蛋播视频一区,无码鲁丝一区二区,精品 久久 五月天,国产老熟女,五月草草在线观看,中文日韩欧美,情色一区二区三区,欧美日韩亚洲激情在线,亚洲制服在线香蕉

報(bào)告人

鐘遠(yuǎn)光 教授

主持人

肖條軍 教授

時(shí)間

10月19日，16:10-17:40

參與方式

改為僅線上方式進(jìn)行

Maximizing the Benefits of an On-Demand Workforce: Fill Rate-Based Allocation and Coordination Mechanisms

摘要：With the rapid growth of the gig economy, on-demand staffing platforms have emerged to help companies manage their temporary workforce. This emerging business-to-business context motivates us to study a new form of supply chain coordination problem. We consider a staffing platform managing on-demand workforce to serve multiple firms facing stochastic labor demand. Before demand realization, each individual firm can hire permanent employees, whereas the platform determines a compensation rate for potential on-demand workers. After knowing the realized demand, firms in need can request on-demand workers from the platform, and then the platform operator allocates the available on-demand workforce among the firms. We explore how to maximize and distribute the benefits of on-demand workforce through coordinating self-interested parties in the staffing system. We combine game theory and online optimization techniques to address the challenges in incentivizing and coordinating the online workforce. We propose a novel and easily implementable fill rate-based allocation and coordination mechanism that enables the on-demand workforce to be shared optimally when individual firms and the platform operator make decisions in their own interest. We also show that the proposed mechanism can be adapted to the cases when contract terms need to be identical to all firms and when actual demand is unverifiable. Our results suggest that fill rates, a widely used performance measure in staffing services, can serve as a basis for workforce allocation and contracting. Under an appropriately designed mechanism, individual firms and the platform operator can share the maximum benefits of on-demand staffing.

個(gè)人簡(jiǎn)介：鐘遠(yuǎn)光，華南理工大學(xué)工商管理學(xué)院教授，博士生導(dǎo)師。研究方向?yàn)槎嗉?jí)庫(kù)存管理，供應(yīng)鏈金融，共享經(jīng)濟(jì)，優(yōu)化理論與方法等，代表性成果發(fā)表在了UTD24國(guó)際頂級(jí)期刊Management Science, Operations Research, Manufacturing & Service Operations Management，Production and Operations Management和工業(yè)工程旗艦期刊IISE Transactions等。入選教育部高層次人才計(jì)劃青年學(xué)者（2021年），主持國(guó)家級(jí)（一項(xiàng)結(jié)題特優(yōu)）、省部級(jí)和企業(yè)橫向項(xiàng)目10多項(xiàng)，獲得教育部高等學(xué)校科學(xué)研究?jī)?yōu)秀成果三等獎(jiǎng)，廣東省哲學(xué)社會(huì)科學(xué)獎(jiǎng)一等獎(jiǎng)和二等獎(jiǎng)，安徽省科學(xué)技術(shù)三等獎(jiǎng)，華人學(xué)者管理科學(xué)與工程協(xié)會(huì)最佳論文獎(jiǎng)二等獎(jiǎng)等獎(jiǎng)勵(lì)。

報(bào)告人

鄭巖 副教授

主持人

王志 博士

時(shí)間

10月21日，10:30-12:30

參與方式

騰訊會(huì)議 856-705-380

演化強(qiáng)化學(xué)習(xí)研究與應(yīng)用

講座內(nèi)容：深度強(qiáng)化學(xué)習(xí)是近年來(lái)熱門(mén)的研究方向之一，從早期在圍棋、星際等復(fù)雜游戲場(chǎng)景下打敗人類(lèi)頂級(jí)選手，到近期在蛋白質(zhì)折疊、核聚變控制等基礎(chǔ)性科學(xué)問(wèn)題都取得了新的突破。然而，強(qiáng)化學(xué)習(xí)尚存在不少未解決的難題，比如基于強(qiáng)化學(xué)習(xí)AI容易產(chǎn)生刻板行為，真實(shí)度不足；此外，強(qiáng)化學(xué)習(xí)AI的應(yīng)用潛力有待進(jìn)一步挖掘。在這報(bào)告中，我們會(huì)討論演化強(qiáng)化學(xué)習(xí)的相關(guān)研究與應(yīng)用，并介紹演化強(qiáng)化學(xué)習(xí)在真實(shí)工業(yè)場(chǎng)景中的兩個(gè)應(yīng)用落地（游戲測(cè)試&多樣化游戲AI）；最后，我們還將探討演化強(qiáng)化學(xué)習(xí)與強(qiáng)化學(xué)習(xí)中其他分支研究的交叉共融，及未來(lái)的研究與發(fā)展趨勢(shì)。

個(gè)人簡(jiǎn)介：鄭巖，現(xiàn)任天津大學(xué)副教授，碩士生導(dǎo)師，2019年-2020年在新加坡南洋理工大學(xué)博士后訪學(xué)。主要研究方向包括深度強(qiáng)化學(xué)習(xí)，多智能體系統(tǒng)，演化學(xué)習(xí)，虛擬現(xiàn)實(shí)等。在ICML、NeurIPS、ICLR、AAAI、IJCAI、JAAMAS、IEEE TSG、IEEE Applied Energy等人工智能領(lǐng)域的知名國(guó)際期刊和頂級(jí)國(guó)際會(huì)議上（CCF A等）發(fā)表論文近30余篇；谷歌被引近500余次。鄭巖博士曾榮獲2019年中國(guó)人工智能學(xué)會(huì)-智能體與多智能體學(xué)組優(yōu)秀博士論文獎(jiǎng)；此外，鄭巖博士承擔(dān)、參研國(guó)家基金委、新加坡國(guó)家研究基金會(huì)、軍科委、科技部、航天院所、天津市人工智能重大等科研項(xiàng)目10余項(xiàng)，項(xiàng)目總經(jīng)費(fèi)超1000萬(wàn)元。其設(shè)計(jì)開(kāi)發(fā)的自動(dòng)化程序測(cè)試算法榮獲CCF-A會(huì)議ASE 2019最佳論文獎(jiǎng)項(xiàng)，被網(wǎng)易游戲伏羲AI實(shí)驗(yàn)室廣泛運(yùn)用起游戲產(chǎn)品中。此外鄭巖博士還擔(dān)任AAAI、IJCAI、ICML、NeurIPS、ICLR等多個(gè)國(guó)際期刊審稿以及人工智能相關(guān)頂級(jí)會(huì)議等（高級(jí)）程序委員會(huì)委員。