Modelado y simulación basada en agentes de la gestión de un inventario de productos perecederos usando aprendizaje por refuerzo profundo basado en modelos calibrados

Abstract

Vivimos en un mundo en el que cerca de un 10 % de la población global sufre desnutrición mientras, al mismo tiempo, el 17 % de los alimentos producidos acaban en la basura. La catástrofe ecológica, social y médica que produce este desperdicio es devastadora, y por ello, desde este trabajo queremos aportar nuestro granito de arena para contribuir a paliar esta situación. Parte de esa comida se desperdicia directamente en los supermercados, sin que acabe llegando al consumidor final, provocado por una gestión de inventario ineficiente. Este trabajo ha desarrollado un gestor de inventario de productos perecederos que sea capaz de encargar los pedidos para el día siguiente reduciendo lo máximo posible tanto la comida desperdiciada como las roturas de stock. Para ello se ha modelado un sistema basado en agentes apoyado por sistemas de aprendizaje por refuerzo profundo basado en modelos. Para minimizar el error de este sistema, se han calibrado las incertidumbres de la red neuronal bayesiana que utiliza, usando la técnica de calibración cuantil para regresión.