一种考虑动态替代的易逝品跨周期定价方法

摘要

本发明涉及一种考虑动态替代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、建立考虑动态替代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。本发明的方法可使企业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动态替代，可攫取更大的消费者盈余、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，具体涉及一种考虑动态替代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在产品销售过程中动态替代的影响。动态替代是指因销售在一段时间内进行，而产品库存随着每次购买减少，因此消费者将因库存而“被迫”选择无库存限制时不选择的其他替代产品。

本发明就是在定价中加入动态替代和跨周期的考虑。企业提供功能略有差异的易逝品(如手机厂商同时发布不同型号和配置的手机)，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。企业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动态替代，可攫取更大的消费者盈余、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动态替代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：

一种考虑动态替代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、建立考虑动态替代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订购和定价方案。

作为优选方案，步骤S1中系统参数包括：

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

s

u

x

y

c

t

π

λ

k

d

作为优选方案，步骤S2中考虑动态替代的易逝品跨周期定价模型目标函数为：

约束条件为：

k

x

c

d

y

t

x

作为优选方案，步骤S3中，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、设计遗传算法的染色体，每个染色体包括两个部分，分别表示全价期和折扣期中产品的价格；

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，步骤S33中，染色体相互交叉使用两步交叉算子，同时发生交叉的概率为P

作为优选方案，步骤S33中，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，步骤S2中目标函数

作为优选方案，步骤S31中，遗传算法具有初始染色体，初始染色体使用启发式算法构造，为每种产品j分别确定价格点r

S311、计算全价期消费者估价的算术平均值

S312、计算折扣期消费者估价的算术平均值

S313、采用

本发明与现有技术相比，有益效果是：

本发明的方法可使企业在易逝品销售时，通过提前掌握不同类型消费者在两个销售周期的效用盈余来集中进行跨周期定价，并同时考虑差异化易逝品的动态替代，可攫取更大的消费者盈余、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动态替代的易逝品跨周期定价方法中的染色体编码示例图；

图2是本发明实施例的一种考虑动态替代的易逝品跨周期定价方法中染色体中全价期和折扣期中选取价格的基因交叉示例图；

图3是本发明实施例的一种考虑动态替代的易逝品跨周期定价方法中全价期染色体随机变异示例。

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动态替代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、建立考虑动态替代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订购和定价方案。

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

x

y

c

t

π

λ

k

d

步骤S2中，建立考虑动态替代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：

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

确定选择规则后，即可建立考虑动态替代的易逝品跨周期定价模型，模型算式为：

上述模型中，

上述模型的约束条件为：

k

x

c

d

y

t

x

其中，式(1)是目标函数，约束(2)保证全价期的每个产品只选择一个价格点。约束(3)保证消费者在全价期和折扣期至多购买一件产品。约束(4)表示在全价期每当消费者购买一件产品，同时产品的库存减少1。约束(5)-约束(6)表示全价期的顾客选择行为。约束(5)保证消费者只能购买有库存的产品。如果商品j的库存满足消费者i，则二元变量k

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：

步骤S31，染色体设计。混合遗传算法的单个染色体包含2个部分，表示两个周期不同产品的价格。图1为染色体编码示例，该例中的个体涉及两个周期五个产品的根据提前定义的价格点集所选择的价格点。从染色体的全价期的基因可以看出，全价期每个产品所选择的价格：其第1个产品选择价格点20，第2个产品选择价格点80，第3个产品选择价格点60，第4个产品选择价格点40，第5个产品选择价格点40。折扣期的编码与全价期的编码结构相同，在折扣期第1个产品选择价格点20，第2个产品选择价格点80，第3个产品选择价格点60，第4个产品选择价格点40，第5个产品选择价格点40。

初始可行解的构造方案为每种产品j分别确定价格点r

首先计算全价期消费者估价的算术平均值

步骤S32，染色体选择。在混合遗传算法中，一般的过程包括选择、交叉和变异。选择是从群体中选择单个染色体的阶段，通过轮盘赌法选择父系个体，即计算每个染色体的适应度值并将其与每个单独染色体的选择概率相关联。即适应度值大的染色体其被选择的概率也就越大，被选择的染色体会进入下一阶段的操作。同时适应度值较小的染色体同样有可能被选中保证了种群的多样性。当选择的染色体达到种群规模，停止染色体的选择。

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

交叉时，随机产生两个切割位置c1和c2，然后将染色体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。发生变异的概率为P

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

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订购和定价方案。

下述内容设计了表1中几个分类共

表1类别分量

表2其他参数值

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3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4总结了使用混合遗传算法的计算时间。为了验证所提出的混合遗传算法的性能，本文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5列出了从CPLEX和混合遗传算法获得厂商收入的差额。表5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3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4使用混合遗传算法获得启发式解的计算时间(秒)

表5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。