MIRACL: Meta‑Lern‑Framework für vielseitige Mehrziel‑Optimierung in Lieferketten

MIRACL, ein neues Meta‑Multi‑Objective‑Reinforcement‑Learning‑Framework, verspricht, die Herausforderungen der dynamischen Lieferkettenoptimierung zu meistern. Durch die Kombination von Hierarchie, Few‑Shot‑Generalisation und einer Pareto‑basierten Anpassungsstrategie kann MIRACL Aufgaben mit hoher Dimensionalität, Unsicherheit und konkurrierenden Zielen effizient lösen.

Im Gegensatz zu herkömmlichen Multi‑Objective‑Reinforcement‑Learning‑Ansätzen, die häufig für jede neue Aufgabe neu trainiert werden müssen, zerlegt MIRACL jede Aufgabe in strukturierte Teilprobleme. Diese Aufteilung ermöglicht eine schnelle Anpassung der Policy und reduziert den Rechenaufwand erheblich. Gleichzeitig lernt das System eine globale Policy über viele Aufgaben hinweg, wobei die Vielfalt der Trainingsdaten gezielt gefördert wird.

Die Autoren betonen, dass dies die erste Integration eines Meta‑MORL‑Ansatzes mit solchen Mechanismen in der kombinatorischen Optimierung ist. Obwohl die Tests zunächst im Bereich der Lieferketten durchgeführt wurden, ist MIRACL theoretisch domänenunabhängig und kann auf andere dynamische Mehrziel‑Entscheidungsprobleme übertragen werden.

In den experimentellen Studien übertraf MIRACL herkömmliche MORL‑Baselines deutlich: In einfachen bis moderaten Aufgaben erzielte es bis zu 10 % höhere Hypervolumenwerte und 5 % bessere erwartete Nutzenwerte. Diese Ergebnisse unterstreichen das Potenzial von MIRACL, robuste und effiziente Anpassungen in komplexen Mehrziel‑Problemen zu ermöglichen.