牛鞭效应（Bullwhip Effect,BWE）指的是终端消费者的需求信息随着供应链不断向上游传递,出现的一种变异逐级放大的现象。牛鞭效应使得企业库存积压过多、客户满意度低以及运营效率低,进一步增加企业的运营成本。缓解牛鞭效应有利于企业获得较高的资金周转率、客户满意度和运营效率,进一步降低运营成本。因此,很多学者一直致力于牛鞭效应缓解方法的研究。目前,已有信息共享、采购承诺和数量柔性以及库存控制等方法,但仍无法完全消除牛鞭效应。如今,在处理序列决策上有显著优势的深度强化学习算法,已被用来研究供应链领域的相关问题,但是没有涉及牛鞭效应。虽然Oroojlooyjadid等人提出的改进深度Q网络算法（shaped-reward DQN,SRDQN）,降低了“啤酒游戏”的库存成本,但是未涉及牛鞭效应的探讨。因此,为缓解牛鞭效应,本文总结以往研究,设计了牛鞭效应问题的人机协同深度强化学习算法。面向牛鞭效应问题,本文对经典的深度强化学习算法深度Q网络（Deep-Q-Network,DQN）进行人机协同改进,并命名为智慧决策机器人（Intelligent Decision-Making Robot,IDMR）。首先,建立算法模型。本文基于经典的“啤酒游戏”以及订货点法（Order-Up-To,OUT）库存策略建立牛鞭效应模型,提出解决牛鞭效应的人机协同深度强化学习算法模型,并给出相关的评价指标。然后,根据IDMR算法模型进行算法设计。本文将牛鞭效应问题抽象为马尔科夫决策过程（Markov Decision Process,MDP）,定义牛鞭效应问题的MDP相关要素,进行算法结构设计,并与SRDQN算法进行算法结构对比。最后,进行实验。本文设计对比实验,对比IDMR算法与SRDQN算法在Oroojlooyjadid等人设置的基准库存策略（Base stock,BS）供应链环境中的表现,分析供应链库存成本的差异,进一步将两种算法应用于牛鞭效应环境,验证IDMR算法的有效性。实验结果表明,相比于SRDQN算法,IDMR算法可以实现更低的供应链库存成本,各节点需求波动和库存成本明显降低,牛鞭效应得到极大缓解,同时,服务水平得到一定的保持。此外,相比于SRDQN算法,IDMR算法神经网络的收敛速度更快,数据利用效率更高。本文对DQN算法进行人机协同改进来解决牛鞭效应问题,实现了OUT库存策略下的牛鞭效应极大缓解,为供应链管理中的牛鞭效应提供了一种全新的视角与途径,赋予了供应链管理智慧决策的价值。同时,本文对人工智能算法进行人机协同改进,也为人工智能技术在供应链管理领域发挥“使能”作用提供了可行手段。