CN110059865A - 一种资源的优化处理方法及装置 - Google Patents

一种资源的优化处理方法及装置 Download PDF

Info

Publication number
CN110059865A
CN110059865A CN201910234778.1A CN201910234778A CN110059865A CN 110059865 A CN110059865 A CN 110059865A CN 201910234778 A CN201910234778 A CN 201910234778A CN 110059865 A CN110059865 A CN 110059865A
Authority
CN
China
Prior art keywords
gradient
resource
consumption
target object
upper limit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910234778.1A
Other languages
English (en)
Other versions
CN110059865B (zh
Inventor
韩俊
郑循茂
范珂
伍嘉文
商勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910234778.1A priority Critical patent/CN110059865B/zh
Publication of CN110059865A publication Critical patent/CN110059865A/zh
Application granted granted Critical
Publication of CN110059865B publication Critical patent/CN110059865B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种资源的优化处理方法及装置，涉及数据处理技术领域，该方法包括：获取每个目标对象的总数量，根据每个目标对象的总数量、k个梯度中对象的单位资源消耗量以及策略模型，确定每个目标对象在k个梯度中的目标数量，策略模型的目标函数包括最小化总资源消耗量，策略模型的约束条件与每个目标对象的总数量及预设梯度相关。根据每个目标对象在k个梯度中的目标数量和k个梯度中对象的单位资源消耗量确定总资源消耗量，在总资源消耗量不大于目标梯度的资源消耗量上限时，将总资源消耗量确定为目标资源消耗量。通过构建策略模型确定最低总资源消耗量，相较于人为搭配采购方案来说，不仅提高了资源利用率，同时提高了处理效率。

Description

一种资源的优化处理方法及装置
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种资源的优化处理方法及装置。
背景技术
当商家同时出售多种商品，根据用户的累计采购额设置不同的价格梯度时，在不同价格梯度同一商品可能有不同的价格。用户可以人为的在一笔采购订单中随意搭配各个价格梯度的商品数量。当一笔订单跨越多个价格梯度时，在买到的商品及数量一定的情况下，不同的搭配方式可能会得到不同的总采购价，因此，人为搭配的资源消耗方案往往得到的并不是最小的总资源消耗量，从而既导致处理效率低，同时导致资源利用率降低。
发明内容
由于人为搭配的资源消耗方案往往得到的并不是最小的总资源消耗量，从而既导致处理效率低，同时导致资源利用率降低的问题，本发明实施例提供了一种资源的优化处理方法及装置。
一方面，本发明实施例提供了一种资源的优化处理方法，包括：
获取用户输入的每个目标对象的总数量；
根据每个目标对象的总数量、k个梯度中每个对象对应的单位资源消耗量以及策略模型，确定每个目标对象在k个梯度中的目标数量，所述策略模型的目标函数至少包括最小化总资源消耗量，所述策略模型的约束条件至少包括每个目标对象在各个梯度中的目标数量之和为所述每个目标对象的总数量，针对除目标梯度之外的每个梯度，所述目标对象在所述梯度中的资源消耗量为所述梯度的资源消耗量上限与所述梯度的前一个梯度的资源消耗量上限之差，所述目标梯度为各个梯度中资源消耗量上限最大的梯度，k为大于0的整数；
根据每个目标对象在k个梯度中的目标数量和k个梯度中每个对象对应的单位资源消耗量确定第一总资源消耗量；
在所述第一总资源消耗量不大于所述目标梯度的资源消耗量上限时，将所述第一总资源消耗量确定为目标资源消耗量。
一方面，本发明实施例提供了一种资源的优化处理装置，包括：
获取模块，用于获取用户输入的每个目标对象的总数量；
处理模块，用于根据每个目标对象的总数量、k个梯度中每个对象对应的单位资源消耗量以及策略模型，确定每个目标对象在k个梯度中的目标数量，所述策略模型的目标函数至少包括最小化总资源消耗量，所述策略模型的约束条件至少包括每个目标对象在各个梯度中的目标数量之和为所述每个目标对象的总数量，针对除目标梯度之外的每个梯度，所述目标对象在所述梯度中的资源消耗量为所述梯度的资源消耗量上限与所述梯度的前一个梯度的资源消耗量上限之差，所述目标梯度为各个梯度中资源消耗量上限最大的梯度，k为大于0的整数；
分析模块，用于根据每个目标对象在k个梯度中的目标数量和k个梯度中每个对象对应的单位资源消耗量确定第一总资源消耗量；
控制模块，用于在所述第一总资源消耗量不大于所述目标梯度的资源消耗量上限时，将所述第一总资源消耗量确定为目标资源消耗量。
可选地，所述控制模块还用于，在所述第一总资源消耗量大于所述目标梯度的资源消耗量上限时，确定k+1个梯度；
所述处理模块还用于，根据每个目标对象的总数量、k+1个梯度中每个对象的对应的单位资源消耗量以及所述策略模型，确定每个目标对象在k+1个梯度中的目标数量；
所述分析模块还用于，根据每个目标对象在k+1个梯度中的目标数量和k+1个梯度中每个对象对应的单位资源消耗量确定第二总资源消耗量；
所述控制模块还用于，在所述第二总资源消耗量大于目标梯度的资源消耗量上限时，确定k+2个梯度，依次类推，直到确定目标资源消耗量。
可选地，所述处理模块还用于，在确定用户的累积资源消耗量大于零时，修正各个梯度的资源消耗量上限，修正后的资源消耗量上限为修正前的资源消耗量上限与累积资源消耗量的差值。
一方面，本发明实施例中提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现资源的优化处理方法的步骤。
一方面，本发明实施例中提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行资源的优化处理方法的步骤。
由于预先构建策略模型，其中，策略模型的目标函数至少包括最小化总资源消耗量，策略模型的约束条件与目标对象的总数量和各梯度相关，故采用策略模型可以确定在满足目标函数和约束条件时，每个目标对象在各个梯度中的目标数量，从而确定优化的目标资源消耗量，相较于人为搭配采购方案来说，采用策略模型不仅提高了资源利用率，避免了用户损失，同时提高了处理效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种应用场景示意图；
图2为本发明实施例提供的一种采购界面示意图；
图3为本发明实施例提供的一种资源的优化处理方法的流程示意图；
图4为本发明实施例提供的一种资源的优化处理方法的流程示意图；
图5为本发明实施例提供的一种资源的优化处理装置的结构示意图；
图6为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了方便理解，下面对本发明实施例中涉及的名词进行解释。
价格梯度：指为促进销量，根据采购量或采购额的不同，为商品制定不同的单价。比如，根据采购量制定价格梯度时，某商品采购中，采购1个商品，单价1元，采购10个商品，单价0.7元，采购100个商品，单价0.5元。比如，根据采购额制定价格梯度时，某商品采购中，采购额小于100元时，单价1元，采购额在100元至500元之间时，单价0.7元，采购额大于500元时，单价0.5元。
在具体实践过程中，本发明的发明人发现，当商家同时出售多种商品，根据用户的累计采购额设置不同的价格梯度时，在不同梯度同一商品可能有不同的价格。示例性地，针对视频卡中的月卡、季卡和年卡三种商品，可以设置如表1所示价格梯度。
表1.
梯度 采购额 月卡价格(元) 季卡价格(元) 年卡价格(元)
第一梯度 0-1000元 18 50 170
第二梯度 1001-2500元 15 43 150
第三梯度 >2500元 14 39 120
由表1可知，采购额不相同时，上述三种视频卡的单价不相同，比如采购额为0-1000元之间时，月卡的单价为18元，采购额为1001-2500元之间时，月卡的单价为15元。采购额大于2500元时，月卡的单价为15元。
当人为的在一笔采购订单中随意搭配各个价格梯度的商品数量时，在买到的商品及数量一定的情况下，不同的搭配方式可能会得到不同的采购总额。
示例性地，设定用户的采购任务如表2所示：
表2.
月卡 季卡 年卡
采购量(张) 14 15 16
针对表1所示的价格梯度和表2所示的采购任务，人为搭配以下两种采购方案，示例性地，采购方案1如表3所示：
表3.
月卡采购量 季卡采购量 年卡采购量
0-1000元 10 13 1
1001-2500元 0 0 10
>2500元 4 2 5
由表3可知，人为搭配的采购方案1中，采购额为0-1000元之间时，月卡的采购量为10张，采购额为1001-2500元之间时，月卡的采购量为0张，采购额大于2500元时，月卡的采购量为4张，月卡的总采购量为14张，即采购任务中的总采购量。同理，表3中还包括季卡和年卡在各个价格梯度中的采购量。根据表3所示的采购方案1以及表1所示的价格梯度可以计算得到采购方案1的采购总额为3234元。
示例性地，采购方案2如表4所示：
表4.
月卡采购量 季卡采购量 年卡采购量
0-1000元 0 3 5
1001-2500元 0 0 10
>2500元 14 12 1
由表4可知，人为搭配的采购方案2中，采购额为0-1000元之间时，月卡的采购量为0张，采购额为1001-2500元之间时，月卡的采购量为0张，采购额大于2500元时，月卡的采购量为14张，月卡的总采购量为14张，即采购任务中的总采购量。同理，表4还包括季卡和年卡在各个价格梯度中的采购量。根据表4所示的采购方案2以及表1所示的价格梯度可以计算得到采购方案2的采购总额为3284元。
通过比较采购方案1和采购方案2可知，采购档案1和采购档案2均满足采购任务，即采购的商品和所采购商品的数量是相同的，但是，采购档案1和采购档案2的采购总额是不相同的，其中，采购方案1的采购总额低于采购方案2的采购总额。其次，虽然采购方案1的采购总额低于采购方案2的采购总额，但是并不能确定采购方案1的采购总额是最低采购总额，可能还有其它的采购方案的采购总额比采购方案1的采购总额低。在采购额较大时，最高采购总额和最低采购总额的差距可能会很大，因此，人为搭配的方案不能保证得到最低采购总额，从而既导致处理效率低，同时导致资源利用率降低。
为此，考虑到当商户的价格梯度以及采购任务中各商品的采购总量一定时，不同的采购方案中始终会存在一个采购总额最低的采购方案，因此，为确定采购总额最低的采购方案，可以构建策略模型，其中，策略模型的目标函数至少包括最小化总资源消耗量，策略模型的约束条件至少包括每个目标对象在各个梯度中的目标数量之和为每个目标对象的总数量，针对除目标梯度之外的每个梯度，目标对象在梯度中的资源消耗量为梯度的资源消耗量上限与梯度的前一个梯度的资源消耗量上限之差，目标梯度为各个梯度中资源消耗量上限最大的梯度。采用该策略模型、商户制定的价格梯度以及采购任务中各商品的采购总量可以确定每个商品在各个价格梯度中的目标数量，然后进一步根据目标数量和价格梯度可以确定最低采购额。相较于人为搭配采购方案来说，采用策略模型不仅提高了资源利用率，避免了用户损失，同时提高了处理效率。
本发明实施例中的资源的优化处理方法可以应用于如图1所示的应用场景，在该应用场景中包括终端设备101、管理平台102。
终端设备101是具备网络通信能力的电子设备，该电子设备可以是智能手机、平板电脑或便携式个人计算机等等，终端设备101上安装有采购应用程序。用户在需要采购商品时，可以点击终端设备101中采购应用程序的图标，启动采购应用程序。然后在采购应用程序的页面中输入需要采购的每种商品的总数量，创建采购订单。终端设备101通过无线网络与管理平台102连接，终端设备101将每种商品的总数量发送至管理平台102，管理平台102根据策略模型、价格梯度以及每种商品的总数量确定采购方案，之后再将采购方案中商品的当前单价以及采购总额发送至终端设备101。终端设备101中的采购应用程序显示商品的当前价格以及采购总额。示例性地，采购应用程序的采购界面如图2所示，用户在界面中填写每种商品的总数量，将视频卡中月卡的数量设置为14张，将季卡的数量设置为15张，将年卡的数量设置为16张。管理平台102根据各个视频卡的总数量、价格梯度以及策略模型确定总采购额以及各个视频卡的当前单价，并将总采购额以及各个视频卡的当前单价发送至终端设备101，终端设备101中的采购应用程序显示总采购额为3214元，月卡的当前单价为15元，季卡的当前单价为：3张单价为50元，9张单价为43元，3张单价为39元。年卡的当前单价为：5张单价为170元，6张单价为150元，5张单价为120元。
基于图1所示的应用场景图，本发明实施例提供了一种资源的优化处理方法的流程，该方法的流程可以由资源的优化处理装置执行，资源的优化处理装置可以是如图1所示的管理平台，如图3所示，包括以下步骤：
步骤S301，获取用户输入的每个目标对象的总数量。
具体地，目标对象可以是各类需要采购的商品，既可以是虚拟商品，比如视频卡、超级会员卡等，也可以是实际商品。每个目标对象的总数量可以由用户根据自身需求进行设置。
步骤S302，根据每个目标对象的总数量、k个梯度中每个对象对应的单位资源消耗量以及策略模型，确定每个目标对象在k个梯度中的目标数量。
具体地，梯度表示价格梯度，由商户根据实际需求进行设置，k为大于0的整数，单位资源消耗量可以是单个对象的资源消耗量，消耗的资源可以是虚拟资源，也可以是实际资源。当梯度为价格梯度时，单个对象的资源消耗量为单价。在采购时，每个目标对象在k个梯度中的目标数量可以是每个目标对象在k个梯度中的采购量。
策略模型包括目标函数和约束条件，其中策略模型的目标函数至少包括最小化总资源消耗量。
在一种可能的实施方式中，策略模型的目标函数包括最小化总资源消耗量和最小化梯度空隙，具体符合以下公式(1)：
其中，pij表示第i梯度、第j个目标对象的单位资源消耗量，xij为第i梯度、第j个目标对象的目标数量，k表示梯度的数量、m表示目标对象的个数，si表示第i梯度的梯度空隙，s0＝0。
由于策略模型的目标函数包括最小化总资源消耗量和最小化梯度空隙，故根据策略模型确定每个目标对象在各个梯度中的采购量时，既能使用户获得优惠的采购价格，又能避免商户损失。
可选地，策略模型的目标函数中梯度空隙的比重可以按照实际情况进行设置，比如将梯度空隙乘以预设的常数系数，实现对梯度空隙的比重的调整，具体符合以下公式(2)：
其中，pij表示第i梯度、第j个目标对象的单位资源消耗量，xij为第i梯度、第j个目标对象的目标数量，k表示梯度的数量、m表示目标对象的个数，si表示第i梯度的梯度空隙，q为常数系数。
具体实施中，梯度空隙为第i梯度中采用第i+1梯度的单位资源消耗量进行处理的资源消耗量，i为大于0的整数。示例性地，以用户采购场景来说，设定第一梯度的商品单价为10元，第一梯度上限额为95元，那么第一梯度中会有5元的空隙无法完全买满，该空隙采用第二梯度的单价计价，则第一梯度的梯度空隙为5元。示例性地，设定第一梯度中商品A的单价为10元，商品B的商品单价为8元，第一梯度上限额为95元，那么第一梯度的梯度空隙根据商品A和商品B的组合情况确定，比如，当商品A的数量为9个，商品B的数量为0个时，第一梯度的梯度空隙为5元，比如，当商品A的数量为3个，商品B的数量为8个时，第一梯度的梯度空隙为1元。
在一种可能的实施方式中，策略模型的目标函数包括最小化总资源消耗量，具体符合以下公式(3)：
其中，pij表示第i梯度、第j个目标对象的单位资源消耗量，xij为第i梯度、第j个目标对象的目标数量，k表示梯度的数量、m表示目标对象的个数。
策略模型的约束条件至少包括每个目标对象在各个梯度中的目标数量之和为每个目标对象的总数量，针对除目标梯度之外的每个梯度，目标对象在梯度中的资源消耗量为梯度的资源消耗量上限与梯度的前一个梯度的资源消耗量上限之差，目标梯度为各个梯度中资源消耗量上限最大的梯度。
在一种可能的实施方式中，策略模型的约束条件包括两个约束条件，其中，约束条件1为：每个目标对象在各个梯度中的目标数量之和为每个目标对象的总数量，具体符合以下公式(4)：
其中，xij为第i梯度、第j个目标对象的目标数量，k表示梯度的数量、m表示目标对象的个数，cj表示第j个目标对象的总数量。
约束条件2为：针对除目标梯度之外的每个梯度，目标对象在梯度中的资源消耗量为梯度的资源消耗量上限与梯度的前一个梯度的资源消耗量上限之差，目标梯度为各个梯度中资源消耗量上限最大的梯度，具体符合以下公式(5)：
其中，pij表示第i梯度、第j个目标对象的单位资源消耗量，xij为第i梯度、第j个目标对象的目标数量，k表示梯度的数量、m表示目标对象的个数，si表示第i梯度的梯度空隙，si-1表示第i-1梯度的梯度空隙，gi表示第i梯度的资源消耗量上限，gi-1表示第i-1梯度的资源消耗量上限，第k梯度为目标梯度。
在一种可能的实施方式中，策略模型的约束条件包括三个约束条件，其中，约束条件1为：每个目标对象在各个梯度中的目标数量之和为每个目标对象的总数量，具体符合上述公式(4)。
约束条件2为：针对除目标梯度之外的每个梯度，目标对象在梯度中的资源消耗量为梯度的资源消耗量上限与梯度的前一个梯度的资源消耗量上限之差，目标梯度为各个梯度中资源消耗量上限最大的梯度，具体符合上述公式(5)。
约束条件3为：梯度空隙的范围为预设范围，具体符合以下公式(6)：
0≤si≤ri………………(6)
其中，si表示第i梯度的梯度空隙，ri为第i梯度的梯度空隙对应的预设阈值，梯度空隙为第i梯度中采用第i+1梯度的单位资源消耗量进行处理的资源消耗量，i为大于0的整数。
在一种可能的实施方式中，ri可以为第i梯度中各个目标对象中最高的单位资源消耗量，即ri＝max(pi1，pi2，pi3，…，pim)。
进一步地，预先从价格梯度中确定k个梯度，k大于0，且小于或等于梯度中的总梯度，根据每个目标对象的总数量、k个梯度中每个对象对应的单位资源消耗量求解策略模型，在策略模型满足目标函数以及约束条件时，确定每个目标对象在k个梯度中的目标数量。
步骤S303，根据每个目标对象在k个梯度中的目标数量和k个梯度中每个对象对应的单位资源消耗量确定第一总资源消耗量。
步骤S304，在第一总资源消耗量不大于目标梯度的资源消耗量上限时，将第一总资源消耗量确定为目标资源消耗量。
具体地，梯度的资源消耗量上限由商户根据实际情况进行设定，在采购场景中，梯度为价格梯度，资源消耗量上限可以为采购的上限额，总资源消耗量为采购总额。示例性地，如表1所示的价格梯度中，第一梯度的上限额为1000元，第二梯度的上线额为2500元，第三梯度的上限额为无穷大。当采购总额不大于目标梯度的上限额时，说明每个目标对象在k个梯度中的采购量既满足策略模型中目标函数和优化条件，同时满足预设的价格梯度，因此当前采购总额为最低采购总额。
由于预先构建策略模型，其中，策略模型的目标函数至少包括最小化总资源消耗量，策略模型的约束条件与目标对象的总数量和各梯度相关，故采用策略模型可以确定在满足目标函数和约束条件时，每个目标对象在各个梯度中的目标数量，从而确定优化的目标资源消耗量，相较于人为搭配采购方案来说，采用策略模型不仅提高了资源利用率，避免了用户损失，同时提高了处理效率。
可选地，在上述步骤S304中，在第一总资源消耗量大于目标梯度的资源消耗量上限时，资源的优化处理方法包括以下步骤，如图4所示：
步骤S401，获取用户输入的每个目标对象的总数量。
步骤S402，根据每个目标对象的总数量、k个梯度中每个对象对应的单位资源消耗量以及策略模型，确定每个目标对象在k个梯度中的目标数量。
步骤S403，根据每个目标对象在k个梯度中的目标数量和k个梯度中每个对象对应的单位资源消耗量确定第a总资源消耗量。
步骤S404，判断第a总资源消耗量是否不大于目标梯度的资源消耗量上限，若是，则执行步骤S405，否则执行步骤S406。
步骤S405，将第a总资源消耗量确定为目标资源消耗量。
步骤S406，设置k＝k+1，a＝a+1，执行步骤S402。
示例性地，下面以采购场景为例进行具体说明，设定k＝1，a＝1，针对表1所示的价格梯度和表2所示的采购任务，根据上述公式(1)可以得到策略模型的目标函数为：
min:18x11+50x12+170x13
根据上述公式(4)所示的约束条件可得每种视频卡的采购量为：
x11＝14
x12＝15
x13＝16
根据每种视频卡的采购量和第一梯度中视频卡的单价可得第1采购总额为3570元，当k＝1时，目标梯度的上限额为1000元，由于第1采购总额大于目标梯度的上限额，因此得到的视频卡的采购方案不可行。
设定k＝2，a＝2，针对表1所示的价格梯度和表2所示的采购任务，根据上述公式(1)可以得到策略模型的目标函数为：
min:18x11+50x12+170x13+15x21+43x22+150x23+s1
根据上述公式(4)可以得到策略模型的约束条件1为：
18x11+50x12+170x13+s1-s0＝1000
根据上述公式(5)可以得到策略模型的约束条件2为：
x11+x21＝14
x12+x22＝15
x13+x23＝16
利用混合整数线性规划工具可得到s1＝0，视频卡的采购方案如表5所示：
表5.
月卡采购量 季卡采购量 年卡采购量
0-1000元 0 3 5
1001-2500元 14 12 11
>2500元
根据每种视频卡的采购量、第一梯度和第二梯度中视频卡的单价可得第2采购总额为3376元，当k＝2时，目标梯度的上限额为第二梯度的上限额，即2500元，由于第2采购总额大于目标梯度的上限额，因此得到的视频卡的采购方案不可行。
设定k＝3，a＝3，针对表1所示的价格梯度和表2所示的采购任务，根据上述公式(1)可以得到策略模型的目标函数为：
min:18x11+50x12+170x13+15x21+43x22+150x23+
14x31+39x32+120x33+s1+s2
根据上述公式(4)可以得到策略模型的约束条件1为：
18x11+50x12+170x13+s1-s0＝1000
15x21+43x22+150x23+s2-s1＝1500
根据上述公式(5)可以得到策略模型的约束条件2为：
x11+x21+x31＝14
x12+x22+x32＝15
x13+x23+x33＝16
利用混合整数线性规划工具可得到s1＝0，s2＝3，视频卡的采购方案如表6所示：
表6.
月卡采购量 季卡采购量 年卡采购量
0-1000元 0 3 5
1001-2500元 14 9 6
>2500元 0 3 5
根据每种视频卡的采购量、第一梯度至第三梯度中视频卡的单价可得第3采购总额为3214元，当k＝3时，目标梯度的上限额为第三梯度的上限额，即无穷大，由于采购总额不大于目标梯度的上限额，因此得到的表6所示的每种视频卡在三个梯度中的采购量为目标采购量，采购总额3214元为最低采购额。具体实施中，在确定k个梯度时，可以如上述实施例所示的采用从小到大的顺序，比如k＝1，k＝2，k＝3。也可以采用从大到小的顺序，比如k＝3，k＝2，k＝1，还可以是随机的顺序，比如k＝1，k＝3，k＝2，对此，本发明实施例不做具体限定。需要说明的是，当采用从大到小的顺序或者随机的顺序时，若因为不满足策略模型的约束条件而无法求出解时，直接减少k值。
通过从商户预设的价格梯度中选取一个梯度，然后基于策略模型确定每个目标对象在选择的梯度中的采购量，再通过比较采购总额与目标梯度的上限额确定当前每个目标对象在选择的梯度中的采购量是否合理，在不合理时，逐步增加梯度数量，直到确定每个目标对象的目标采购量，从而进一步确定最低采购总额，以使用户采用最低采购额采购目标对象，减少了用户损失。
可选地，在确定用户的累积资源消耗量大于零时，修正各个梯度的资源消耗量上限，修正后的资源消耗量上限为修正前的资源消耗量上限与累积资源消耗量的差值。
具体地，累积资源消耗量为一个用户多次消耗的资源量的总和，以采购场景为例来说，用户初次采购时，累积采购额为0。设定用户初次采购时，总采购额为1500元，则当用户第二次采购时，用户的累积采购额为1500元。根据表1所示的价格梯度进行采购时，可以调整表1所示的价格梯度中各个梯度的上限额，如表7所示：
表7.
梯度 采购额 修正前的上限额 修正后的上限额
第一梯度 0-1000元 1000 0
第二梯度 1001-2500元 2500 1000
第三梯度 >2500元 +∞ +∞
此时，针对表1所示的价格梯度和表2所示的采购任务，确定采购方案的流程具体为：设定k＝3，a＝3，根据上述公式(1)可以得到策略模型的目标函数为：
min:18x11+50x12+170x13+15x21+43x22+150x23+
14x31+39x32+120x33+s1+s2
根据上述公式(4)可以得到策略模型的约束条件1为：
18x11+50x12+170x13+s1-s0＝0
15x21+43x22+150x23+s2-s1＝1000
根据上述公式(5)可以得到策略模型的约束条件2为：
x11+x21+x31＝14
x12+x22+x32＝15
x13+x23+x33＝16
利用混合整数线性规划工具可得到s1＝0，s2＝10，每种视频卡的采购量如表8所示：
表8.
月卡采购量 季卡采购量 年卡采购量
0-1000元 0 0 0
1001-2500元 13 15 1
>2500元 1 0 15
根据每种视频卡的采购量、第一梯度至第三梯度中视频卡的单价可得第3采购总额为2804元，当k＝3时，目标梯度的上限额为第三梯度的上限额，即无穷大，由于第3采购总额不大于目标梯度的上限额，因此得到的表8所示的每种视频卡在三个梯度中的采购量为目标采购量，第3采购总额2804元为最低采购额。
由于在用户的累积采购额大于零时，根据累积采购额调整价格梯度中各个梯度的上限额，之后再采用策略模型以及调整后的价格梯度确定采购方案，使得用户在累积采购额越高时，获得更优惠的采购价格。
基于相同的技术构思，本发明实施例提供了一种资源的优化处理装置，如图5所示，该装置500包括：
获取模块501，用于获取用户输入的每个目标对象的总数量；
处理模块502，用于根据每个目标对象的总数量、k个梯度中每个对象对应的单位资源消耗量以及策略模型，确定每个目标对象在k个梯度中的目标数量，所述策略模型的目标函数至少包括最小化总资源消耗量，所述策略模型的约束条件至少包括每个目标对象在各个梯度中的目标数量之和为所述每个目标对象的总数量，针对除目标梯度之外的每个梯度，所述目标对象在所述梯度中的资源消耗量为所述梯度的资源消耗量上限与所述梯度的前一个梯度的资源消耗量上限之差，所述目标梯度为各个梯度中资源消耗量上限最大的梯度，k为大于0的整数；
分析模块503，用于根据每个目标对象在k个梯度中的目标数量和k个梯度中每个对象对应的单位资源消耗量确定第一总资源消耗量；
控制模块504，用于在所述第一总资源消耗量不大于所述目标梯度的资源消耗量上限时，将所述第一总资源消耗量确定为目标资源消耗量。
可选地，所述策略模型的目标函数还包括最小化梯度空隙，所述梯度空隙为第i梯度中采用第i+1梯度的单位资源消耗量进行处理的资源消耗量，i为大于0的整数。
可选地，所述策略模型的约束条件还包括梯度空隙的范围为预设范围，所述梯度空隙为第i梯度中采用第i+1梯度的单位资源消耗量进行处理的资源消耗量，i为大于0的整数。
可选地，所述控制模块504还用于，在所述第一总资源消耗量大于所述目标梯度的资源消耗量上限时，确定k+1个梯度；
所述处理模块502还用于，根据每个目标对象的总数量、k+1个梯度中每个对象的对应的单位资源消耗量以及所述策略模型，确定每个目标对象在k+1个梯度中的目标数量；
所述分析模块503还用于，根据每个目标对象在k+1个梯度中的目标数量和k+1个梯度中每个对象对应的单位资源消耗量确定第二总资源消耗量；
所述控制模块504还用于，在所述第二总资源消耗量大于目标梯度的资源消耗量上限时，确定k+2个梯度，依次类推，直到确定目标资源消耗量。
可选地，所述处理模块502还用于，在确定用户的累积资源消耗量大于零时，修正各个梯度的资源消耗量上限，修正后的资源消耗量上限为修正前的资源消耗量上限与累积资源消耗量的差值。
基于相同的技术构思，本发明实施例提供了一种计算机设备，如图6所示，包括至少一个处理器601，以及与至少一个处理器连接的存储器602，本发明实施例中不限定处理器601与存储器602之间的具体连接介质，图6中处理器601和存储器602之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本发明实施例中，存储器602存储有可被至少一个处理器601运行的计算机程序，至少一个处理器601通过执行存储器1002存储的计算机程序，可以执行前述的资源的优化处理方法中所包括的步骤。
其中，处理器601是计算机设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器602内的指令以及调用存储在存储器602内的数据，从而确定优化处理方案。可选的，处理器601可包括一个或多个处理单元，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。在一些实施例中，处理器601和存储器602可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器601可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器602可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本发明实施例中的存储器602还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于相同的技术构思，本发明实施例中提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行资源的优化处理方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种资源的优化处理方法，其特征在于，包括：
获取用户输入的每个目标对象的总数量；
根据每个目标对象的总数量、k个梯度中每个对象对应的单位资源消耗量以及策略模型，确定每个目标对象在k个梯度中的目标数量，所述策略模型的目标函数至少包括最小化总资源消耗量，所述策略模型的约束条件至少包括每个目标对象在各个梯度中的目标数量之和为所述每个目标对象的总数量，针对除目标梯度之外的每个梯度，所述目标对象在所述梯度中的资源消耗量为所述梯度的资源消耗量上限与所述梯度的前一个梯度的资源消耗量上限之差，所述目标梯度为各个梯度中资源消耗量上限最大的梯度，k为大于0的整数；
根据每个目标对象在k个梯度中的目标数量和k个梯度中每个对象对应的单位资源消耗量确定第一总资源消耗量；
在所述第一总资源消耗量不大于所述目标梯度的资源消耗量上限时，将所述第一总资源消耗量确定为目标资源消耗量。
2.如权利要求1所述的方法，其特征在于，所述策略模型的目标函数还包括最小化梯度空隙，所述梯度空隙为第i梯度中采用第i+1梯度的单位资源消耗量进行处理的资源消耗量，i为大于0的整数。
3.如权利要求1所述的方法，其特征在于，所述策略模型的约束条件还包括梯度空隙的范围为预设范围，所述梯度空隙为第i梯度中采用第i+1梯度的单位资源消耗量进行处理的资源消耗量，i为大于0的整数。
4.如权利要求1至3任一所述的方法，其特征在于，还包括：
在所述第一总资源消耗量大于所述目标梯度的资源消耗量上限时，确定k+1个梯度；
根据每个目标对象的总数量、k+1个梯度中每个对象的对应的单位资源消耗量以及所述策略模型，确定每个目标对象在k+1个梯度中的目标数量；
根据每个目标对象在k+1个梯度中的目标数量和k+1个梯度中每个对象对应的单位资源消耗量确定第二总资源消耗量；
在所述第二总资源消耗量大于目标梯度的资源消耗量上限时，确定k+2个梯度，依次类推，直到确定目标资源消耗量。
5.如权利要求4所述的方法，其特征在于，还包括：
在确定用户的累积资源消耗量大于零时，修正各个梯度的资源消耗量上限，修正后的资源消耗量上限为修正前的资源消耗量上限与累积资源消耗量的差值。
6.一种资源的优化处理装置，其特征在于，包括：
获取模块，用于获取用户输入的每个目标对象的总数量；
处理模块，用于根据每个目标对象的总数量、k个梯度中每个对象对应的单位资源消耗量以及策略模型，确定每个目标对象在k个梯度中的目标数量，所述策略模型的目标函数至少包括最小化总资源消耗量，所述策略模型的约束条件至少包括每个目标对象在各个梯度中的目标数量之和为所述每个目标对象的总数量，针对除目标梯度之外的每个梯度，所述目标对象在所述梯度中的资源消耗量为所述梯度的资源消耗量上限与所述梯度的前一个梯度的资源消耗量上限之差，所述目标梯度为各个梯度中资源消耗量上限最大的梯度，k为大于0的整数；
分析模块，用于根据每个目标对象在k个梯度中的目标数量和k个梯度中每个对象对应的单位资源消耗量确定第一总资源消耗量；
控制模块，用于在所述第一总资源消耗量不大于所述目标梯度的资源消耗量上限时，将所述第一总资源消耗量确定为目标资源消耗量。
7.如权利要求6所述的装置，其特征在于，所述策略模型的目标函数还包括最小化梯度空隙，所述梯度空隙为第i梯度中采用第i+1梯度的单位资源消耗量进行处理的资源消耗量，i为大于0的整数。
8.如权利要求6所述的装置，其特征在于，所述策略模型的约束条件还包括梯度空隙的范围为预设范围，所述梯度空隙为第i梯度中采用第i+1梯度的单位资源消耗量进行处理的资源消耗量，i为大于0的整数。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1～5任一权利要求所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行权利要求1～5任一所述方法的步骤。
CN201910234778.1A 2019-03-26 2019-03-26 一种资源的优化处理方法及装置 Active CN110059865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910234778.1A CN110059865B (zh) 2019-03-26 2019-03-26 一种资源的优化处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910234778.1A CN110059865B (zh) 2019-03-26 2019-03-26 一种资源的优化处理方法及装置

Publications (2)

Publication Number Publication Date
CN110059865A true CN110059865A (zh) 2019-07-26
CN110059865B CN110059865B (zh) 2021-03-12

Family

ID=67317411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910234778.1A Active CN110059865B (zh) 2019-03-26 2019-03-26 一种资源的优化处理方法及装置

Country Status (1)

Country Link
CN (1) CN110059865B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680877A (zh) * 2020-05-06 2020-09-18 杭州传化智能制造科技有限公司 产线调度方法、装置、计算机设备和计算机可读存储介质
CN112508272A (zh) * 2020-12-03 2021-03-16 杭州网易再顾科技有限公司 一种对象供给控制方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169784A (zh) * 2017-03-31 2017-09-15 北京三快在线科技有限公司 一种套餐价格确定方法及装置，电子设备
CN107730316A (zh) * 2017-10-19 2018-02-23 深圳开思时代科技有限公司 商品多价格应用方法、装置及系统
CN107886396A (zh) * 2017-11-03 2018-04-06 上海信传信息技术有限公司 一种基于利润的原材料性价比排名方法及装置
KR101876341B1 (ko) * 2017-04-27 2018-07-10 주식회사 디앤샤인 유류 탱크의 재고 관리 및 모니터링 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169784A (zh) * 2017-03-31 2017-09-15 北京三快在线科技有限公司 一种套餐价格确定方法及装置，电子设备
KR101876341B1 (ko) * 2017-04-27 2018-07-10 주식회사 디앤샤인 유류 탱크의 재고 관리 및 모니터링 시스템
CN107730316A (zh) * 2017-10-19 2018-02-23 深圳开思时代科技有限公司 商品多价格应用方法、装置及系统
CN107886396A (zh) * 2017-11-03 2018-04-06 上海信传信息技术有限公司 一种基于利润的原材料性价比排名方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680877A (zh) * 2020-05-06 2020-09-18 杭州传化智能制造科技有限公司 产线调度方法、装置、计算机设备和计算机可读存储介质
CN112508272A (zh) * 2020-12-03 2021-03-16 杭州网易再顾科技有限公司 一种对象供给控制方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110059865B (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
Lappas et al. Multi‐stage adjustable robust optimization for process scheduling under uncertainty
Consigli et al. Dynamic stochastic programmingfor asset-liability management
Hsu et al. Tax-effective supply chain decisions under China's export-oriented tax policies
CN111401619B (zh) 采购订单处理方法、装置、电子设备及存储介质
WO2020244468A1 (zh) 金融产品推荐方法、装置、电子设备及计算机存储介质
CN109903152A (zh) 违约损失分析方法、装置及计算机可读存储介质
JP2022048359A (ja) アドバイス提示システム、アドバイス提示端末、および、プログラム
CN102222285B (zh) 多维度数据联动计算装置和多维度数据联动计算方法
CN110059865A (zh) 一种资源的优化处理方法及装置
CN106506607A (zh) 基于公平可信双向拍卖机制的云计算资源分配方法
CN110020952A (zh) 一种金融数据处理方法及装置
WO2013177395A2 (en) Methods and systems for order matching
CN115202890B (zh) 数据元件生产资源空间分配方法、系统及设备
US20210272077A1 (en) Server
US20080255983A1 (en) System and method for bait generation
JP2005018287A (ja) 株式売買注文発注システム及び株式売買注文の発注方法
KR102627118B1 (ko) 주식 정보 개인화 서비스를 위한 서버 및 그 방법
CN110413614A (zh) 一种数据表生成的方法及装置
CA3049762A1 (en) Systems and methods of sequencing or combining multiple related, but different, transaction requests into a single transaction
CN115860917A (zh) 一种分期还款计算方法、终端及计算机存储介质
Kalir et al. Global optimization of a semiconductor IC supply chain network
CN115170287A (zh) 一种定期账户分层计息系统及方法
Ye et al. Analysis On Manufacturing Logistics Network Equilibrium Under the VMI Inventory Management Mode
CN111738820A (zh) 一种数据自动修改方法、装置及存储介质
CN117827907A (zh) 一种清结算方法和相关装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant