CN114240052A - 一种基于遗传算法的组合销售策略优化方法及系统 - Google Patents
一种基于遗传算法的组合销售策略优化方法及系统 Download PDFInfo
- Publication number
- CN114240052A CN114240052A CN202111356707.2A CN202111356707A CN114240052A CN 114240052 A CN114240052 A CN 114240052A CN 202111356707 A CN202111356707 A CN 202111356707A CN 114240052 A CN114240052 A CN 114240052A
- Authority
- CN
- China
- Prior art keywords
- sales
- combined
- product
- historical
- model
- 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.)
- Pending
Links
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0212—Chance discounts or incentives
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于遗传算法的组合销售策略优化方法及系统,所述方法包括:获取多种产品的历史销售数据;基于历史销售数据建立针对多种产品的组合销售策略优化模型;其中,组合销售策略优化模型的优化变量为多种产品的组合销售策略,组合销售策略优化模型的优化目标为多种产品的总利润最大化;采用遗传算法求解组合销售策略优化模型,获得目标组合销售策略。本发明基于多种产品的历史销售数据建立了组合销售策略优化模型,并且采用遗传算法对多种产品的组合销售策略进行优化,获取满足优化目标的目标组合销售策略,克服了遗传算法难以在产品的组合销售策略优化方面应用的缺陷,从而有效地提高了多产品组合销售的总利润。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于遗传算法的组合销售策略优化方法及系统。
背景技术
产品的组合销售策略动态优化是指在各种相关因素约束条件下,寻求企业的各种不同产品之间的最佳组合。产品的组合销售策略动态优化的整个过程也是产品战略决策的过程。它是企业遵循一定的优化原则,考虑多方面的有利条件和制约因素,运用科学的决策方法和手段,对多种产品组合的方案进行论证、比较,直至最终找出不同产品的最佳组合。产品的组合随市场需求、资源条件和经营环境等各种因素的变化而变动。
目前,产品的组合销售的相关优化手段只有通过不断开发新产品、改进或淘汰老产品,适时调整企业产品战略来实现。难以实现对当前产品的组合销售策略进行优化从而提高产品的销售利润。
有鉴于此,亟需一种组合销售策略优化方法,对当前的多种产品的组合销售策略进行优化,提高产品的销售利润。
发明内容
本发明提供一种基于遗传算法的组合销售策略优化,用以解决现有技术中难以实现对当前产品的组合销售策略进行优化从而提高产品的销售利润。
第一方面,本发明提供一种基于遗传算法的组合销售策略优化方法,包括:获取多种产品的历史销售数据;基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型;其中,所述组合销售策略优化模型的优化变量为所述多种产品的组合销售策略,所述组合销售策略优化模型的优化目标为所述多种产品的总利润最大化;采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略。
根据本发明提供的一种基于遗传算法的组合销售策略优化方法,所述组合销售策略为确定所述多种产品中每种产品的预测销售数量;所述基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型,包括:设置所述组合销售策略优化模型的第一约束条件和第二约束条件;所述第一约束条件为所述每种产品的预测售价均在所述每种产品的最低历史售价与最高历史售价之间;所述第二约束条件为所述每种产品的预测市场占有率均在所述每种产品的最小历史市场占有率和最大历史市场占有率之间。
根据本发明提供的一种基于遗传算法的组合销售策略优化方法,所述历史销售数据包括每种产品的历史售价和历史销售数量;在设置所述组合销售策略优化模型的第一约束条件和第二约束条件之前,还包括:基于所述每种产品的历史售价与历史销售数量建立每种产品的价格弹性模型;基于所述价格弹性模型,根据所述每种产品的预测销售数量确定所述每种产品的预测售价;根据所述历史销售数据中每种产品的历史售价确定每种产品的最低历史售价和最高历史售价。
根据本发明提供的一种基于遗传算法的组合销售策略优化方法,在设置所述组合销售策略优化模型的第一约束条件和第二约束条件之前,还包括:基于预先建立的机器学习模型,利用所述历史销售数据预测每种产品的预测市场容量;基于所述每种产品的预测销售数量和所述预测市场容量确定所述每种产品的预测市场占有率。
根据本发明提供的一种基于遗传算法的组合销售策略优化方法,所述采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略,包括:
步骤1、预设遗传算法的最大迭代次数,将任一组合销售策略作为初始个体并且按照所述第一约束条件和第二约束条件生成初始种群;
步骤2、计算所述初始种群中每一个个体的适应度,所述适应度为所述总利润;
步骤3、对所述初始种群进行选择运算、交叉运算以及变异运算生成下一代种群;
步骤4、迭代执行步骤2至步骤3,至到迭代次数达到所述最大迭代次数;
步骤5、选择迭代过程中适应度最大的个体作为所述目标组合销售策略。
根据本发明提供的一种基于遗传算法的组合销售策略优化方法,在设置所述组合销售策略优化模型的第一约束条件和第二约束条件之后,还包括:基于所述每种产品的预测销售数量和所述每种产品的预测售价计算所述每种产品的销售收益;根据所述每种产品的预测市场占有率匹配每种产品的预设奖励收益;基于所述每种产品的销售收益和预设奖励收益计算所有产品的总利润。
根据本发明提供的一种基于遗传算法的组合销售策略优化方法,在所述机器学习模型为长短期记忆人工神经网络LSTM模型的情况下;所述基于预先建立的机器学习模型,利用所述历史销售数据预测每种产品的预测市场容量,包括:根据所述历史销售数据获取每种产品的历史市场容量;将所述每种产品的历史市场容量输入到所述LSTM模型中;获取所述LSTM模型输出的所述每种产品的预测市场容量。
第二方面,本发明还提供一种基于遗传算法的组合销售策略优化系统,包括:数据获取模块,用于获取多种产品的历史销售数据;模型建立模块,用于基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型;其中,所述组合销售策略优化模型的优化变量为所述多种产品的组合销售策略,所述组合销售策略优化模型的优化目标为所述多种产品的总利润最大化;模型求解模块,用于采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略。
第三方面,本发明提供一种电子设备,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如上述任一种所述基于遗传算法的组合销售策略优化方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于遗传算法的组合销售策略优化方法的步骤。
本发明提供的基于遗传算法的组合销售策略优化方法及系统,基于多种产品的历史销售数据建立了组合销售策略优化模型,并且采用遗传算法对多种产品的组合销售策略进行优化,获取满足优化目标的目标组合销售策略,克服了遗传算法难以在产品的组合销售策略优化方面应用的缺陷,从而有效地提高了多产品组合销售的总利润。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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。
图1是本发明提供的基于遗传算法的组合销售策略优化方法的流程示意图;
图2是本发明提供的价格弹性模型的结构示意图;
图3是本发明提供的LSTM模型的结构示意图;
图4是本发明提供的每种产品的利润的计算逻辑示意图;
图5是本发明提供的基于遗传算法的组合销售策略优化系统的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合图1-图6描述本发明实施例所提供的基于遗传算法的组合销售策略优化方法和系统。
图1是本发明提供的基于遗传算法的组合销售策略优化方法的流程示意图,如图1所示,包括但不限于以下步骤:
步骤101:获取多种产品的历史销售数据。
企业生产的各种产品,往往都是通过多个分销商进行销售的。本发明中的历史销售数据可以包括各个分销商以及企业在对多种产品进行销售时产生的历史销售数据。涉及到的历史销售数据的类型包括但不限于:各种产品在不同时期的历史市场容量数据、各种产品的历史售价、各产品的历史销售数量等。
需要说明的是,由于市场是在不断变化的,所以本发明中的历史销售数据也是在不断的更新。
作为一个可选的实施例,本发明建立了一个数据共享平台,所述数据共享平台整合了各个分销商以及企业的历史销售数据,并且可以接收用户对历史销售数据进行查询、更新等。
步骤102:基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型。
可选地,假如待销售的产品有产品A、产品B和产品C。那么,产品的一个组合销售策略可以为在未来一定时期内的各产品的预测销售数量,例如,在未来3个月内销售产品A10件、产品B5件、产品C8件。
为了使得分销商售出的产品A、B和C的总利润最大化,可以建立一个组合销售策略优化模型。其中,所述组合销售策略优化模型的优化变量为多种产品的组合销售策略,所述组合销售策略优化模型的优化目标为获得使多种产品的总利润最大化的组合销售策略。
步骤103:采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略。
在确定了组合销售策略优化模型的优化目标以及优化变量的情况下,可以采用遗传算法求解组合销售策略优化模型。通过将一个组合销售策略作为个体,通过遗传算法对组合销售策略进行不断地优化,获取满足组合销售策略优化模型的优化目标的组合销售策略,并将其作为目标优化策略。
本发明提供了一种基于遗传算法的组合销售策略优化方法,基于多种产品的历史销售数据建立了组合销售策略优化模型,并且采用遗传算法对多种产品的组合销售策略进行优化,获取满足优化目标的目标组合销售策略,克服了遗传算法难以在产品的组合销售策略优化方面应用的缺陷,从而有效地提高了多产品组合销售的总利润。
基于上述实施例,作为一种可选实施例,本发明提供的基于遗传算法的组合销售策略优化方法,所述组合销售策略为确定所述多种产品中每种产品的预测销售数量;所述基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型,包括:设置所述组合销售策略优化模型的第一约束条件和第二约束条件;所述第一约束条件为所述每种产品的预测售价均在所述每种产品的最低历史售价与最高历史售价之间;所述第二约束条件为所述每种产品的预测市场占有率均在所述每种产品的最小历史市场占有率和最大历史市场占有率之间。
在对组合销售策略进行优化的过程中,往往受到多方面条件的约束。可选地,根据市场的实际情况,本发明设置了第一约束条件和第二约束条件为组合销售策略优化模型的约束条件。下面对两种约束条件进行简单的介绍。
需要说明的是,本发明中遗传算法对组合销售策略进行优化的过程,其实就是对在未来一定时期内每种产品的预测销售数量进行优化的过程。每种产品的预测销售数量在优化的过程是在不断的发生变化的。
在优化过程生成了多种不同的组合销售策略,能够使得总利润最大的组合销售策略,才是本发明所要求解的目标组合销售策略(即每种产品的目标销售数量)。
在分销商对产品进行销售时,可以设置一个初始的组合销售策略,该组合销售策略设置售出产品A的预测销售数量为x件。一般情况下,分销商在组合销售策略中设置的x越小,则产品A的预测售价会越大;相应地,设置的x越大,则产品A的预测售价会越小。所以,在对组合销售策略进行优化的过程中,由于x的变化,产品A的预测售价也会发生变化。
在对组合销售策略进行优化过程中预测售价必须满足以下条件:每种产品的预测售价均在所述每种产品的最低历史售价与最高历史售价之间,即第一约束条件。
在实际场景中,由于产品销售数量的变化往往容易受到各种因素,如季节、竞品策略调整等影响出现大幅波动。与其相比市场占有率表现的更加稳定。
基于此,本发明中并没有直接对预测销售数量进行约束,而是对预测市场占有率进行约束。
相应的,在对组合销售策略进行优化的过程中,在每种产品的预测销售数量变化的时候,每种产品的预测市场占有率也会发生变化。第二约束条件即为对预测市场占有率的约束,具体为:每种产品的预测市场占有率在每种产品的最小历史市场占有率和最大历史市场占有率之间。
本发明提供的一种基于遗传算法的组合销售策略优化方法,通过设置组合销售策略优化模型的约束条件,使得最终得到的目标组合销售策略更加符合市场销售的实际情况,使得目标组合销售策略具有更好的可执行性。
基于上述实施例,作为一种可选实施例,本发明提供的基于遗传算法的组合销售策略优化方法,所述历史销售数据包括每种产品的历史售价和历史销售数量;在设置所述组合销售策略优化模型的第一约束条件和第二约束条件之前,还包括:基于所述每种产品的历史售价与历史销售数量建立每种产品的价格弹性模型;基于所述价格弹性模型,根据所述每种产品的预测销售数量确定所述每种产品的预测售价;根据所述历史销售数据中每种产品的历史售价确定每种产品的最低历史售价和最高历史售价。
图2是本发明提供的价格弹性模型的结构示意图,如图2所示,根据每种产品的历史售价和历史销售数量,建立价格弹性模型。可选地,通过机器学习模型(例如神经网络模型)拟合每种产品的历史售价和历史销售数量得到价格弹性模型。然后,将每种产品的预测销售数量输入到价格弹性模型中,价格弹性模型的输出即为每种产品的预测售价。
需要说明的是,由于在对组合销售策略优化的过程中,预测销售数量是在不断的优化的。相应的,不同预测销售数量会对应不同的预测售价以及总利润。
因为本发明中的组合销售策略优化模型的优化目标就是总利润最大化,所以在对组合销售策略进行优化的过程就是基于总利润的大小进行的。在总利润取得最大值时,每种产品的预测销售数量就是本发明所求解的目标组合销售策略。
通过价格弹性模型不断的计算当前的预测销售数量对应的当前的预测售价,其实是为了计算以当前的组合销售策略(当前的每种产品的预测销售数量)进行销售时,能够获取的总利润,为后续进一步的优化提供基础。这也是价格弹性模型所起到的作用。
另外,通过对每种产品的历史售价和历史销售数量等历史销售数据的分析,可以获取每种产品的最低历史售价和最高历史售价。
本发明通过历史销售数据建立了价格弹性模型,以便于得到每种产品的预测售价,从而为第一约束条件中的预测售价提供了进行量化的数学模型,更加有利于将遗传算法应用到求解组合销售策略优化模型这种实际场景中。
基于上述实施例,作为一种可选实施例,本发明提供的基于遗传算法的组合销售策略优化方法,还包括:基于预先建立的机器学习模型,利用所述历史销售数据预测每种产品的预测市场容量;基于所述每种产品的预测销售数量和所述预测市场容量确定所述每种产品的预测市场占有率。
本发明中历史市场容量是指市场在一定时期内能够吸纳某种产品的单位数目。
图3是本发明提供的LSTM模型的结构示意图,如图3所示,机器学习模型可以选择为LSTM模型。基于历史销售数据可以获取在过去一段时间内的每种产品的历史市场容量数据。通过将每种产品的历史市场容量数据输入到预先建立的LSTM模型中,LSTM模型可以输出的每种产品的预测市场容量。
可选地,历史市场容量数据的形式可以为:时间:2020.01;历史市场容量:50。基于一段时间内的历史市场容量数据,比如过去一年内的历史市场容量数据,可以获取在未来一定时期内的预测市场容量。
在得到未来一定时期内的预测市场容量后,可以通过下式计算每种产品的预测市场占有率:
进一步地,通过历史销售数据可以确定每种产品的最大的预测市场占有率和最小的预测市场占有率
本发明基于历史销售数据通过预先建立的机器学习模型对每种产品的预测市场容量进行预测,并且计算出每种产品的预测市场占有率,从而为第二约束条件中的预测市场占有率提供了进行量化数学模型,更加有利于将遗传算法应用到求解组合销售策略优化模型这种实际场景中。
基于上述实施例,作为一种可选实施例,本发明提供的基于遗传算法的组合销售策略优化方法,在设置所述组合销售策略优化模型的第一约束条件和第二约束条件之后,还包括:基于所述每种产品的预测销售数量和所述每种产品的预测售价计算所述每种产品的销售收益;根据所述每种产品的预测市场占有率匹配每种产品的预设奖励收益;基于所述每种产品的销售收益和预设奖励收益计算所有产品的总利润。
图4是本发明提供的每种产品的利润的计算逻辑示意图,如图4所示,分销商销售每种产品的利润包括两部分,一部分为分销商在销售产品时获得的每种产品的销售收益,另一部分为分销商获取预设奖励收益。
每种产品的销售收益可以通过每种产品的预测销售数量和每种预测售价进行计算。可以理解的是,分销商以一定的进价从企业购买产品,再以一定的预测售价将产品卖出,那么预测售价和进价之间的差值即为卖出一件产品的利润(可称为价差)。本发明中在确定一种产品的预测销售数量后,可以通过上述实施例中的价格弹性模型获取每种产品的预测售价,进一步的求出价差。相应的,把该种产品的预测销售数量乘以价差即为该种产品的销售收益。
预设奖励收益是企业为了激励分销商而制定的奖返政策。可选地,可以预先根据每种产品的预测市场占有率而设置不同的奖励金额。例如,在该种产品的预测市场占有率达到10%~15%时,奖励金额为该种产品的销售收益的5%;在该种产品的预测市场占有率达到15%~20%时,奖励金额为该种产品的销售收益的7%,依次类推,该种产品的预测市场占有率越高,可以设置越高的奖励金额。
将该种产品的销售收益和预设奖励收益相加便为该种产品的利润。
基于上述实施例中的方法,将每种产品的利润相加即为组合销售策略的总利润。
本发明中组合销售策略的总利润综合了产品的销售利润以及预设奖励收益,并且通过市场占有率对预设奖励收益进行了量化,得到组合销售策略更加精准的总利润,为后续遗传算法的优化过程提供了依据。
基于上述实施例,作为一种可选实施例,本发明提供的基于遗传算法的组合销售策略优化方法,所述采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略,包括但不限于以下步骤:
步骤1、预设遗传算法的最大迭代次数,将任一组合销售策略作为初始个体并且按照所述第一约束条件和第二约束条件生成初始种群。
需要说明的是,本发明将预先设置的任一组合销售策略作为初始组合销售策略,遗传算法优化过程便是对初始组合销售策略不断优化的过程,所以本发明中将初始组合销售策略作为遗传算法的初始个体。
由于本发明中的约束条件复杂,如果基于初始组合销售策略(即初始个体)随机生成一些其他的个体,从而生成初始种群。那么,在初始种群中很有可能出现一些不满足约束条件的个体,最终难以得到满足约束条件的最优解。
基于上述原因,本发明中的初始种群是按照第一约束条件和第二约束条件生成的。可选地,首先基于初始个体随机生成一个种群,然后将该种群中不满足第一约束条件和第二约束条件的个体剔除,剩余的满足约束条件的个体,便构成了初始种群。
在此基础上,通过遗传算法对初始组合销售策略进行优化,可大大缩短遗传算法迭代的过程。
另外,关于遗传算法的最大迭代次数,可以根据实际的情况进行设置。
步骤2、计算所述初始种群中每一个个体的适应度,所述适应度为所述总利润。
采用上述方式获取到初始种群之后,可以将组合销售策略的总利润作为遗传算法是的适应度,基于遗传算法的适应度以生成新的种群。
关于总利润的计算方法,上述实施例中已经进行了详细的介绍,这里不再赘述。
步骤3、对所述初始种群进行选择运算、交叉运算以及变异运算生成下一代种群。
选择运算是指从初始群体中选择适应度高的个体,淘汰适应度低的个体。可以理解的是,选择运算是建立在初始群体中个体的适应度评估基础上的。选择运算的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。
交叉运算是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉,可以提高遗传算法的搜索能力,以生成更加优秀的个体。
变异运算则是对初始种群中某些个体进行修改,从而提高遗传算法的局部的随机搜索能力。通过上述选择运算、交叉运算以及变异运算便可以生成下一代优化的种群。
步骤4、迭代执行步骤2至步骤3,至到迭代次数达到所述最大迭代次数。
按照上述方法,不断的对生成的新的种群进行优化,直到达到遗传算法的最大迭代次数。
步骤5、选择迭代过程中适应度最大的个体作为所述目标组合销售策略。
由于本发明中设置的组合销售策略优化模型的优化目标为使得多种产品的总利润最大化,那么在迭代过程中适应度最大的个体即为遗传算法所要求解的目标组合销售策略。
本发明将任一组合销售策略作为初始个体,采用遗传算法对多种产品的组合销售策略进行优化,从而获取满足优化目标的目标组合销售策略,克服了遗传算法难以在产品的组合销售策略优化方面应用的缺陷,从而有效地提高了多产品组合销售的总利润。
图5是本发明提供的基于遗传算法的组合销售策略优化系统的结构示意图,如图5所示,该系统包括:数据获取模块501、模型建立模块502、模型求解模块503。
其中,数据获取模块501,用于获取多种产品的历史销售数据;
模型建立模块502,用于基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型;其中,所述组合销售策略优化模型的优化变量为所述多种产品的组合销售策略,所述组合销售策略优化模型的优化目标为所述多种产品的总利润最大化;
模型求解模块503,用于采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略。
本发明提供的基于遗传算法的组合销售策略优化系统,基于多种产品的历史销售数据建立了组合销售策略优化模型,并且采用遗传算法对多种产品的组合销售策略进行优化,获取满足优化目标的目标组合销售策略,克服了遗传算法难以在产品的组合销售策略优化方面应用的缺陷,从而有效地提高了多产品组合销售的总利润。
需要说明的是,本发明实施例提供的基于遗传算法的组合销售策略优化系统,在具体运行时,可以执行上述任一实施例所述的基于遗传算法的组合销售策略优化方法,对此本实施例不作赘述。
图6是本发明提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行基于遗传算法的组合销售策略优化方法,该方法包括:获取多种产品的历史销售数据;基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型;其中,所述组合销售策略优化模型的优化变量为所述多种产品的组合销售策略,所述组合销售策略优化模型的优化目标为所述多种产品的总利润最大化;采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于遗传算法的组合销售策略优化方法,该方法包括:获取多种产品的历史销售数据;基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型;其中,所述组合销售策略优化模型的优化变量为所述多种产品的组合销售策略,所述组合销售策略优化模型的优化目标为所述多种产品的总利润最大化;采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于遗传算法的组合销售策略优化方法,该方法包括:获取多种产品的历史销售数据;基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型;其中,所述组合销售策略优化模型的优化变量为所述多种产品的组合销售策略,所述组合销售策略优化模型的优化目标为所述多种产品的总利润最大化;采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于遗传算法的组合销售策略优化方法,其特征在于,包括:
获取多种产品的历史销售数据;
基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型;其中,所述组合销售策略优化模型的优化变量为所述多种产品的组合销售策略,所述组合销售策略优化模型的优化目标为所述多种产品的总利润最大化;
采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略。
2.根据权利要求1所述的基于遗传算法的组合销售策略优化方法,其特征在于,所述组合销售策略为确定所述多种产品中每种产品的预测销售数量;
所述基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型,包括:
设置所述组合销售策略优化模型的第一约束条件和第二约束条件;
所述第一约束条件为所述每种产品的预测售价均在所述每种产品的最低历史售价与最高历史售价之间;
所述第二约束条件为所述每种产品的预测市场占有率均在所述每种产品的最小历史市场占有率和最大历史市场占有率之间。
3.根据权利要求2所述的基于遗传算法的组合销售策略优化方法,其特征在于,所述历史销售数据包括每种产品的历史售价和历史销售数量;
在设置所述组合销售策略优化模型的第一约束条件和第二约束条件之前,还包括:
基于所述每种产品的历史售价与历史销售数量建立每种产品的价格弹性模型;
基于所述价格弹性模型,根据所述每种产品的预测销售数量确定所述每种产品的预测售价;
根据所述历史销售数据中每种产品的历史售价确定每种产品的最低历史售价和最高历史售价。
4.根据权利要求2任一所述的基于遗传算法的组合销售策略优化方法,其特征在于,在设置所述组合销售策略优化模型的第一约束条件和第二约束条件之前,还包括:
基于预先建立的机器学习模型,利用所述历史销售数据预测每种产品的预测市场容量;
基于所述每种产品的预测销售数量和所述预测市场容量确定所述每种产品的预测市场占有率。
5.根据权利要求2所述的基于遗传算法的组合销售策略优化方法,其特征在于,所述采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略,包括:
步骤1、预设遗传算法的最大迭代次数,将任一组合销售策略作为初始个体并且按照所述第一约束条件和第二约束条件生成初始种群;
步骤2、计算所述初始种群中每一个个体的适应度,所述适应度为所述总利润;
步骤3、对所述初始种群进行选择运算、交叉运算以及变异运算生成下一代种群;
步骤4、迭代执行步骤2至步骤3,至到迭代次数达到所述最大迭代次数;
步骤5、选择迭代过程中适应度最大的个体作为所述目标组合销售策略。
6.根据权利要求2所述的基于遗传算法的组合销售策略优化方法,其特征在于,还包括:
基于所述每种产品的预测销售数量和所述每种产品的预测售价计算所述每种产品的销售收益;
根据所述每种产品的预测市场占有率匹配每种产品的预设奖励收益;
基于所述每种产品的销售收益和预设奖励收益计算所有产品的总利润。
7.根据权利要求4所述的基于遗传算法的组合销售策略优化方法,其特征在于,在所述机器学习模型为长短期记忆人工神经网络LSTM模型的情况下;
所述基于预先建立的机器学习模型,利用所述历史销售数据预测每种产品的预测市场容量,包括:
根据所述历史销售数据获取每种产品的历史市场容量;
将所述每种产品的历史市场容量输入到所述LSTM模型中;
获取所述LSTM模型输出的所述每种产品的预测市场容量。
8.一种基于遗传算法的组合销售策略优化系统,其特征在于,包括:
数据获取模块,用于获取多种产品的历史销售数据;
模型建立模块,用于基于所述历史销售数据建立针对所述多种产品的组合销售策略优化模型;其中,所述组合销售策略优化模型的优化变量为所述多种产品的组合销售策略,所述组合销售策略优化模型的优化目标为所述多种产品的总利润最大化;
模型求解模块,用于采用遗传算法求解所述组合销售策略优化模型,获得目标组合销售策略。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7任一项所述基于遗传算法的组合销售策略优化方法步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于遗传算法的组合销售策略优化方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111356707.2A CN114240052A (zh) | 2021-11-16 | 2021-11-16 | 一种基于遗传算法的组合销售策略优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111356707.2A CN114240052A (zh) | 2021-11-16 | 2021-11-16 | 一种基于遗传算法的组合销售策略优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240052A true CN114240052A (zh) | 2022-03-25 |
Family
ID=80749660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111356707.2A Pending CN114240052A (zh) | 2021-11-16 | 2021-11-16 | 一种基于遗传算法的组合销售策略优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240052A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196787A (zh) * | 2023-10-08 | 2023-12-08 | 深圳市童牛科技有限公司 | 一种基于人工智能的智能决策优化方法及系统 |
CN118428561A (zh) * | 2024-07-03 | 2024-08-02 | 广东工业大学 | 智能家电商品销售策略辅助优化方法、装置、终端及介质 |
-
2021
- 2021-11-16 CN CN202111356707.2A patent/CN114240052A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196787A (zh) * | 2023-10-08 | 2023-12-08 | 深圳市童牛科技有限公司 | 一种基于人工智能的智能决策优化方法及系统 |
CN117196787B (zh) * | 2023-10-08 | 2024-05-07 | 深圳市童牛科技有限公司 | 一种基于人工智能的智能决策优化方法及系统 |
CN118428561A (zh) * | 2024-07-03 | 2024-08-02 | 广东工业大学 | 智能家电商品销售策略辅助优化方法、装置、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7996331B1 (en) | Computer-implemented systems and methods for performing pricing analysis | |
CA2684304C (en) | Predictive modeling | |
Thanh et al. | A linear relaxation-based heuristic approach for logistics network design | |
Farias et al. | An approximate dynamic programming approach to solving dynamic oligopoly models | |
Schlosser et al. | Dynamic pricing under competition on online marketplaces: A data-driven approach | |
Chibani et al. | Dynamic optimisation for highly agile supply chains in e-procurement context | |
CN114240052A (zh) | 一种基于遗传算法的组合销售策略优化方法及系统 | |
Jain et al. | A Chaotic Bee Colony approach for supplier selection-order allocation with different discounting policies in a coopetitive multi-echelon supply chain | |
Huang et al. | Optimal inventory control with sequential online auction in agriculture supply chain: An agent-based simulation optimisation approach | |
JP2019516183A (ja) | ロバストな原料の選択システムであって、市場および操業の不確実性下での化学プロセス産業用の原料選択システム | |
Lieckens et al. | Network and contract optimization for maintenance services with remanufacturing | |
Wang et al. | Network design for maximizing service satisfaction of suppliers and customers under limited budget for industry innovator fourth-party logistics | |
Horng et al. | Ordinal optimization based metaheuristic algorithm for optimal inventory policy of assemble-to-order systems | |
CN107688901B (zh) | 数据调整方法及装置 | |
US20120253865A1 (en) | System and method for optimizing planning production using feature driven value approximation techniques | |
Cheng et al. | Multi-objective Decisions on Capacity Planning and Production− Inventory Control under Uncertainty | |
Fabinger et al. | The average-marginal relationship and tractable equilibrium forms | |
Becker et al. | Optimisation approach to target costing under uncertainty with application to ICT-service | |
US20080071590A1 (en) | Solving a model to select members of a portfolio | |
CN116933937A (zh) | 一种基于模型迁移学习的电子产品零件备货量预测方法 | |
Prestwich et al. | A neuroevolutionary approach to stochastic inventory control in multi-echelon systems | |
CN112912874A (zh) | 用于电子商务内容生成和优化的深度因果学习 | |
Jin et al. | Sticky consumers and cloud welfare | |
CN113313562B (zh) | 产品数据处理方法、装置、计算机设备和存储介质 | |
CN115829624A (zh) | 基于门店周期性回本的价格预测方法、装置及相关介质 |
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 |