply-chain Baeldung. (2023). Epsilon-Greedy Q-learning. Baeldung on Computer Science. https://www.baeldung.com/cs/epsilon-greedy-q-learning Cozowicz, M. (2021). Reinforcement Learning in Supply Chain [LinkedIn article]. Recuperado de https://www.linkedin.com/pulse/reinforcement-learning-supply-chain-markus-cozowicz/ Cuellar-Usaquén, D., Ulmer, M. W., Gomez, C., & Álvarez-Martínez, D. (2023). Adaptive stochastic lookahead policies for dynamic multi-period purchasing and inventory routing. Working Paper Series. https://doi.org/10.24352/UB.OVGU-2023-097 Gutiérrez, A. (2021). Estudio de la cadena de suministro. Universidad de Lima. Recuperado de https://repositorio.ulima.edu.pe/bitstream/handle/20.500.12724/13303/Gutierrez_Estudiocadena-suministro.pdf?sequence=1 EU Food Information Council. (2021). Los beneficios y la sostenibilidad de las cadenas de suministro de alimentos cortas. Recuperado de https://www.eufic.org/es/produccion-dealimentos/articulo/Los-beneficios-y-la-sostenibilidad-de-las-cadenas-de-suministro-dealimentos-cortas Hasselt, H. (2010) Double Q-Learning. Advances in Neural Information Processing Systems, The MIT Press, vol 23. Helsdingen, F. (2022). (Deep) Q-learning for Two-Echelon Inventory Optimization. Tilburg University. Recuperado de: https://arno.uvt.nl/show.cgi?fid=159101 Hubbs, C., Heitz, G., & Dilkina, B. (2019). Or-gym: A Reinforcement Learning Environment for Operations Research Problems. Recuperado de http://egon.cheme.cmu.edu/Papers/Hubbs_or_gym_9_11.pdf Hugging Face. (n.d.). Offline vs Online Learning. Recuperado de https://huggingface.co/learn/deeprl-course/en/unitbonus3/offline-online Hutse, V. (2019). Reinforcement Learning for Inventory Optimisation in Multiechelon Supply Chains. University of Gante. Recuperado de: https://libstore.ugent.be/fulltxt/RUG01/002/790/831/RUG01002790831_2019_0001_AC.pdf IBM. (2021). Optimización de la cadena de suministro. Recuperado de https://www.ibm.com/mxes/topics/supply-chain-optimization Kaizen Institute. (2021). Importancia de la optimización de la cadena de suministro. Recuperado de https://kaizen.com/es/insights-es/importancia-optimizacion-cadena-suministro/ Lapan, Maxim. Deep Reinforcement Learning Hands-On: Apply Modern RL Methods to Practical Problems of Chatbots, Robotics, Discrete Optimization, Web Automation, and More, 2nd Edition. 2nd ed. Birmingham: Packt Publishing, 2020. Print. Rodríguez, J. (2005). Modelo de gestión de inventarios multiproducto sujeto a una restricción de disponibilidad de contenedores. Universidad de los Andes. Recuperado de: https://repositorio.uniandes.edu.co/server/api/core/bitstreams/cd4ea271-aac3-4aca-aa5c0fa131138e87/content Siyu, Wang & Rong, Yi & Fan, Shiqing & Zheng, Zhen & Diao, Lansong & Long, Guoping & Yang, Jun & Liu, Xiaoyong & Lin, Wei. (2020). Auto-MAP: A DQN Framework for Exploring Distributed Execution Plans for DNN Workloads. Sutton, R. & Barto, A. (2020). Reinforcement Learning. The MIT Press, Cambridge, Massachusetts. Recuperado de: RLbook2020.pdf (incompleteideas.net) |
| dc.rights.en.fl_str_mv |
Attribution 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
36 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Sistemas y Computación |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/bc924b6c-ecf4-4232-b779-31988c059f3e/download https://repositorio.uniandes.edu.co/bitstreams/a75dc07b-2160-440a-84d2-1019a343a88a/download https://repositorio.uniandes.edu.co/bitstreams/788a99b1-d636-4d0c-b5f7-2c8c3c8411ed/download https://repositorio.uniandes.edu.co/bitstreams/c5fd7ad6-9d46-4d8d-a798-1fa9c9beb849/download https://repositorio.uniandes.edu.co/bitstreams/0a2d8d20-620c-4957-af2b-2c7dffb30e4a/download https://repositorio.uniandes.edu.co/bitstreams/2c0c62f1-9ca7-414b-bea1-a61b9ee59c4a/download https://repositorio.uniandes.edu.co/bitstreams/f530ab87-79ec-45f8-82e0-9d70737cd3cc/download https://repositorio.uniandes.edu.co/bitstreams/17da4d1a-6686-405b-b4c0-aba5e1dbc0b0/download |
| bitstream.checksum.fl_str_mv |
c589b55ad161e3dae2adf11ac34c5c6d 5a77fe18991798cd4631f173011f82b0 0175ea4a2d4caec4bbcc37e300941108 ae9e573a68e7f92501b6913cc846c39f 2d7b2663298087e4e7406210c598a3ca ef71f3f8aa3834df55a3997c2aecb8d0 1d4e57808f45f1b1e003183558a69dcf 9971ef22ccbc0afec601e1fc4d37ae6d |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812133872960274432 |
| spelling |
Cardozo Álvarez, NicolásAguilar León, Camilo2023-12-15T21:42:55Z2023-12-15T21:42:55Z2023-12-15https://hdl.handle.net/1992/73187instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este trabajo se centra en mejorar las decisiones de las empresas de alimentos que compran productos agrícolas para satisfacer la demanda de los consumidores finales, un proceso conocido como la 'primera milla' de la cadena de suministro. Dado que estas decisiones se ven afectadas por factores dinámicos como la demanda, los precios, y la disponibilidad de productos, es crucial una toma de decisiones óptima para maximizar las ventas y minimizar los costos relacionados con el transporte, la pérdida de inventario y otros gastos. En este contexto volátil, propongo una serie de modelos basados en aprendizaje por refuerzo, especialmente utilizando Q Learning, para captar la naturaleza estocástica de la cadena de suministros. Estos modelos están diseñados para ayudar a las empresas a tomar decisiones informadas y eficientes. Se exploran diferentes enfoques, variando la complejidad que integran variables clave como la demanda, los precios de compra, las cantidades disponibles, los costos de transporte y la gestión de inventarios en cada período. El objetivo es maximizar la recompensa a corto y largo plazo. La implementación de estos modelos requiere de estrategias creativas para adaptar la información disponible a los algoritmos de aprendizaje por refuerzo. Tras un entrenamiento adecuado, los modelos demuestran su capacidad para aprender patrones que maximizan la eficiencia operativa. La comparación con políticas de manejo de inventarios tradicionales muestra una mejora significativa, evidenciando la eficacia de estos modelos en la toma de decisiones estratégicas, considerando tanto el corto como el largo plazo.Ingeniero de Sistemas y ComputaciónPregrado36 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería Sistemas y ComputaciónAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Optimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzoTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPGestión de inventariosCadenas de suministros de alimentosAprendizaje por refuerzoModelos estocásticosToma de decisionesPolíticas de manejo de inventariosOptimizaciónProceso de decisión de Markov (MDP)Q-LearningDeep Q-Networks (DQN)IngenieríaAguilar, C. (2023). DQN for Supply Chain Management. Recuperado de https://github.com/CamiloAguilarL/dqn-supply-chainBaeldung. (2023). Epsilon-Greedy Q-learning. Baeldung on Computer Science. https://www.baeldung.com/cs/epsilon-greedy-q-learningCozowicz, M. (2021). Reinforcement Learning in Supply Chain [LinkedIn article]. Recuperado de https://www.linkedin.com/pulse/reinforcement-learning-supply-chain-markus-cozowicz/Cuellar-Usaquén, D., Ulmer, M. W., Gomez, C., & Álvarez-Martínez, D. (2023). Adaptive stochastic lookahead policies for dynamic multi-period purchasing and inventory routing. Working PaperSeries. https://doi.org/10.24352/UB.OVGU-2023-097Gutiérrez, A. (2021). Estudio de la cadena de suministro. Universidad de Lima. Recuperado de https://repositorio.ulima.edu.pe/bitstream/handle/20.500.12724/13303/Gutierrez_Estudiocadena-suministro.pdf?sequence=1EU Food Information Council. (2021). Los beneficios y la sostenibilidad de las cadenas de suministro de alimentos cortas. Recuperado de https://www.eufic.org/es/produccion-dealimentos/articulo/Los-beneficios-y-la-sostenibilidad-de-las-cadenas-de-suministro-dealimentos-cortasHasselt, H. (2010) Double Q-Learning. Advances in Neural Information Processing Systems, The MIT Press, vol 23.Helsdingen, F. (2022). (Deep) Q-learning for Two-Echelon Inventory Optimization. Tilburg University. Recuperado de: https://arno.uvt.nl/show.cgi?fid=159101Hubbs, C., Heitz, G., & Dilkina, B. (2019). Or-gym: A Reinforcement Learning Environment for Operations Research Problems. Recuperado de http://egon.cheme.cmu.edu/Papers/Hubbs_or_gym_9_11.pdfHugging Face. (n.d.). Offline vs Online Learning. Recuperado de https://huggingface.co/learn/deeprl-course/en/unitbonus3/offline-onlineHutse, V. (2019). Reinforcement Learning for Inventory Optimisation in Multiechelon Supply Chains. University of Gante. Recuperado de: https://libstore.ugent.be/fulltxt/RUG01/002/790/831/RUG01002790831_2019_0001_AC.pdfIBM. (2021). Optimización de la cadena de suministro. Recuperado de https://www.ibm.com/mxes/topics/supply-chain-optimizationKaizen Institute. (2021). Importancia de la optimización de la cadena de suministro. Recuperado de https://kaizen.com/es/insights-es/importancia-optimizacion-cadena-suministro/Lapan, Maxim. Deep Reinforcement Learning Hands-On: Apply Modern RL Methods to PracticalProblems of Chatbots, Robotics, Discrete Optimization, Web Automation, and More, 2nd Edition. 2nd ed. Birmingham: Packt Publishing, 2020. Print.Rodríguez, J. (2005). Modelo de gestión de inventarios multiproducto sujeto a una restricción de disponibilidad de contenedores. Universidad de los Andes. Recuperado de: https://repositorio.uniandes.edu.co/server/api/core/bitstreams/cd4ea271-aac3-4aca-aa5c0fa131138e87/contentSiyu, Wang & Rong, Yi & Fan, Shiqing & Zheng, Zhen & Diao, Lansong & Long, Guoping & Yang, Jun & Liu, Xiaoyong & Lin, Wei. (2020). Auto-MAP: A DQN Framework for Exploring Distributed Execution Plans for DNN Workloads.Sutton, R. & Barto, A. (2020). Reinforcement Learning. The MIT Press, Cambridge, Massachusetts. Recuperado de: RLbook2020.pdf (incompleteideas.net)201820551PublicationORIGINALOptimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo.pdfOptimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo.pdfapplication/pdf924945https://repositorio.uniandes.edu.co/bitstreams/bc924b6c-ecf4-4232-b779-31988c059f3e/downloadc589b55ad161e3dae2adf11ac34c5c6dMD51Formato Autorización Tesis.pdfFormato Autorización Tesis.pdfHIDEapplication/pdf265008https://repositorio.uniandes.edu.co/bitstreams/a75dc07b-2160-440a-84d2-1019a343a88a/download5a77fe18991798cd4631f173011f82b0MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/788a99b1-d636-4d0c-b5f7-2c8c3c8411ed/download0175ea4a2d4caec4bbcc37e300941108MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/c5fd7ad6-9d46-4d8d-a798-1fa9c9beb849/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTOptimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo.pdf.txtOptimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo.pdf.txtExtracted texttext/plain97893https://repositorio.uniandes.edu.co/bitstreams/0a2d8d20-620c-4957-af2b-2c7dffb30e4a/download2d7b2663298087e4e7406210c598a3caMD55Formato Autorización Tesis.pdf.txtFormato Autorización Tesis.pdf.txtExtracted texttext/plain2083https://repositorio.uniandes.edu.co/bitstreams/2c0c62f1-9ca7-414b-bea1-a61b9ee59c4a/downloadef71f3f8aa3834df55a3997c2aecb8d0MD57THUMBNAILOptimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo.pdf.jpgOptimización de la gestión de inventarios en cadenas de suministros de alimentos mediante aprendizaje por refuerzo.pdf.jpgGenerated Thumbnailimage/jpeg10133https://repositorio.uniandes.edu.co/bitstreams/f530ab87-79ec-45f8-82e0-9d70737cd3cc/download1d4e57808f45f1b1e003183558a69dcfMD56Formato Autorización Tesis.pdf.jpgFormato Autorización Tesis.pdf.jpgGenerated Thumbnailimage/jpeg10964https://repositorio.uniandes.edu.co/bitstreams/17da4d1a-6686-405b-b4c0-aba5e1dbc0b0/download9971ef22ccbc0afec601e1fc4d37ae6dMD581992/73187oai:repositorio.uniandes.edu.co:1992/731872023-12-16 03:02:11.434http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |