基于爱尔朗分布的随机动态批量决策研究

针对随机需求服从爱尔朗分布、存在缺货回补成本情形下的随机动态批量的决策问题,通过相应的优化模型,为计算最优累积批量值,提出了二分搜索算法并验证了该算法的正确性,从而获得了爱尔朗分布下的各阶段最优累积批量算法及相应最优累积批量值。通过与正态分布情形下的相关结果比较,发现最优累积批量值随着标准差和变异系数的增大而增大,但相对于后者的增幅,各最优累积批量在爱尔朗分布与正态分布之间差异的变化并不大,从而进一步分析表明,爱尔朗分布需求下的最优动态批量策略,其效果优于正态分布。

启发式FF-NN模型在随机动态批量问题中的应用

针对随机环境下多期单项批量问题的复杂结构导致的数学难解性,提出基于启发式的前馈神经网络FF-NN(Feed Forward-Neural Network)模型。通过研究一种基于最小总相关成本价格和不确定性需求的最优批量策略,构建基于Taguchi方法、反向传播(BP)、遗传算法(GA)、蜂群算法(BA)的四种前馈神经网络模型,使用三种特定领域的启发式成本计算方法,包括修正银餐(RSM)、修正最小单位成本(RLUC)、成本效益(CB),比较各种方法及模型的组合。实验结果表明,基于BA算法的FF-NN模型与RLUC方法的组合是对决策者最有帮助的启发式组合,很好地解决了随机动态批量问题中的数学难解性。