基于改進(jìn)遺傳算法的電商零售商家?guī)齑鎯?yōu)化研究

摘 要： 庫存優(yōu)化指為應(yīng)對需求不確定性，考慮訂貨點(diǎn)和交貨期因素，降低庫存系統(tǒng)成本。本文首先構(gòu)建數(shù)學(xué)規(guī)劃模型，將安全庫存水平策略（s、S）和每日補(bǔ)貨量作為核心決策變量，目標(biāo)是最小化庫存總成本（持有和缺貨成本）、庫存周轉(zhuǎn)天數(shù)訂購成本，然后引入0-1輔助變量線性化處理非線性約束，并使用Gurobi和COPT兩種求解器對模型進(jìn)行數(shù)值分析和比較，同時進(jìn)一步提出改進(jìn)遺傳算法在庫存優(yōu)化中的應(yīng)用，開創(chuàng)性地設(shè)計新穎的編碼方式，有效增強(qiáng)求解的效率和準(zhǔn)確性。算例表明，此庫存優(yōu)化降低了需求不確定性，能靈活應(yīng)對零售需求中多種需求模式，并針對（s，S）政策與優(yōu)化的庫存持有量和訂單數(shù)量相結(jié)合，實現(xiàn)了最低的庫存成本和周轉(zhuǎn)天數(shù)，最終實現(xiàn)高效的庫存管理和采購決策。

關(guān)鍵詞： 庫存優(yōu)化；數(shù)學(xué)規(guī)劃；Gurobi；COPT；改進(jìn)遺傳算法

中圖分類號： F 713

文獻(xiàn)標(biāo)志碼： A

Research on Inventory Optimization of E-Commerce RetailMerchants Based on Improved Genetic Algorithm

Abstract： Inventory optimization refers to reducing the cost of inventory system by considering the factors of order point and delivery time to deal with the uncertainty of demand. This paper first constructs a mathematical planning model， taking the safety inventory level strategy （s， S） and daily replenishment volume as the core decision variables， with the goal of minimizing the total inventory cost （holding and out costs） and the ordering cost of inventory turnover days. Then 0-1 auxiliary variables are introduced to linearize the nonlinear constraints， and Gurobi and COPT solvers are used to numerically analyze and compare the models. At the same time， the application of genetic algorithm in inventory optimization is further proposed， and a novel coding method is designed in a pioneering way to effectively enhance the efficiency and accuracy of solution. The example shows that this inventory optimization reduces the demand uncertainty， flexibly responds to multiple demand patterns in retail demand， and combines the （s，S） policy with the optimized inventory holding and order quantity to achieve the lowest inventory cost and the number of inventory turnover days， and finally realizes efficient inventory management and purchasing decisions.

Key words： inventory optimization; mathematical programming; Gurobi; COPT; improved genetic algorithm

0 引言

隨著電子商務(wù)的快速普及與發(fā)展，電商企業(yè)的訂單不斷呈現(xiàn)出小批量、多批次、差異化的特點(diǎn)。在激烈變化的市場競爭環(huán)境下，庫存管理作為一個必要手段，為企業(yè)創(chuàng)造了可持續(xù)競爭優(yōu)勢，合理的庫存管理策略能夠在保持較高客戶服務(wù)水平的同時，有效控制企業(yè)庫存水平，創(chuàng)造更多利潤。電子商務(wù)愈來愈注重消費(fèi)者體驗，同時消費(fèi)者的不確定需求影響著供應(yīng)鏈管理的物流、信息流、資金流，進(jìn)而影響企業(yè)的效益。其中，庫存控制是提高企業(yè)利潤空間的重要手段之一。

電商零售商優(yōu)化庫存問題，引起了國內(nèi)外學(xué)者的重視。Acimovic和Graves考慮在電子商務(wù)背景下對聯(lián)合庫存進(jìn)行補(bǔ)貨和調(diào)配，該研究以運(yùn)輸成本最優(yōu)為原則，通過啟發(fā)式的方式進(jìn)行決策，魯棒性較好。Heissi和Sethuraman解決多家零售商聯(lián)合補(bǔ)貨的問題，建立博弈模型，在多家零售商之間實現(xiàn)補(bǔ)貨均衡，根據(jù)事先通知零售商的調(diào)配決策，使零售商能夠在較小的成本下做出補(bǔ)貨決策。Protopappa-Sieke等人解決制造商和零售商之間的調(diào)撥和補(bǔ)貨問題，通過建立供應(yīng)合同，實現(xiàn)更好的調(diào)撥和補(bǔ)貨決策。Tinoco和Creemers研究了兩家企業(yè)協(xié)作運(yùn)輸?shù)难a(bǔ)貨模式，使兩家企業(yè)在著重考慮運(yùn)輸成本的前提下同步補(bǔ)貨，通過建立模型來支持補(bǔ)貨和分配決策。Stenius和Karaarslan研究一個配送中心對多家零售商的補(bǔ)貨和調(diào)撥決策，通過數(shù)學(xué)計算推導(dǎo)出每個零售商水平的準(zhǔn)確概率分布和其他庫存信息，從而求解訂貨提貨前期的補(bǔ)貨和調(diào)撥決策。

國內(nèi)的學(xué)者們在庫存優(yōu)化方面也取得了一些成果。王林與鄭貴蓮等人基于資源有限和數(shù)量折扣考慮配送中心選址，構(gòu)建聯(lián)合補(bǔ)貨模型，在模擬退火算法的基礎(chǔ)上求解聯(lián)合補(bǔ)貨的方法，使得庫存總成本降低。宋世強(qiáng)在冷鏈中解決二級冷庫的補(bǔ)貨和調(diào)配問題，研究基于兩個冷庫之間的補(bǔ)貨和提前期，在兩個冷庫中采用不同的補(bǔ)貨策略，有效優(yōu)化安全庫存。艾學(xué)軼與張金隆等人建立聯(lián)合調(diào)撥非即時變質(zhì)品的模型，通過迭代算法對變質(zhì)后的補(bǔ)貨和調(diào)撥進(jìn)行決策，最終實現(xiàn)非即時變質(zhì)品變質(zhì)率的有效降低。成誠與左傳等人對供應(yīng)商的短期折扣、特殊補(bǔ)貨，在結(jié)合經(jīng)濟(jì)訂貨批量的前提下，建立效益最大化模型，應(yīng)用全局優(yōu)化算法，檢測和研究庫存補(bǔ)貨決策的有效性。董琪與徐廷學(xué)針對多層次庫存網(wǎng)絡(luò)，考慮多層次庫存之間的分配問題，構(gòu)建庫存優(yōu)化模型，利用迭代算法和解決分配決策軟件進(jìn)行分配決策，有效控制庫存成本。曹斌斌與孫靜春等人采用線性補(bǔ)貨策略，針對有補(bǔ)貨提前期的供應(yīng)鏈節(jié)點(diǎn)進(jìn)行管理，有效抑制了牛鞭效應(yīng)的產(chǎn)生。

上述學(xué)者充分了解庫存優(yōu)化的重要性，但對于庫存優(yōu)化策略和算法優(yōu)化卻較少有研究。本文旨在探討電商零售商家?guī)齑鎯?yōu)化問題的解決方案，通過構(gòu)建庫存優(yōu)化的策略和模型，運(yùn)用改進(jìn)的遺傳算法，關(guān)注于如何制定有效的庫存管理策略，并分析不同參數(shù)（持有成本、庫存成本、訂購費(fèi)用）對不同需求模式商品補(bǔ)貨計劃的影響。本文的目標(biāo)是為電商零售商提供一個綜合的參考框架，幫助他們在競爭激烈的市場環(huán)境中作出更明智的決策。

1 問題描述

本文的補(bǔ)貨計劃是指按固定的庫存盤點(diǎn)周期NRT=1，對每個商品決策應(yīng)采購多少貨物。其中所有商品期初庫存均為5，且采購提前期LT=3，即采購的貨物只能在LT天后到達(dá)。商品的持有成本及缺貨成本均與商品價格正相關(guān)，基于周期性盤點(diǎn)庫存策略（s，S）、需求量，給出商家歷史出貨量范圍內(nèi)倉庫及商品在 2023年5月16日至 2023年5月30日的補(bǔ)貨計劃，目標(biāo)是降低成本，提升服務(wù)水平，并降低庫存周轉(zhuǎn)天數(shù)。

（1）數(shù)據(jù)預(yù)處理：商品價格數(shù)據(jù)表中給出了1191種商品的價格，結(jié)合商家歷史出貨量中給出的銷售數(shù)據(jù)，進(jìn)行商品篩選和數(shù)據(jù)拼合，得到1957條SKU數(shù)據(jù)，對應(yīng)34個商家、1191種商品和54個倉庫?？紤]商品的持有成本、庫存成本、商品本身的價格正相關(guān)，為了判斷不同類型商品的持有成本、缺貨成本對總成本的影響，根據(jù)商品價格和序列類別劃分為四類，其中價格劃分按照排序后商品價格分布情況，劃分為low、medium、high、veryhigh，序列類別劃分則按照SBC分類法將商品劃分為intermmitent、Lumpy、Erratic、Smooth。

（2）模型建立：建立整數(shù)規(guī)劃模型來計算最優(yōu)的補(bǔ)貨策略，主要考慮的目標(biāo)函數(shù)是商品的持有成本、缺貨成本、訂購成本和庫存周轉(zhuǎn)天數(shù)，并采用服務(wù)水平衡量模型求解結(jié)果的可靠性。考慮的約束主要包含庫存更新約束、缺貨約束、采購約束、倉庫容量約束和期初庫存約束。由于模型在建立階段會出現(xiàn)非線性表達(dá)式，如當(dāng)執(zhí)行（s，S）補(bǔ)貨策略時，庫存水平低于訂購點(diǎn)s時，商品采購量為最大庫存S減去當(dāng)前庫存水平，否則為0，此時的采購量為分段函數(shù)形式且受到其他變量的影響，因此需要對模型進(jìn)行線性化處理。

（3）模型靈敏度分析：假設(shè)持有成本和缺貨成本與商品價格正相關(guān)，但是不同商品的持有成本、缺貨成本對目標(biāo)函數(shù)取值的影響是不同的，且不同的訂購成本對總成本的影響也是不同的，因此本文將組合不同類別商品的持有成本率、缺貨成本率、訂購價格的變化情況，研究補(bǔ)貨策略的變化情況。

通過以上三個步驟，本文旨在給出低成本、高服務(wù)水平、低庫存周轉(zhuǎn)天數(shù)下的補(bǔ)貨策略，幫助商家進(jìn)行采購、銷售和運(yùn)營。

2 模型建立

2.1 符號說明

2.2 模型假設(shè)

該模型的假設(shè)主要包括成本、審查期、提前期、庫存四個方面，具體如下：

假設(shè)1：商品的持有成本和缺貨成本均與商品的價格成正比。

假設(shè)2：商品的持有成本系數(shù)與缺貨成本系數(shù)的和為1。

假設(shè)3：每種商品的訂購成本與商品的價格成正比。

假設(shè)4：庫存周期內(nèi)的訂貨點(diǎn)和最大庫存水平為同一值，不隨時間變化。

假設(shè)5：商家在期末進(jìn)行庫存盤點(diǎn)，并決定是否進(jìn)行采購。

假設(shè)6：交貨期是確定的，不存在訂單交叉現(xiàn)象。

假設(shè)7：每次訂購的商品經(jīng)過提前期時間，在期初到貨。

假設(shè)8：前一天的期末庫存等于后一天的期初庫存。

假設(shè)9：本文考慮的庫存優(yōu)化問題為單階段庫存問題，不考慮商品物流存在多個運(yùn)輸節(jié)點(diǎn)。

2.3 目標(biāo)函數(shù)

（1）持有成本和缺貨成本

模型的目標(biāo)函數(shù)中考慮到在計劃周期內(nèi)每一天存在的庫存成本和缺貨成本，其中庫存和缺貨成本根據(jù)該SKU的實際價格，按照其所屬類別的持有成本系數(shù)和缺貨成本系數(shù)得到。

（2）庫存周轉(zhuǎn)天數(shù)

模型的目標(biāo)函數(shù)中考慮到整個計劃周期內(nèi)所有SKU的庫存周轉(zhuǎn)天數(shù)。

（3）訂購成本

模型的目標(biāo)函數(shù)中考慮到每個SKU在整個計劃周期內(nèi)存在的訂購成本，具體的訂購成本由該SKU的實際價格和所屬類別的訂購成本系數(shù)確定。

（4）目標(biāo)函數(shù)

由于目標(biāo)函數(shù)中存在不同的量綱，因此本文通過加權(quán)和的方式來設(shè)置模型的目標(biāo)函數(shù)。

2.4 約束條件

（1）期初庫存約束

期初庫存約束主要對所有SKU在整個計劃周期剛開始的庫存容量水平進(jìn)行約束。

（2）商品缺貨量約束

商品缺貨量約束主要對所有SKU在整個計劃周期內(nèi)每一天的缺貨量進(jìn)行約束，由于假設(shè)前三天沒有補(bǔ)貨量到達(dá)，因此該約束的表達(dá)形式存在兩種。

（3）庫存更新約束

庫存更新約束主要對所有SKU在整個計劃周期內(nèi)每一天的庫存平衡進(jìn)行約束，由于假設(shè)前三天沒有補(bǔ)貨量到達(dá)，因此該約束的表達(dá)形式存在兩種。約束［10］是為了保證前一天的期末庫存等于后一天的期初庫存。

（4）商品采購約束

商品采購約束主要對所有SKU在整個計劃周期內(nèi)每一天的采購量進(jìn)行約束，如果當(dāng)天的期末庫存低于安全策略（s，S），即訂購補(bǔ)貨量至S。

（5）倉庫容量約束

倉庫容量約束主要指對每一個倉庫的容量進(jìn)行約束，針對每一個倉庫中所有SKU每一天的補(bǔ)貨量進(jìn)行約束。

3 線性化處理

（1）商品缺貨約束線性化處理

由于約束［6］和約束［7］存在邏輯約束，需要對其進(jìn)行線性化處理，引入輔助0-1變量后約束如下：

（2）庫存更新約束線性化處理

由于約束［8］和約束［9］存在邏輯約束，同樣需要對其進(jìn)行線性化處理，因其判斷邏輯和商品缺貨約束相同，因此同樣使用輔助變量，線性化處理后如下：

（3）商品采購約束線性化處理

由于約束［11］存在邏輯約束，需要對其進(jìn)行線性化處理，引入0-1輔助變量ipk，p，w，t，線性化處理結(jié)果如下：

4 改進(jìn)遺傳算法設(shè)計

本文提出改進(jìn)遺傳算法，對編碼方式、交叉機(jī)制和變異機(jī)制進(jìn)行了創(chuàng)新，提出的編碼方式根據(jù)問題的屬性進(jìn)行構(gòu)造。交叉機(jī)制是根據(jù)每一個SKU單品進(jìn)行交叉，變異機(jī)制是對每一個SKU的安全庫存進(jìn)行變異，并生成一個新的序列。算法流程如圖1所示。

4.1 編碼方式和初始解生成

本文提出一種基于庫存優(yōu)化的全新編碼方式，根據(jù)每一個SKU單品，前兩位為安全庫存策略s和S，接下來15個數(shù)字為每天的具體補(bǔ)貨量。每一個SKU單品對應(yīng)長度為17的列表，如果存在K個SKU單品，那么最后每個個體長度為17*K。

在初始解生成階段，算法對歷史需求信息進(jìn)行分析，得到一些啟發(fā)式信息，并將其運(yùn)用在每個SKU單品安全庫存設(shè)置部分，其中s為該單品15天內(nèi)的平均需求量加上一個隨機(jī)數(shù)，S為該單品15天內(nèi)前三個最大需求量的總和。在對補(bǔ)貨量x進(jìn)行初始化時，算法設(shè)置每天補(bǔ)貨量均為0，之后隨機(jī)對其中某天的補(bǔ)貨量進(jìn)行增加，直到總補(bǔ)貨量大于或等于需求量為止。

4.2 基于單品的交叉機(jī)制

在我們的遺傳算法設(shè)計中，針對編碼結(jié)構(gòu)的特殊性，采取了創(chuàng)新的交叉操作策略。由于每個單品在編碼中占據(jù)17個單位長度，交叉操作設(shè)計為圍繞單個單品進(jìn)行。具體來說，算法在執(zhí)行交叉操作時，會選取以單品為單位的整體編碼段進(jìn)行交換，而非單個編碼元素。這種方法的主要優(yōu)勢在于能夠保障每個單品編碼的完整性，確保交叉后的個體中每個單品所對應(yīng)的編碼仍然完整地反映其安全庫存和補(bǔ)貨量信息。這種精細(xì)化的交叉策略，不僅增強(qiáng)了遺傳算法在維持編碼結(jié)構(gòu)一致性方面的能力，而且提高了算法在解空間探索中的效率和有效性，確保每次交叉操作都能產(chǎn)生有意義且可行的新個體，從而在遺傳算法的整個演化過程中持續(xù)優(yōu)化解決方案質(zhì)量。

4.3 基于安全庫存的變異機(jī)制

算法設(shè)計當(dāng)中，考慮到編碼方式的完整性，本文在對每一個體進(jìn)行變異時，首先考慮安全庫存s和S，通過增加一個隨機(jī)擾動進(jìn)行變異，之后根據(jù)變異的s和S對補(bǔ)貨量數(shù)據(jù)再次進(jìn)行初始化，完成對其中某個SKU單品的變異操作，每次變異過程中會挑選若干個單品進(jìn)行變異，操作示意如圖4所示。

4.4 選擇機(jī)制

算法的選擇機(jī)制根據(jù)每個個體的適應(yīng)度值對種群進(jìn)行更新，本文采用經(jīng)典的輪盤賭機(jī)制和敬意保留機(jī)制。在每次選擇過程中，保留適應(yīng)度值最好的N個個體，對剩余的其他個體進(jìn)行輪盤賭機(jī)制選擇，對整個種群進(jìn)行更新。

4.5 適應(yīng)度值計算

考慮到庫存優(yōu)化問題的特殊性，同時考慮持有成本、訂購成本和庫存周轉(zhuǎn)天數(shù)，通過每一個SKU個體的s、S和補(bǔ)貨量個數(shù)，得到對應(yīng)每一天的期初庫存和期末庫存，之后根據(jù)得到的具體庫存數(shù)量計算對應(yīng)的適應(yīng)值，庫存周轉(zhuǎn)天數(shù)公式如下：

5 算例分析

5.1 算例設(shè)置

在算例設(shè)置過程中挑選四種類別，25個SKU單品，對100個單品進(jìn)行庫存優(yōu)化決策，對每一天的補(bǔ)貨量和計劃周期T內(nèi)的安全庫存策略進(jìn)行決策。對于模型中的具體參數(shù)部分，NRT盤點(diǎn)庫存時間設(shè)置為1；LT訂貨提前期設(shè)置為3；庫存持有成本和缺貨成本根據(jù)當(dāng)前SKU價格進(jìn)行判斷，庫存持有成本為價格的40%，缺貨成本為價格的60%；每個SKU每次的訂購成本為商品售價的80%。具體的參數(shù)信息見表4。

5.2 算法求解和數(shù)值分析

在本節(jié)中對三種不同求解方法的結(jié)果進(jìn)行了細(xì)致的比較與分析，涵蓋了Gurobi、COPT和遺傳算法（GA）。這一比較主要集中在各方法求解問題的時間效率和結(jié)果精度兩個關(guān)鍵方面。具體的數(shù)值結(jié)果已在表5中詳細(xì)列出。從小規(guī)模算例的求解結(jié)果來看，Gurobi和COPT在精度和耗時上均明顯優(yōu)于GA，其中Gurobi求解速度最快。然而，在面對大規(guī)模算例的求解挑戰(zhàn)時，傳統(tǒng)求解器在運(yùn)算過程中往往難以快速獲得優(yōu)質(zhì)解決方案。相較之下，GA在這一場景下展現(xiàn)出了卓越的性能，不僅求解效率更高，而且能更快地接近最優(yōu)解，顯示出其在處理復(fù)雜大規(guī)模問題上的明顯優(yōu)勢。

5.3 持有成本系數(shù)對不同價格商品庫存優(yōu)化模型的影響

本節(jié)主要對基于商品價格分類的庫存優(yōu)化模型進(jìn)行靈敏度分析，對缺貨成本和持有成本兩個參數(shù)進(jìn)行調(diào)整，得到其對模型的影響程度。

圖5展示了不同價格分類的商品持有、缺貨成本和所有商品的成本變化情況，可以看到無論商品價格高低，隨著持有成本系數(shù)的增加（缺貨成本系數(shù)的降低），四種類別的商品持有和缺貨成本總是呈現(xiàn)先下降再上升的趨勢，且均在商品的持有成本系數(shù)等于0.4時，該類別的持有缺貨成本達(dá)到最低水平。當(dāng)持有成本系數(shù)等于0.1、缺貨成本等于0.9時，該類別的商品持有缺貨成本總是低于持有成本系數(shù)等于0.9、缺貨成本等于0.1時。該系數(shù)下該類別商品的庫存數(shù)量和缺貨數(shù)量見圖6，持有成本越高、缺貨成本越低，商品庫存數(shù)量越少、缺貨數(shù)量越多，且隨著持有成本的增加，持有數(shù)量的下降速度從快逐漸到慢，缺貨數(shù)量上升速度從慢變快，整體上商品的采購數(shù)量呈現(xiàn)下降的趨勢，且下降速度逐漸加快。結(jié)合圖7看到四種價格類型的商品隨著持有成本系數(shù)的增加，采購成本均呈現(xiàn)出下降的趨勢，且在本問中采購成本與采購次數(shù)相關(guān)，也就是說采購次數(shù)同樣呈現(xiàn)出明顯下降的趨勢，下降的速度加快。對于價格高昂的商品，在持有成本高的情況下，采購數(shù)量和次數(shù)下降速度高于其他價格類型的商品。總之，當(dāng)持有成本等于或大于缺貨成本時，應(yīng)當(dāng)盡可能降低庫存，當(dāng)持有成本明顯低于缺貨成本時適合進(jìn)行補(bǔ)貨，價格更高的商品相比價格低的商品訂購次數(shù)更少，尤其是在庫存成本高的情況下。

圖8繪制了不同價格分類的商品在不同持有成本系數(shù)下商品平均庫存周轉(zhuǎn)天數(shù)的變化情況，可以看到隨著持有成本系數(shù)的增加，所有價格類型商品的庫存周轉(zhuǎn)天數(shù)都呈現(xiàn)出下降的趨勢，盡管價格類型為high的商品在持有成本系數(shù)為0.6時出現(xiàn)向上的波動。只有當(dāng)持有成本系數(shù)剛開始增加時，商品的庫存周轉(zhuǎn)天數(shù)顯著降低，后期當(dāng)持有成本增加時，庫存周轉(zhuǎn)天數(shù)的下降速度減慢，且逐漸穩(wěn)定。同圖5至圖7，只有當(dāng)商品持有成本特別低時，才適合進(jìn)行補(bǔ)貨和備貨，否則應(yīng)當(dāng)盡可能降低庫存。根據(jù)圖8，價格類型為low的商品的庫存周轉(zhuǎn)天數(shù)高于其他價格類型的商品，也就是說價格越低的商品越適合執(zhí)行囤貨策略。

圖9展示了四種價格類型商品的平均服務(wù)水平在不同持有成本系數(shù)下的變化情況。在持有成本較低的情況下，最優(yōu)補(bǔ)貨計劃對于價格為veryhigh的商品的服務(wù)水平在0.8以上，高于另外三種類型。隨著持有成本系數(shù)的增加，所有類型商品的服務(wù)水平都呈現(xiàn)出下降趨勢，且下降速度加快，且通常價格為high和veryhigh的商品的服務(wù)水平高于low、medium類型。也就是說價格較高的商品應(yīng)當(dāng)盡可能避免缺貨情況，其持有水平應(yīng)當(dāng)高于其他價格類型的商品，即使在持有成本較高的情況下。

5.4 訂購成本系數(shù)對庫存優(yōu)化模型的影響

圖 10繪制了不同訂購成本系數(shù)下，補(bǔ)貨計劃的持有、缺貨、訂購成本的變化情況。從圖10可以看出：隨著訂貨成本系數(shù)的增加，總體捕獲成本呈現(xiàn)上升的趨勢，但是商品的持有成本保持相對穩(wěn)定的趨勢，在60000左右上下小幅浮動，商品的缺貨成本則隨著訂購成本系數(shù)的增加展現(xiàn)出緩慢上升的趨勢：當(dāng)訂貨成本系數(shù)增加時，商品的訂購總次數(shù)明顯減少，但商品訂購次數(shù)下降的速度從快變慢。結(jié)合圖11可以看到，商品的總采購量也呈現(xiàn)出下降的趨勢，持有量的上升幅度較小，缺貨量的上升幅度相比持有量較大。訂貨成本較高的情況下，最優(yōu)采購量下降，每次采購應(yīng)當(dāng)少量增加采購量，允許接受缺貨的存在以降低庫存總成本。

根據(jù)圖10可以看到盡管隨著訂購成本系數(shù)的增加，庫存周轉(zhuǎn)天數(shù)呈現(xiàn)下降的趨勢，但分布在0.8～0.9，下降幅度較小，相比持有成本系數(shù)的變化對庫存的影響較小。該下降可能是由缺貨造成的，由于訂購成本增加，商家可以犧牲缺貨成本，保持缺貨狀態(tài)，控制庫存周轉(zhuǎn)天數(shù)，從而降低成本。

5.5 最大庫存水平S和最小庫存水平s對補(bǔ)貨計劃的影響

本文建立的模型假設(shè)是基于周期內(nèi)的s、S為同一值不產(chǎn)生變化，同時本文也對比了當(dāng)每天的s、S都處于變動的情況下，如果訂購成本等于0，最優(yōu)的補(bǔ)貨策略是當(dāng)天的訂購量為提前期后的需求量，此時每天的期末水平IE均等于0，見圖 12，此時商品的總持有和庫存成本等于0。對比圖13，當(dāng)s、S在庫存周期內(nèi)保持不變時，其訂購量不隨需求變動，而是同時受到持有成本、庫存成本的影響。也就是說，最優(yōu)的補(bǔ)貨策略應(yīng)當(dāng)嚴(yán)格遵守需求值，此時能夠帶來最小的持有缺貨成本和庫存周轉(zhuǎn)天數(shù)，且滿足較高的商品服務(wù)水平。

6 結(jié)論

隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，越來越多的研究開始聚焦于運(yùn)用先進(jìn)的數(shù)據(jù)分析和優(yōu)化技術(shù)來解決庫存優(yōu)化問題。例如，機(jī)器學(xué)習(xí)方法在需求預(yù)測中顯示出巨大的潛力，能夠處理和分析大量的歷史數(shù)據(jù)，從而提高預(yù)測的準(zhǔn)確性。此外，優(yōu)化算法如混合整數(shù)規(guī)劃、啟發(fā)式算法等，已被廣泛應(yīng)用于庫存管理策略優(yōu)化，以適應(yīng)電商環(huán)境的動態(tài)變化和復(fù)雜性。

對于庫存優(yōu)化問題，本文構(gòu)建數(shù)學(xué)模型，以安全庫存策略s、S和每日的補(bǔ)貨量為核心決策變量，目標(biāo)為最小化庫存總持有成本、庫存周轉(zhuǎn)天數(shù)和訂購成本。對模型非線性部分進(jìn)行了線性化處理，并使用Gurobi和COPT進(jìn)行求解驗證。最后，本文將改進(jìn)的遺傳算法應(yīng)用于庫存優(yōu)化問題，提出了一種全新的編碼方式，并根據(jù)問題特點(diǎn)設(shè)置了定制的交叉和變異策略，數(shù)值實驗證明了該算法在求解庫存優(yōu)化問題上的有效性。但本文主要聚焦于確定性情況的討論，后續(xù)會結(jié)合隨機(jī)性進(jìn)行研究。

參考文獻(xiàn)：

［1］ 孫月，邱若臻.聯(lián)合訂貨下基于Φ-散度的多產(chǎn)品庫存魯棒優(yōu)化模型［J］.運(yùn)籌與管理，2020，29（6）：97-106.

［2］ 溫兆琦. OAO模式下F跨境電商企業(yè)的爆品庫存優(yōu)化研究［D］.廈門：廈門大學(xué)，2019.

［3］ ACIMOVIC J， GRAVES S C. Mitigating spillover in online retailing via replenishment［J］.M&som-manufacturing & Service Operations Management，2017，19（3）： 419-436.

［4］ HE S M， SETHURAMAN J， WANG X. A noncooperative approach to cost allocation in joint replenishment［J］. Operations Research，2017，65（6）：1562-1573.

［5］ PROTOPAPPA-SICKE M， SICKE M A， THONEMANN U W. Optimal two-period inventory allocation under multiple service level contracts［J］. European Joumal of Operational Research，2016，252（1）：145-155.

［6］ PADILTA T S V， CREEMERS S， BOUTE R N. Collaborative shipping under different cost-sharing agreements［J］. European Journal of Operational Rescarch， 2017，263（3）：827-837.

［7］ STENIUS O， KARAARSLAN A G， MARKLUND. Exact analysis of divergent inventory systems with time-based shipment consolidation and compound poisson demand［J］.Operation Research，2016，64（4）：906-921.

［8］ 王林，鄭貴蓮，曾宇容.考慮資源約束和數(shù)量折扣的聯(lián)合補(bǔ)貨-選址庫存協(xié)同優(yōu)化研究［J］.運(yùn)籌與管理，2019，28（1）：17-26.

［9］ 宋世強(qiáng).市域農(nóng)產(chǎn)品電商冷鏈補(bǔ)貨周期模型研究［J］.商訊，2018（2）：59-61.

［10］ 艾學(xué)軼，張金隆，徐浩軒，等.考慮保存技術(shù)投資的非立即變質(zhì)品定價和庫存聯(lián)合決策［J］.系統(tǒng)管理學(xué)報，2020（1）：150-157.

［11］ 成誠，左傳，王宜舉.帶短期價格折扣和允許兩次特殊補(bǔ)貨的庫存決策模型［J］.運(yùn)籌學(xué)學(xué)報，2018，22（2）：139-156.

［12］ 董琪，徐廷學(xué)，叢林虎.基于Markov三級庫存系統(tǒng)備件橫向調(diào)撥配置模型［J］.系統(tǒng)工程與電子技術(shù)，2015，37（11）：2524-2530.

［13］ 曹斌斌，孫靜春，趙媛.考慮補(bǔ)貨策略的供需驅(qū)動鏈牛鞭效應(yīng)分析［J］.系統(tǒng)工程，2015，33（11）：38-45.