यह शोधपत्र तर्क देता है कि इन्वेंट्री प्रबंधन में डीप रीइन्फोर्समेंट लर्निंग (DRL) को लागू करने के अनूठे अवसर मौजूद हैं। इस उद्देश्य से, हम दो पूरक तकनीकों को प्रस्तुत करते हैं और प्रयोगात्मक रूप से उनका सत्यापन करते हैं: हिंडसाइट डिफरेंशियल पॉलिसी ऑप्टिमाइज़ेशन (HDPO) और ग्राफ़ न्यूरल नेटवर्क्स (GNN)। HDPO ऑफ़लाइन अर्ध-अनुभवजन्य सिमुलेशन से पथ-वार ग्रेडिएंट का लाभ उठाकर नीति प्रदर्शन को सीधे और कुशलता से अनुकूलित करता है। हम प्रदर्शित करते हैं कि HDPO रीइन्फोर्स एल्गोरिथम से अधिक मज़बूत है और वास्तविक समय-श्रृंखला डेटा पर सामान्य न्यूज़वेंडर ह्यूरिस्टिक से काफ़ी बेहतर प्रदर्शन करता है। GNN प्राकृतिक आगमनात्मक पूर्वाग्रहों का लाभ उठाते हैं जो आपूर्ति श्रृंखला संरचना को एन्कोड करते हैं, जिससे डेटा आवश्यकताओं को प्रभावी ढंग से कम किया जा सकता है। इसके अलावा, हम इन्वेंट्री प्रबंधन में प्रगति में बाधा डालने वाली मानकीकृत बेंचमार्क समस्याओं की कमी को दूर करने के लिए बेंचमार्क वातावरण और कोडबेस को ओपन-सोर्स करते हैं।
