基于需求学习的竞争企业的定价和生产决策研究

文章考虑相互竞争的多个制造型企业,研究它们的最优定价和生产决策.假设一个企业在某期的需求不仅依赖于当期所有企业的价格,而且还依赖于过去时期所有企业的价格.由于企业难以获得需求的确定信息,文章不再假设需求是确定已知或服从某种已知的随机分布,而是考虑未知需求,然后通过需求学习的方法来对未知的需求进行估计和预测.通过建立每个企业的最优控制模型,得出所有企业的最优控制问题是一个广义微分Nash均衡问题.然后,采用微分变分不等式来表述该广义微分Nash均衡问题,并证明了广义微分Nash均衡的存在.介绍了两种不同的需求学习方法来对未知参数进行学习,然后运用固定点算法来求解微分变分不等式.最后,通过数值分析展示了所有企业形成的均衡,并发现相比于基于最小二乘法的需求学习方法,基于马尔科夫链蒙特卡洛的需求学习方法可以使得企业获得更高的利润.

未知需求分布下含数量折扣的可变提前期库存模型

针对上游供应链厂商提供数量折扣以及可变提前期的情况,探讨了零售商选择最优提前期和库存策略.将提前期、再订货点以及订货量作为模型的决策变量,并且放松了对提前期内需求服从具体分布的假定,考虑提前期内需求分布未知的情形.利用Minimax方法讨论了最优解的性质,给出了求解算法和数值算例,并分析了允许延期交货比例的变化以及需求波动对最优解和期望总成本的影响.

需求未知情形下的定价和生产决策探讨

论文探讨制造型企业的定价和生产联合决策问题,考虑一个连续有限的计划周期,假设需求是价格的线性函数,但是需求参数未知,采用基于最小二乘法的需求学习方法来预测未知需求参数。以最大化期望总利润为目标,对企业的最优定价和生产问题进行建模并求解。通过一个算例得出了企业的最优定价和生产决策,以及获得的最大利润,分析了最大利润关于模型参数的敏感性。研究结果对于企业在未知的市场中制定出合理的价格和生产决策具有指导作用。

需求分布含未知参数时报童模型的实施方法

考虑需求分布未知时的报童模型,假设需求分布的类型已知,但分布函数中含未知参数。证明了直接使用参数的估计量代替参数真实值的实施方法将使报童的期望利润偏离理论上的最优水平,只能得到一个次优结果。给出了两种修正的实施方法:一是基于大样本理论,通过收集足够多的需求样本数据,不断修正未知参数的相合估计值;另是在小样本下,直接修正未知参数的估计量。

缺货未知与需求预测更新下的收益共享契约

针对由一个供应商和一个零售商组成的有限N阶段易逝品供应链,在市场需求与价格相关且含有未知参数,零售商不能观察到实际缺货量的情况下,运用贝叶斯马尔可夫决策过程,在证明收益共享契约能够实现上述供应链的协调的基础上,给出了实现协调的契约参数,指出该契约的成立不受零售商各个阶段定价策略和马尔可夫决策状态的影响。对模型进行优化求解,并通过数值算例比较收益共享契约和批发价契约下的最优定价和订货策略,指出收益共享契约下的供应链能够取得更好的绩效。

需求未知情况下供应链中的信息汇聚效应

考虑由一个供应商和两个零售商组成的二级供应链,假设产品的市场需求分布未知,供应链中的上下游企业共享需求信息.由于需求信息在供应商处汇聚,供应商与零售商占有的信息量不同,这就可能扭曲供应商对市场需求的认识,造成供应商认为市场过度膨胀或萎缩,把这种现象称为信息汇聚效应(PIE,pooled information effect).文中首先给出PIE效应的定义,然后根据可观察需求信息的类型分两种情况讨论:对需求信息可完全观察的情况,简要给出了多周期供应链发生PIE效应的充分条件;对需求信息可部分观察的情况,基于需求信息可观察时的结论,先给出了短视订货策略下,多周期供应链发生PIE效应的充分条件,再给出了最优订货策略下,3周期供应链发生PIE效应的充分条件.数值算例和模拟实验表明,在一定条件下,发生PIE效应的概率很可观.最后分析了牛鞭效应、信息共享和信息汇聚效应的关系.

需求未知的主从竞争企业的定价和生产决策

研究主从竞争市场中领导企业和追随企业的定价和生产决策问题。不再传统地假设需求确定已知或服从某种已知的随机分布,而是考虑需求未知,采用基于最小二乘法的需求学习方法来预测未知的需求参数。分别对追随企业和领导企业的最优定价和生产问题进行建模,得出所有追随企业的优化问题形成一个广义微分Nash均衡问题,领导企业的优化问题是一个具有均衡约束的数学规划。证明了追随企业间广义微分Nash均衡解的存在,采用固定点算法来求解追随企业的优化子问题,采用模拟退火算法来求解领导企业的优化问题。数值实验首先展示了所有企业形成的均衡,发现相比于一个企业在寡头竞争市场中获得的利润,该企业成为主从竞争市场中的领导者将获得更高的利润,而成为追随者将获得更低的利润。

基于局部斜率更新的数据驱动动态定价策略

基于某经济型连锁酒店的实际入住数据,研究针对未知需求的数据驱动动态定价策略的应用.提出一种新的非参数的需求函数刻画方法,称为“局部斜率更新”.该方法替代以往数据驱动策略中所使用的最小二乘法,得到新的数据驱动定价策略:基于“局部斜率更新”方法的短视(被动学习)动态定价策略,称为IL策略;基于“局部斜率更新”方法的主动学习动态定价策略,称为CIL策略.新方法能够克服价格内生性的难题,解决以往数据驱动策略的应用困境.数据实验表明,新方法的拟合优度接近最小二乘法.在线性和非线性需求函数形式的假设下,“局部斜率更新”方法的拟合优度与最小二乘法分别只相差7.19%和4.69%.酒店实际数据验证表明,结合新方法的数据驱动定价策略明显优于酒店经理的实际定价决策,其中IL可降低60%的后悔值,CIL可降低77.59%的后悔值.本文提出的需求函数刻画方法及结论有助于指导未知需求数据驱动收益管理理论的应用实践.

未知需求分布下提前期可控的整合库存模型研究

考虑了单供应商单采购商的生产-库存联合优化问题,采购商面临未知分布的随机需求,供应商的提前期可以控制。采用Minimax方法建立了供应商和采购商联合期望总成本最小化模型,模型中允许采购商缺货,并且部分缺货延期交付,部分缺货发生销售损失,同时也考虑了运输成本,并且假设运输成本依赖于订货量和提前期。给出了求解联合最优生产批量、联合最优提前期、联合最优再订货点和订货量的算法,并通过数值算例作了说明。

变换核估计在未知需求分布函数条件下多阶段库存控制策略中的应用研究

传统的多阶段库存控制主要致力于库存持有以及过多库存的经济性研究.随机库存模型经常假定需求分布已知,这样可以产生容易解决的方案.但随着销售信息的不断更新,需求分布函数的参数常常未知.这样传统的多阶段库存模型很难产生最优的库存控制策略.当前文献对未知需求分布函数条件下的多阶段库存管理问题研究得不多,当需求分布函数随时间变化,是个多阶段随机规划问题,通常情况难以直接进行求解.针对一般非平稳需求,还缺少有效的库存管理方法.本文致力于变换核估计和优化理论相结合的方法研究未知需求分布函数条件下多阶段库存控制策略,提供一条多阶段库存控制的新思路.可以很好地确定各阶段的最优订货点、最高库存、最低库存等来达到整个系统的最优,从而节省更多的成本,达到营运资本的永久性减少、更高的销售量和客户满意度,从而增加企业的竞争力.