基于遗传算法的商品自动定价与补货决策
【摘要】
本文主要对蔬菜类商品的自动定价与补货决策进行设计，分别对各蔬菜品类存在的关联，及其销售总量与成本之间加成定价的关系分析，以商超收益最大为目标，建立最优化模型，利用Matlab 和 Python 进行编程求解。
针对问题一，旨在分析蔬菜不同品类和单品之间的销售量分布规律以及它们之间的关联关系。通过斯皮尔曼相关性分析，揭示了单品之间的关联性和单调关系。并利用 K-maens 聚类肘定法分析得到 4 年分别对应有 2、3、2、3 个规律， 再又可视化可得到其分布规律；品类分布规律通过肘定法确认其规律，由于规律个数一致，对其进行一年平均销售量进行分析，得到辣椒类与食用菌为一类，花菜类、水生根茎类与茄类为一类，花叶类为一类，各类均有对应分布规律。
针对问题二，商超制定蔬菜品类的补货计划并优化定价策略，以最大程度地提高收益。通过成本加成定价分析，明确成本加成定价与销量之间的关系，并利用随机森林回归模型建立销量的预测模型。确定补货计划，由于当日会受次日影响，提出了相应的补货策略，并建立总利润最大优化模型。使用遗传算法建立了优化模型，求得蔬菜品类日补货总量分别为 3.6451 kg 、3.6326 kg 、3.6046 kg 、3.5433 kg 、3.7318 kg 、3.4731 kg 、3.4498 kg ，最大收益 2592.40586 元。
针对问题三，首先筛选出 6 月 24-30 日的可售品种，基于问题二模型进行更改，由于问题三为针对日为单位和品种为单位，故需要结合问题一分布规律进行 分析得到新的不同规律的拟合函数，再针对品种限制与最小陈列 2.5 千克为约束，
得到优化模型，并利用遗传算法进行求解得到，当日最大利润为 120.265471 元。针对问题四，通过收集额外数据信息来辅助决策，确定所需数据并建立数据
采集系统、分析数据、建立预测模型以及优化决策策略。最终得出，商超还需要
采集相关数据涵盖异常天气、竞争价格、蔬菜产量以及市场需求量四个相关数据。通过随机森林拟合销售量与四个相关数据的拟合结果优于问题二模型，且本模型准确率提高了 0.477，有助于提高商超自动定价与补货决策的精准度。
通过对本题四个问题中各种情况的具体分析，进行了多维度问题分析，通过建立数学模型解决了每个问题，验证所建立的模型的可行性和准确性。




关键词：斯皮尔曼相关性
K - means
ARIMA 遗传算法



目录
基于遗传算法的商品自动定价与补货决策	
【摘要】	
一、问题重述	
1.1 引言	
1.2 问题提出	
二、问题分析	
2.1 问题一分析	
2.1.1 问题细化	
2.1.2 问题解决	
2.1.3 问题的结果	
2.2 问题二分析	
2.2.1 问题细化	
2.2.2 问题解决	
2.2.3 问题的结果	
2.3 问题三分析	
2.3.1 问题细化解决	
2.3.2 问题的结果	
2.4 问题四分析	
2.4.1 问题细化	
2.4.2 问题解决	
2.4.3 问题的结果	
三、符号说明	
五、模型与建立	
5.1 问题一：品类或单品的销售量分布规律与关系	
图 1	问题处理流程图	
5.1.1 数据预处理	
5.1.2 基于斯皮尔曼（ Spearman ）相关性分析	
5.1.3 品类和单品间Spearman 相关性检验关联结果	
5.1.4 K-means 聚类分析各年份基本规律	
5.2 问题二：求解未来一周最大利润的补货策略	
5.2.1 成本加成定价分析	
5.2.2 拟合成本加成定价与销量函数	
图 15	拟合结果对比图	
5.2.3 模型的建立与分析	
(Inijlossi  - Xij  £ 0)	
5.2.4 时间序列预测补货总量	
图 17	品类一批发价预测	
5.2.5 遗传算法的建立求解	
图 18	适应度变化图	
5.3 问题三：遗传算法计算单品补货量与定价策略	
5.1.1 模型建立与分析	
ï	
> 0	
ï	
图 19	适应度变化图	
5.4 问题四：额外数据信息的采集	
5.4.1 额外数据信息分析高于实际补货和定价的可行性	
5.4.2 随机森林回归分析	
图 20	特征重要性图	
六、模型评价与推广	
6.1 模型优点	
6.2 模型缺点	
6.3 模型推广	
七、参考文献	
附录	
一、支持材料的文件列表	
(1) 问题一支撑材料： 1.solvedata.m 2.timesort.m	
(2) 问题二支撑材料： 1.nihe.m	
(3) 问题三支撑材料：	
(4) 问题四支撑材料： 1.get_data.m	
二、程序源代码