近日，我院温沛涵副教授团队在《Computers & Industrial Engineering》上发表论文Data-driven Reinforcement Learning-based Optimization of Shared Warehouse Storage Locations（2025年08月第206卷）。该期刊为SCI检索期刊，JCR一区，中科院工程技术二区Top期刊，2023-2024最新影响因子为6.7，五年影响因子6.7。本研究由温沛涵副教授担任通讯作者及第二作者，我院硕士生杨泽宇为第一作者。本研究获得重庆市哲学社会科学规划研究项目（2019PY42）的支持。

随着TikTok等短视频平台推动的流媒体经济崛起，中小电商企业面临用户需求高频迭代与需求预测失效的双重挑战，对仓储资源配置动态性的要求显著提升。中小电商企业在多平台铺货中面临仓储成本高、数据支撑薄弱及操作流程复杂等问题。本文提出一种数据驱动的共享仓库储位优化解决方案以解决上述问题。通过构建数据同步及离线与实时指标计算框架，实现商品库存与订单数据的及时更新，从而提升仓储作业效率。为摆脱传统储位优化研究中对持续计算能力和专业知识的限制，以及深度学习算法对大规模训练集的依赖，本文引入深度强化学习技术实现仓储储位的优化配置。具体而言，基于传统深度Q网络（DQN）和近端策略优化（PPO）算法模型，提出分层策略与掩码机制以保障算法求解性能，同时设计合理的状态表示与奖励机制。在应用验证阶段，通过对开源平台真实数据集进行分类以模拟多企业共享仓储的优化场景，验证深度强化学习算法的通用性与适应性。通过对比不同时间粒度下的订单拣选效率、离线与实时更新策略，验证本文提出的储位优化模型与机制对电商企业需求实时变化特征的适配性，确保企业订单的及时履约，为中小电商企业提供高效灵活的储位优化解决方案。

文章链接：https://doi.org/10.1016/j.cie.2025.111195