GPT-Augmented Bayesian Reinforcement Learning Framework for Multiobjective Supplier Selection

doi:10.1109/TEM.2025.3603183

GPT-Augmented Bayesian Reinforcement Learning Framework for Multiobjective Supplier Selection

2025-01-01

0

PRE

AI

DOI：10.1109/TEM.2025.3603183

原文链接

原文求助

摘要

En 中文

在当今动荡的地缘政治环境和日益强调可持续性的背景下，有效的供应商选择必须同时处理成本、交付风险以及环境、社会和治理（ESG）因素。本文提出了一种GPT增强的贝叶斯强化学习（i-SUP）框架，该框架整合了1）GPT从非结构化文本（新闻、社交媒体）中提取实时风险信号，2）贝叶斯最优-最劣方法以捕捉专家不确定性并生成稳健的多准则权重，3）贝叶斯信念网络（BBNs）用于持续更新的中断概率，4）强化学习（RL）用于动态的月度或周度订单分配，以及5）NSGA-II用于长期多目标合同规划。通过结合语义风险检测、贝叶斯更新和基于RL的自适应决策，i-SUP（智能供应商选择系统）能够动态适应突发风险（如关税、劳资动荡），同时兼顾ESG要求和成本效率。在半导体行业的实证验证——该行业具有高度的地缘政治敏感性和严格的ESG要求——表明，与静态或仅考虑成本的方法相比，i-SUP显著降低了中断和ESG事件的发生率。此外，消融分析证实，移除任何单一模块（GPT、BBN、RL或NSGA-II）都会损害性能，证明了完全集成化流程的必要性。研究结果强调了i-SUP在增强供应商韧性和可持续性方面的能力，特别是在面临不断变化的文本风险信号和多维目标的全球化供应链网络中。

Keyword:

Bayesian belief network (BBN)

Bayesian best–worst method (BWM)

ESG sustainability

GPT

large language models (LLMs)

multiobjective optimization

NSGA-II

reinforcement learning (RL)

supplier selection

supply chain risk

GPT-Augmented Bayesian Reinforcement Learning Framework for Multiobjective Supplier Selection

摘要

期刊

机构

引用论文