一种考虑产品订购的易逝品跨周期定价方法

摘要

本发明涉及一种考虑产品订购的易逝品跨周期定价方法，包括步骤：S1、定义易逝品跨周期定价的系统参数；S2、建立考虑产品订购的易逝品跨周期定价模型；S3、根据易逝品跨周期定价模型设计混合遗传算法；S4、计算得出易逝品跨周期定价方案。本发明的方法可使零售商在易逝品销售时提前掌握不同类型消费者在两个销售周期的效用盈余，集中进行跨周期定价，并同时考虑差异化易逝品的订购数量，最大化厂商的收入。

说明书

技术领域

本发明属于信息技术领域，具体涉及一种考虑产品订购的易逝品跨周期定价方法。

背景技术

易逝品可以分为易过时产品、易变质产品和其他易逝品。易逝品的销售存在一定的时间限制，一旦超过特定的时间，未售出产品的价值就会快速降低，甚至完全消失。随着社会的发展，许多产品具有了易逝品的特征，例如电影票、高铁票、水果、高科技电子产品、服装等产品。伴随着消费品市场的日益繁荣和科学技术的进步，日益激烈的全球竞争迫使各公司重新考虑现有的定价和销售策略，并探索信息和通信技术进步所带来的新机遇。借助这些技术，公司可以在其整个组织中广泛地接触客户和使用管理信息系统，从而使他们能够收集市场数据来预测客户行为，了解细分市场并集中更改价格。所以厂商完全可以考虑在产品上市前集中预测产品跨周期的销售情况来进行定价。现有的易逝品定价方法没有考虑产品跨周期和产品订购的因素。

本发明就是在加入产品订购和跨周期的考虑。即零售商在面对供应商时，对于功能略有差异的易逝品，零售商首先要确定需要售卖的产品种类和订购的数量，随后确定两个周期的定价，消费者在每个销售周期按照最大效用盈余选择规则来选择产品。因为货架空间有限，零售商只能一次选择有限的产品数量进行售卖，零售商在易逝品销售时提前掌握不同类型消费者在两个销售周期的效用盈余，可集中进行跨周期定价，并同时考虑差异化易逝品的订购数量，可最大化厂商的收入，具有很好的现实意义。

发明内容

基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种考虑产品订购的易逝品跨周期定价方法。

为了达到上述发明目的，本发明采用以下技术方案：

一种考虑产品订购的易逝品跨周期定价方法，包括步骤：

S1、定义易逝品跨周期定价的系统参数；

S2、建立考虑产品订购的易逝品跨周期定价模型；

S3、根据易逝品跨周期定价模型设计混合遗传算法；

S4、计算得出易逝品跨周期定价方案。

作为优选方案，步骤S1中所述系统参数包括：

i＝1，…，I：消费者的编号；

j，k＝1，…，J：产品的编号；

n，m＝1，…，N

M：很大的正数；

r

p

c

v

α：消费者折扣期估价折扣系数；

s

u

ρ

nu：选择的产品种类的数量；

o

b

TS：总货架空间；

TR：总收入；

TPC：总购买成本；

TOC：总预订成本；

x

y

c

t

π

λ

k

d

sl

Q

作为优选方案，步骤S2中所述考虑产品订购的易逝品跨周期定价模型为：

Max TP＝TR-TPC-TOC；

其中：

约束条件为：

k

x

d

y

Q

Q

x

作为优选方案，步骤S3中，所述根据易逝品跨周期定价模型设计混合遗传算法，具体包括以下步骤：

S31、设计所述遗传算法的染色体，所述染色体包括四个部分，第一部分代表产品选择，第二部分代表每个选定产品全价期的定价，第三部分代表每个选定产品折扣期的定价，第四部分代表每个选定产品的订单数量；

S32、通过轮盘赌法从种群中选择适应度较大的染色体进入下一代，即所述染色体的适应度越大则选中的概率越大；当选择的染色体达到预设种群规模，停止选择；

S33、使染色体相互交叉与变异；

S34、当所述染色体相互交叉与变异次数达到预定值时，进入步骤S4，否则返回S32。

作为优选方案，所述步骤S33中，所述染色体相互交叉使用两步交叉算子，发生交叉的概率为P

作为优选方案，所述步骤S33中，所述染色体变异使用反向突变，发生变异的概率为P

作为优选方案，所述遗传算法中的染色体具有适应度，所述步骤S2中的目标函数Max TP＝TR-TPC-TOC在遗传算法中作为染色体的适应度函数。

本发明与现有技术相比，有益效果是：

本发明的方法可使零售商在易逝品销售时，根据提前掌握不同类型消费者在两个销售周期的效用盈余，集中进行跨周期定价，并同时考虑差异化易逝品的订购数量，最大化厂商的收入。

附图说明

图1是本发明实施例的一种考虑产品订购的易逝品跨周期定价方法中染色体中关于全价期和折扣期中选取价格的基因交叉示例图；

图2是本发明实施例的一种考虑产品订购的易逝品跨周期定价方法中染色体中关于产品选择的基因交叉示例图；

图3是本发明实施例的一种考虑产品订购的易逝品跨周期定价方法中从n

具体实施方式

为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

实施例：本发明提出了一种考虑产品订购的易逝品跨周期定价方法，方法步骤如下：

S1、定义易逝品跨周期定价的系统参数；

S2、建立考虑产品订购的易逝品跨周期定价模型；

S3、根据易逝品跨周期定价模型设计混合遗传算法；

S4、计算得出易逝品跨周期定价方案。

其中，上述易逝品跨周期定价的系统参数包括：

i＝1，…，I：消费者的编号；

j，k＝1，…，J：产品的编号；

n，m＝1，…，N

M：很大的正数；

r

p

c

v

α：消费者折扣期估价折扣系数；

s

u

ρ

nu：选择的产品种类的数量；

o

b

TS：总货架空间；

TR：总收入；

TPC：总购买成本；

TOC：总预订成本；

x

y

c

t

π

λ

k

d

sl

Q

步骤S2中，建立考虑产品订购的易逝品跨周期定价模型前，需先确定易逝品跨周期定价的假定条件，确定过程为：

假设1：厂商从事先定义好的价格集选择产品的价格；

假设2：消费者至多购买1个单位产品；

假设3：消费者在每个周期的购买行为遵循效用最大化选择规则。每个消费者在不同周期的选择用

在第一个公式中，c

确定假设条件后，即可建立考虑产品订购的易逝品跨周期定价模型，模型算式为：

Max TP＝TR-TPC-TOC (1)

上述模型中，

上述模型的约束条件为：

k

x

d

y

Q

Q

x

目标函数(1)表示最大化零售商的总利润。其中包括式(2)表示的总收入减去式(3)表示的总购买成本和式(4)表示的总订货成本。约束(5)保证全价期的每个产品只选择一个价格点。约束(6)保证消费者在全价期和折扣期至多购买一件商品。约束(7)表示在全价期每当消费者购买一件商品，产品的库存减少1。约束(8)表示零售商有限的货架空间，以使选择的易逝品中包含的产品总订购量的总占用空间不能超过零售商的货架空间。约束(9)表示消费者只能购买零售商在期初选择的产品。约束(10)表示所选类型的产品数量不能超过零售商对产品数量的限制。约束(11)-约束(15)表示全价期的顾客选择行为，约束(11)保证消费者只能购买有库存的产品。如果产品的库存满足消费者，则二元变量根据约束(12)则为1，否则根据约束(13)则为0。约束(14)保证消费者只购买消费者剩余大于0的产品。约束(15)保证消费者只购买所有商品中消费者剩余最大的产品。类似地，约束(16)保证折扣期的每个产品只选择一个价格点。约束(17)表示折扣期每当消费者购买一件产品，产品的库存就减少1。约束(18)-约束(22)表示折扣期的顾客选择行为。约束(18)表示消费者在折扣期只能购买有库存的产品。如果在折扣期产品的库存满足消费者，则二元变量根据约束(19)则为1，否则根据约束(20)则为0。约束(21)保证消费者在折扣期只能购买消费者剩余大于0的产品。约束(22)保证只有消费者在全价期没有购买产品，才能在折扣期购买消费者剩余最大的产品。约束(24)初始化每个产品的库存水平。约束(23)和(25)定义变量的范围。

建立完步骤S2的易逝品跨周期定价模型后，即可根据模型设计混合遗传算法，步骤S3的设计混合遗传算法分为如下步骤：

遗传算法的效率很大程度上取决于初始解。因此，提出一个简单的启发式算法来构建一个初始解。本启发式算法使用基于消费者选择过程的排序。其详细步骤如下：

步骤S301、获得每个潜在产品的定义的Beta分布的估价，每个产品j的估价都有参数a

步骤S302、计算每个产品全价期估价的平均值

步骤S303、计算每个产品的特定消费者剩余cv

步骤S304、订购其中一种产品，以便达到最大的特定消费者剩余同时创建特定消费者剩余表；

步骤S305、通过删除所选产品来更新表；

步骤S306、返回步骤304直到所选产品数量达到nu。

步骤S31，染色体设计。在遗传算法中，解决方案必须以正确的形式表示。染色体一般为简单的二进制字符串。但是此形式对解决本文的联合决策问题没有作用。因此，染色体包括四个部分，每个部分用于解决问题。第一部分代表产品选择，第二部分代表每个选定产品全价期的定价，第三部分代表每个选定产品折扣期的定价，第四部分代表每个选定产品的订单数量。表1列出了本实施方式中的一个染色体示例。

表1染色体示例

步骤S32，染色体选择。在混合遗传算法中，通过轮盘赌法从种群中选择适应度较大的染色体进入下一代，即所述染色体的适应度越大则选中的概率越大；当选择的染色体达到预设种群规模，停止选择。

上述过程中适应度的函数在进化中的作用类似于环境，种群中每个个体都代表该问题的潜在解决方案。为种群中的每个个体计算适应度，并选择具有最大适应度的个体作为该问题的可能解决方案，目标函数Max TP＝TR-TPC-TOC在混合遗传算法中作为适应度函数。

步骤S33，染色体交叉和变异。遗传算法中交叉操作是一种保证多样化的一种方法，能够使遗传算法生成新的染色体，从而提升种群的多样性。在该算法中，使用了两步交叉算子，同时发生交叉的概率为P

在遗传算法中，变异会使染色体某个基因发生随机变化。变异和交叉之间的主要区别是，变异只对一个染色体有影响，也就是说变异算子是一元的，而交叉是对两个染色体有影响。变异在进化过程中起着替换染色体基因的关键作用。对于产品选择，使用反向突变进行变异。发生变异的概率为P

遗传算法的终止规则为：当迭代次数达到预定值时，遗传算法迭代终止。

遗传算法迭代终止后，进入步骤S4，将参数输入求得的最终混合遗传算法，计算得出易逝品跨周期定价方案。

下述内容设计了表2中几个分类共

表2类别分量

表3其他参数值

通过上述举例的计算，零售商可以从10种潜在产品中进行选择，从而使总利润最大化。对于每个问题场景，通过为每个消费者随机生成对每个产品的估价生成30个方案；然后，然后用CPLEX软件计算这些方案的平均结果。表4总结了使用CPLEX软件获得精确解的计算时间。在表中，“X”表示在合理的时间内无法获得精确解的计算时间。但是，本文提出混合遗传算法始终可以得出解决方案，如表5总结了使用混合遗传算法的计算时间。为了验证所文提出的混合遗传算法的性能，本实施例将最佳解决方案与混合遗传算法的解决方案进行对比。如表6列出了从CPLEX和混合遗传算法获得厂商收入的差额。表6显示，在本文的大多数数值实验中，差距仍然保持在相当小的水平内的(3％)。

表4使用CPLEX获得精确解的计算时间(秒)

X表示CPLEX的计算时间超过24000秒。

表5使用混合遗传算法获得启发式解的计算时间(秒)

表6从CPLEX获得的精确解与混合遗传算法的解的误差(％)

X表示CPLEX的计算时间超过24000秒。

应当说明的是，以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。