Beer Game 환경은 파이썬 기반의 오픈AI Gym 환경으로, 4가지 역할을 하는 고전 맥주 게임 공급망을 시뮬레이션합니다. 에이전트는 재고 수준을 관찰하고 주문을 배치하며, 수요 변동, 리드타임, 비용 계산을 모델링합니다. 사용자는 표준 Gym API를 통해 RL 에이전트를 훈련하고 평가하여 소매업체, 도매업체, 유통업체, 제조업체 노드에서 재고 보유 및 백오더 비용을 최소화할 수 있습니다.
이 도구 홍보하기
이 도구 업데이트하기
Beer Game Environment
Beer Game 환경은 파이썬 기반의 오픈AI Gym 환경으로, 4가지 역할을 하는 고전 맥주 게임 공급망을 시뮬레이션합니다. 에이전트는 재고 수준을 관찰하고 주문을 배치하며, 수요 변동, 리드타임, 비용 계산을 모델링합니다. 사용자는 표준 Gym API를 통해 RL 에이전트를 훈련하고 평가하여 소매업체, 도매업체, 유통업체, 제조업체 노드에서 재고 보유 및 백오더 비용을 최소화할 수 있습니다.
추천
Beer Game Environment란?
Beer Game 환경은 4단계(소매점, 도매상, 유통업체, 제조사) 맥주 공급망을 이산 시간으로 시뮬레이션하며, OpenAI Gym 인터페이스를 제공합니다. 에이전트는 재고, 파이프라인 재고, 수신 주문에 대한 관측값을 받고, 주문 수량을 출력합니다. 환경은 매 단계의 재고 보유 및 백오더 비용을 계산하며, 사용자 요구에 따른 분포와 리드타임을 지원합니다. Stable Baselines3와 같은 인기 RL 라이브러리와 원활하게 통합되어 연구자와 교육자가 공급망 최적화 작업에서 알고리즘을 벤치마크하거나 훈련할 수 있습니다.
Beer Game Environment을 사용할 사람은?
- 강화 학습 연구원
- 공급망 및 운영 관리 전문가
- AI 및 데이터 과학 교육자
- 공급망 최적화를 공부하는 학생
Beer Game Environment 사용 방법은?
- 1단계: 패키지를 pip로 설치: pip install beer-game-env
- 2단계: 환경을 임포트: from beer_game_env import BeerGameEnv
- 3단계: 환경 인스턴스 생성: env = BeerGameEnv()
- 4단계: 표준 Gym 루프 사용: obs = env.reset(), action = 에이전트.predict(obs), obs, reward, done, info = env.step(action)
- 5단계: 모든 Gym 호환 RL 프레임워크를 사용하여 에이전트 훈련 또는 평가
플랫폼
- mac
- windows
- linux
Beer Game Environment의 핵심 기능 및 장점
핵심 기능
- OpenAI Gym 호환 환경
- 소매업체, 도매업체, 유통업체, 제조사의 역할 시뮬레이션
- 사용자 맞춤 수요 분포 및 리드타임 지원
- 단계별 재고 및 백오더 비용 계산
- RL 라이브러리와 원활한 통합
장점
- 표준 Gym API 호환
- 인기 RL 프레임워크와 손쉬운 통합
- 자세하고 사실적인 공급망 시뮬레이션
- 에이전트 성능 벤치마킹 용이
- 연구 및 교육용에 최적
Beer Game Environment의 주요 사용 사례 및 애플리케이션
- 공급망 최적화를 위한 강화 학습 에이전트 훈련
- 재고 관리 및 주문 알고리즘 벤치마킹
- 학술 강좌에서 공급망 역학 교육
- 수요 불확실성 하에서 분산 의사결정 연구
Beer Game Environment의 자주 묻는 질문
Beer Game Environment 회사 정보
Beer Game Environment 리뷰
5/5
Beer Game Environment의 주요 경쟁자와 대안은?
- supply-chain-gym
- gym-supplychain
- SimPy supply chain simulator
당신은 또한 좋아할 수 있습니다：
1.5M
14.58% AI 디자인 에이전트가 워크플로우를 자동화하여 이미지, 비디오, 3D 모델을 최대 10배 빠르게 생성합니다.
77.6K
18.77% Flowith는 무료 🍌Nano Banana Pro 및 기타 효과적인 모델을 제공하는 캔버스 기반 에이전트 워크스페이스입니다...
594
100.00% Phoenix AI Assistant는 지능형 자동화 및 개인화된 지원을 통해 작업을 간소화하는 데 도움을 줍니다.
199.8K
10.19% 기반 모델과 맞춤 도구를 활용하여 AWS Bedrock에서 맞춤형 AI 에이전트를 구축하는 솔루션입니다.
1.1M
28.27% scenario-go는 복잡한 LLM 기반 대화 워크플로우를 정의하기 위한 Go SDK로, 프롬프트, 컨텍스트 및 다단계 AI 작업을 관리합니다.
--
LangGraph Learn은 그래프 기반 AI 에이전트 워크플로우를 설계하고 실행하는 인터랙티브 GUI를 제공하며, 언어 모델 체인을 시각화합니다.
--
스케일 가능하고 유지보수가 용이한 AI 에이전트를 설계, 구성 및 배포하기 위한 열두 가지 모범 사례를 제공하는 방법론입니다.
--
SARL은 이벤트 기반 행동과 환경 시뮬레이션을 제공하는 에이전트 지향 프로그래밍 언어이자 런타임으로, 다중 에이전트 시스템을 위한 것입니다.
--
RModel은 고급 대화형 및 작업 기반 애플리케이션을 위해 LLM, 도구 통합, 메모리를 조율하는 오픈소스 AI 에이전트 프레임워크입니다.
--
LangGraph GUI의 시각적 그래프 기반 오케스트레이션 및 언어 모델 워크플로우 실행을 위한 FastAPI 백엔드를 제공합니다.
--
다중 에이전트 시뮬레이션을 위한 플록킹 알고리즘을 구현하는 Python 기반 프레임워크로, AI 에이전트들이 동적으로 협력하고 내비게이션할 수 있도록 합니다.
--
리트리벌 강화 생성, 벡터 데이터베이스 지원, 도구 통합 및 맞춤형 워크플로우를 갖춘 자율형 LLM 에이전트를 가능하게 하는 오픈소스 프레임워크입니다.
--
Pipe Pilot은 LLM 기반 에이전트 파이프라인을 조율하는 Python 프레임워크로, 복잡한 다중 단계 AI 워크플로우를 쉽게 구현할 수 있습니다.
--
구글 Gemini의 추론 및 도구 사용 능력을 활용하여 AI 에이전트를 구축하기 위한 실용적인 코드 레시피를 제공하는 오픈소스 저장소입니다.
--
시뮬레이션에서 자율주행 협력 조정을 위한 협력형 다중 에이전트 강화학습을 구현하는 오픈소스 프레임워크입니다.
--
도구 실행 및 메모리 지원 기능이 포함된 LLM 에이전트 구축용 Flet 기반 인터랙티브 채팅 UI를 갖춘 Python 라이브러리.
--
Agentic Workflow는 복잡한 자동화 작업을 위한 다중 에이전트 AI 워크플로우를 설계, 조율 및 관리하는 Python 프레임워크입니다.
--
SmolAgents를 보여주는 GitHub 데모로, 툴 통합이 가능한 가벼운 Python 프레임워크로 LLM 기반 다중 에이전트 작업 흐름을 조율합니다.
--
YAML과 유사한 사양을 사용하여 선언적으로 AI 에이전트 워크플로우를 쉽게 정의하고 실행할 수 있는 Python 프레임워크입니다.
245.5K
32.47% 모델 컨텍스트 프로토콜을 구현하는 파이썬 기반 프레임워크로, 사용자 정의 도구가 포함된 AI 에이전트 서버를 구축하고 실행합니다.
--
LangGraph는 Python 개발자가 모듈식 그래프 기반 파이프라인을 사용하여 맞춤형 AI 에이전트 워크플로우를 구축하고 오케스트레이션할 수 있도록 합니다.
--
기존 OpenAI Python SDK 인터페이스를 통해 Anthropic Claude API를 원활하게 호출할 수 있게 하는 Python 래퍼입니다.
--
Agent Adapters는 LLM 기반 에이전트를 다양한 외부 프레임워크 및 도구와 원활하게 통합할 수 있도록 플러그 가능 미들웨어를 제공합니다.
--
Java-Action-Storage는 분산 다중 에이전트 애플리케이션의 에이전트 행동을 기록, 저장 및 검색하는 LightJason 모듈입니다.