报告人

钟远光 教授

主持人

肖条军 教授

时间

10月19日，16:10-17:40

参与方式

改为仅线上方式进行

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.

个人简介：钟远光，华南理工大学工商管理学院教授，博士生导师。研究方向为多级库存管理，供应链金融，共享经济，优化理论与方法等，代表性成果发表在了UTD24国际顶级期刊Management Science, Operations Research, Manufacturing & Service Operations Management，Production and Operations Management和工业工程旗舰期刊IISE Transactions等。入选教育部高层次人才计划青年学者（2021年），主持国家级（一项结题特优）、省部级和企业横向项目10多项，获得教育部高等学校科学研究优秀成果三等奖，广东省哲学社会科学奖一等奖和二等奖，安徽省科学技术三等奖，华人学者管理科学与工程协会最佳论文奖二等奖等奖励。

报告人

郑岩 副教授

主持人

王志 博士

时间

10月21日，10:30-12:30

参与方式

腾讯会议 856-705-380

演化强化学习研究与应用

讲座内容：深度强化学习是近年来热门的研究方向之一，从早期在围棋、星际等复杂游戏场景下打败人类顶级选手，到近期在蛋白质折叠、核聚变控制等基础性科学问题都取得了新的突破。然而，强化学习尚存在不少未解决的难题，比如基于强化学习AI容易产生刻板行为，真实度不足；此外，强化学习AI的应用潜力有待进一步挖掘。在这报告中，我们会讨论演化强化学习的相关研究与应用，并介绍演化强化学习在真实工业场景中的两个应用落地（游戏测试&多样化游戏AI）；最后，我们还将探讨演化强化学习与强化学习中其他分支研究的交叉共融，及未来的研究与发展趋势。

个人简介：郑岩，现任天津大学副教授，硕士生导师，2019年-2020年在新加坡南洋理工大学博士后访学。主要研究方向包括深度强化学习，多智能体系统，演化学习，虚拟现实等。在ICML、NeurIPS、ICLR、AAAI、IJCAI、JAAMAS、IEEE TSG、IEEE Applied Energy等人工智能领域的知名国际期刊和顶级国际会议上（CCF A等）发表论文近30余篇；谷歌被引近500余次。郑岩博士曾荣获2019年中国人工智能学会-智能体与多智能体学组优秀博士论文奖；此外，郑岩博士承担、参研国家基金委、新加坡国家研究基金会、军科委、科技部、航天院所、天津市人工智能重大等科研项目10余项，项目总经费超1000万元。其设计开发的自动化程序测试算法荣获CCF-A会议ASE 2019最佳论文奖项，被网易游戏伏羲AI实验室广泛运用起游戏产品中。此外郑岩博士还担任AAAI、IJCAI、ICML、NeurIPS、ICLR等多个国际期刊审稿以及人工智能相关顶级会议等（高级）程序委员会委员。