【管理运筹学】第 8 章 | 动态规划(4,生产与储存问题)

这篇具有很好参考价值的文章主要介绍了【管理运筹学】第 8 章 | 动态规划(4,生产与储存问题)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

系列文章

【管理运筹学】第 8 章 | 动态规划(1,多阶段决策过程与动态规划基本概念)
【管理运筹学】第 8 章 | 动态规划(2,动态规划的基本思想与模型求解)
【管理运筹学】第 8 章 | 动态规划(3,资源分配问题)
【管理运筹学】第 8 章 | 动态规划(4,生产与储存问题)
【管理运筹学】第 8 章 | 动态规划(5,设备更新问题)


引言

在生产和经营管理中,经常遇到要合理安排生产(或购买)与库存的问题,达到既要满足社会的需要,又要尽量降低成本费用。因此,正确制定生产(或采购)策略,确定不同时期的生产量(或购买量)和库存量,以使得总生产成本费用和库存费用之和最小,这就是生产与储存问题的最优化目标。


四、生产与储存问题

4.1 生产计划问题

设某公司要对某种产品要制定一项 n n n 个阶段的生产(或购买)目标。已知它的初始库存量为 0 ,每阶段生产(或购买)该产品的数量有上限 m m m 的限制;每阶段社会对该产品的需求量 d k d_k dk 是已知的,公司保证供应;在 n n n 阶段末的终结库存量为 0 。问该公司如何制定每个阶段的生产(或采购)计划,从而使总成本最小。

用动态规划方法来求解,把它看作一个 n n n 阶段决策问题。令 s k s_k sk 为状态变量,表示第 k k k 阶段开始时的库存量; x k x_k xk 为决策变量,表示第 k k k 阶段的生产量。状态转移方程为 s k + 1 = s k + x k − d k . s_{k+1}=s_k+x_k-d_k. sk+1=sk+xkdk.

k k k 阶段的成本费用包括生产成本和存储费用两项: c k ( x k ) + h k ( x k ) c_k(x_k)+h_k(x_k) ck(xk)+hk(xk) ,其中 c k ( x k ) c_k(x_k) ck(xk) 表示第 k k k 阶段生产产品 x k x_k xk 时的成本费用,一般包括生产准备成本 K K K 和产品成本 a x k ax_k axk (其中 a a a 是单位产品成本)两项费用。有 c k ( x k ) = { 0 , x k = 0 K + a x k , x k = 1 , 2 , ⋯   , m ∞ , x k > m c_k(x_k)=\begin{cases} 0 &,x_k=0\\ K+ax_k &,x_k=1,2,\cdots,m \\ \infty &,x_k>m \end{cases} ck(xk)= 0K+axk,xk=0,xk=1,2,,m,xk>m K , a K,a K,a 为已知参数, h k ( x k ) h_k(x_k) hk(xk) 表示在第 k k k 阶段结束有库存量时所需的储存费用。其实第 k k k 阶段结束时库存量就等于下一阶段开始的库存量,即 x k + 1 x_{k+1} xk+1

最优值函数 f k ( s k ) f_k(s_k) fk(sk) 表示从第 k k k 阶段初库存量为 s k s_k sk 到第 n n n 阶段库存量为 0 时的最小总费用,其基本方程为 { f k ( s k ) = min ⁡ σ k ′ ≤ x k ≤ σ k { c k ( x k ) + h k ( x k ) + f k + 1 ( x k + s k − d k ) } , k = n , n − 1 , ⋯   , 1 f n + 1 ( s n + 1 ) = 0 \begin{cases} f_k(s_k)=\min_{\sigma_k'\leq x_k \leq \sigma_k} \{c_k(x_k)+h_k(x_k)+f_{k+1}(x_k+s_k-d_k)\} ,k=n,n-1,\cdots,1 \\ f_{n+1}(s_{n+1})=0 \end{cases} {fk(sk)=minσkxkσk{ck(xk)+hk(xk)+fk+1(xk+skdk)},k=n,n1,,1fn+1(sn+1)=0 其中, σ k = min ⁡ { ∑ i = k n d i − s k , m } \sigma_k=\min\{\sum_{i=k}^nd_i-s_k,m\} σk=min{i=kndisk,m} ,一方面每阶段生产上限为 m m m ,另一方面需保证 n n n 阶段结束时库存量能取 0 。 σ k ′ = max ⁡ { d k − s k , 0 } \sigma'_k=\max\{d_k-s_k,0\} σk=max{dksk,0} ,这是为了保证第 k k k 阶段的生产量能满足市场需求。

4.2 不确定性的采购问题

在实际问题中,还会遇到某些多阶段决策过程,与前面所讨论的确定性不同,出现了随机性因素,状态转移不能完全确定,是按照某种已知的概率分布取值的。具有这种性质的多阶段决策过程称为随机性的决策过程。下面举一个例子。

(采购问题) 某厂生产上需要在近 5 周内采购一批原料,而估计在未来 5 周内价格会有波动,单价为 500 的概率为 0.3 ,为 600 的概率为 0.3 ,为700 的概率为 0.4 。试求在哪一周以什么价格购入,能使得其采购价格的数学期望最小?并求出期望值。

我感觉这类题目还可以改成求采购价格的最大可能、最小可能等等。

按采购期限,分为 5 个阶段,设

y k y_k yk —— 状态变量,表示第 k k k 周的实际价格。

x k x_k xk —— 决策变量,表示第 k k k 周是否决定采购,当取值为 1 时,表示第 k k k 周采购;取值为 0 时,表示第 k k k 周决定等待。

y k E y_{kE} ykE —— 第 k k k 周决定等待,而在以后采取最优决策时的采购价格平均值。

f k ( y k ) f_k(y_k) fk(yk) —— 第 k k k 周实际价格为 y k y_k yk 时,从第 k k k 周至第 5 周采取最优决策所得的最小期望值。

则逆序递推关系为 { f k ( y k ) = min ⁡ { y k , y k E } , y k ∈ s k f 5 ( y k ) = y 5 , y 5 ∈ s 5 \begin{cases} f_k(y_k)=\min\{y_k,y_{kE}\},&y_k \in s_k \\ f_5(y_k)=y_5,&y_5\in s_5 \end{cases} {fk(yk)=min{yk,ykE},f5(yk)=y5,yksky5s5 其中, s k = { 500 , 600 , 700 } , k = 1 , 2 , 3 , 4 , 5. s_k=\{500,600,700\},k=1,2,3,4,5. sk={500,600,700},k=1,2,3,4,5.

当第 k k k 周实际价格为 y k y_k yk 时,若选择等待,则 y k E = E [ f k + 1 ( y k + 1 ) ] = 0.3 f k + 1 ( 500 ) + 0.3 f k + 1 ( 600 ) + 0.4 f k + 1 ( 700 ) y_{kE}=E\big[f_{k+1}(y_{k+1})\big]=0.3f_{k+1}(500)+0.3f_{k+1}(600)+0.4f_{k+1}(700) ykE=E[fk+1(yk+1)]=0.3fk+1(500)+0.3fk+1(600)+0.4fk+1(700) 。如果 f k ( y k ) = y k E f_k(y_k)=y_{kE} fk(yk)=ykE ,则第 k k k 周应选择等待,即 x k = 0 x_k=0 xk=0 ;如果 f k ( y k ) = y k f_k(y_k)=y_{k} fk(yk)=yk ,则第 k k k 周应选择购入,即 x k = 1 x_k=1 xk=1

第一步: k = 5 k=5 k=5 ,此时必须购入,则 x 5 = 1 , f 5 ( 500 ) = 500 , f 5 ( 600 ) = 600 , f 5 ( 700 ) = 700. x_5=1,f_5(500)=500,f_5(600)=600,f_5(700)=700. x5=1,f5(500)=500,f5(600)=600,f5(700)=700.

第二步: k = 4 k=4 k=4 y 4 E = 0.3 f 5 ( 500 ) + 0.3 f 5 ( 600 ) + 0.4 f 5 ( 700 ) = 0.3 × 500 + 0.3 × 600 + 0.4 × 700 = 610 y_{4E}=0.3f_{5}(500)+0.3f_{5}(600)+0.4f_{5}(700)=0.3\times 500+0.3\times600+0.4\times700=610 y4E=0.3f5(500)+0.3f5(600)+0.4f5(700)=0.3×500+0.3×600+0.4×700=610 ,则 f 4 ( y 4 ) = min ⁡ { y 4 , y 4 E } = { 500 , y 4 = 500 600 , y 4 = 600 610 , y 4 = 700 f_4(y_4)=\min\{y_4,y_{4E}\}=\begin{cases} 500,&y_4=500 \\ 600,&y_4=600 \\ 610,&y_4=700 \end{cases} f4(y4)=min{y4,y4E}= 500,600,610,y4=500y4=600y4=700 可知,当第 4 周实际价格为 500 或 600 时,可以选择购入;当实际价格为 700 时,应等待。

第三、四、五步: 同理,可计算得到, f 3 ( y 3 ) = min ⁡ { y 3 , y 3 E = 574 } = { 500 , y 3 = 500 574 , y 3 = 600 574 , y 3 = 700 , x 3 = { 1 , y 3 = 500 0 , y 3 = 600 , 700 ; f_3(y_3)=\min\{y_3,y_{3E}=574\}=\begin{cases} 500,&y_3=500 \\ 574,&y_3=600 \\ 574,&y_3=700 \end{cases},x_3=\begin{cases} 1,&y_3=500 \\ 0,&y_3=600,700 \end{cases}; f3(y3)=min{y3,y3E=574}= 500,574,574,y3=500y3=600y3=700,x3={1,0,y3=500y3=600,700; f 2 ( y 2 ) = min ⁡ { y 2 , y 2 E = 551.8 } = { 500 , y 2 = 500 551.8 , y 2 = 600 551.8 , y 2 = 700 , x 2 = { 1 , y 2 = 500 0 , y 2 = 600 , 700 ; f_2(y_2)=\min\{y_2,y_{2E}=551.8\}=\begin{cases} 500,&y_2=500 \\ 551.8,&y_2=600 \\ 551.8,&y_2=700 \end{cases},x_2=\begin{cases} 1,&y_2=500 \\ 0,&y_2=600,700 \end{cases}; f2(y2)=min{y2,y2E=551.8}= 500,551.8,551.8,y2=500y2=600y2=700,x2={1,0,y2=500y2=600,700; f 1 ( y 1 ) = min ⁡ { y 1 , y 1 E = 536.26 } = { 500 , y 1 = 500 536.26 , y 1 = 600 536.26 , y 1 = 700 , x 1 = { 1 , y 1 = 500 0 , y 1 = 600 , 700 ; f_1(y_1)=\min\{y_1,y_{1E}=536.26\}=\begin{cases} 500,&y_1=500 \\ 536.26,&y_1=600 \\ 536.26,&y_1=700 \end{cases},x_1=\begin{cases} 1,&y_1=500 \\ 0,&y_1=600,700 \end{cases}; f1(y1)=min{y1,y1E=536.26}= 500,536.26,536.26,y1=500y1=600y1=700,x1={1,0,y1=500y1=600,700; 综上,最优采购策略为:前三周,价格为 500 就购入,否则等待;第 4 周时,如果还没购入,价格为 500 或 600 时就购入,否则等待;第 5 周时,如果还没购入,不管怎么样都应该购入。

按照上述策略进行采购时,采购价格的数学期望计算如下: E = 500 × ( 0.3 + 0.7 × 0.3 + 0. 7 2 × 0.3 + 0. 7 3 × 0.3 + 0. 7 3 × 0.4 × 0.3 ) + E=500\times(0.3+0.7\times0.3+0.7^2\times0.3+0.7^3\times0.3+0.7^3\times0.4\times0.3)+ E=500×(0.3+0.7×0.3+0.72×0.3+0.73×0.3+0.73×0.4×0.3)+ 600 × ( 0. 7 3 × 0.3 + 0. 7 3 × 0.4 × 0.3 ) + 700 × ( 0. 7 3 × 0.4 × 0.4 ) = 525.382. 600\times(0.7^3\times0.3+0.7^3\times0.4\times0.3)+700\times(0.7^3\times0.4\times0.4)=525.382. 600×(0.73×0.3+0.73×0.4×0.3)+700×(0.73×0.4×0.4)=525.382.

还好前几天复习了下概率论,要不这个数学期望还真不太好理解。


写在最后

对于确定型生产计划问题,其实和资源分配问题有点像,只是多加了一部分回收的费用;而对于不确定型采购问题,则有点难以理解,建模难度较高,不过求解方法和前面类似。文章来源地址https://www.toymoban.com/news/detail-771170.html

到了这里,关于【管理运筹学】第 8 章 | 动态规划(4,生产与储存问题)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【管理运筹学】第 7 章 | 图与网络分析(3,最短路问题)

    【管理运筹学】第 7 章 | 图与网络分析(1,图论背景以及基本概念、术语、矩阵表示) 【管理运筹学】第 7 章 | 图与网络分析(2,最小支撑树问题) 【管理运筹学】第 7 章 | 图与网络分析(4,最大流问题) 【管理运筹学】第 7 章 | 图与网络分析(5,最小费用流问题及最小

    2024年02月09日
    浏览(42)
  • 运筹学—线性规划单纯形表

    什么是标准型数学模型? a. 具有等式约束方程组:一般引入松弛变量将不等式约束转化为等式约束 b. 约束方程右边常数非负:若右边为负,则两边同称-1使其变为非负 c. 所有变量非负 d. 目标函数为max型,对于min型,化为max型 例如:3a+9b=540添加松弛变量c,使得不等式变为3

    2023年04月08日
    浏览(34)
  • 运筹学经典问题(五):多商品流运输问题

    前面介绍了多商品网络流(MCNF)问题,今天要介绍的多商品流运输问题(Mulit-commodity Transportation Problem, MCTP)与MCNF的唯一差异别:MCTP要求商品直接从供应商运送到客户,没有中间流转的路径。 集合: S S S :供应商的集合; C C C :客户的集合; A A A :网络中弧段的集合,

    2024年02月04日
    浏览(40)
  • 运筹学—运输问题与表上作业法

    不考虑运价,从西北角的格子开始分配运量,按尽可能满足一方取小的原则,第一行和第一列的格子分配完后,依次向东南角方向的格子进行运量分配。 例如: 第一步:列出产售平衡表 第二步:利用西北角法进行运量分配: 首先在产售平衡表的x 11 处尽可能取最小值:min

    2024年02月12日
    浏览(35)
  • 【课堂笔记】运筹学第二章:对偶问题

    听说运筹学这门课挺好的,有值得一听的必要;此篇用作课堂总结、期末复习及记录。 或许与教材内容会有很大程度重复。 本章开始会适当结合一些B站网课【运筹学】应试向基础教程 对偶问题的对偶问题就是原问题 矩阵表达 要弄清楚矩阵 A A A 和 C C C 分别是什么 最好记住

    2024年02月07日
    浏览(87)
  • 【管理运筹学】第 7 章 | 图与网络分析(1,图论背景以及基本概念、术语、矩阵表示)

    【管理运筹学】第 7 章 | 图与网络分析(2,最小支撑树问题) 【管理运筹学】第 7 章 | 图与网络分析(3,最短路问题) 【管理运筹学】第 7 章 | 图与网络分析(4,最大流问题) 【管理运筹学】第 7 章 | 图与网络分析(5,最小费用流问题及最小费用最大流问题) 按照正常

    2024年02月09日
    浏览(34)
  • 运筹学—例题求解

    作答如下:      图解法验证:  由图可得在点x1=20,x2=24取到最大值 Z =4080; 作答如下: 解: (1)设 xij 为从产地Ai运往销地Bj的运输量,得到下列运输量表设 xij 为从产地Ai运往销地Bj的运输量,得到下列运输量表   B1 B2 B3 产量 A1 x 11 x 12 x 13 200 A2 x 21 x 22 x 23 230 销量 100 150 180

    2024年02月04日
    浏览(35)
  • 【运筹学】第4讲 线性代数基础

    笔记来源: b站 王树尧SJTU 本节主要对线性代数整体的研究思路(矩阵、行列式的引出)进行梳理,基础计算方法等请自行复习线性代数; 1、目的:解线性方程(未知数次数为1的方程) 2、n元方程组的推广过程 3、n元方程组研究步骤 有没有解? 怎么解? 解是什么? 对于一

    2024年01月23日
    浏览(33)
  • 运筹学的松弛变量和影子价格或者对偶价格

    1、影子价格就是对偶价格,反应的是对偶问题的决策变量的值;对偶问题中,决策变量对应的是原问题的资源,而松弛变量反应的是资源的利用问题,如果某种资源的松弛变量为0,说明这个资源在此模型下面全部用完,入股松弛变量不为0,说明,此资源还有剩余。 2、如果

    2024年02月11日
    浏览(34)
  • 一些关于运筹学和机器学习之间协同作用的思考

    几十年来,运筹学(OR)和机器学习(ML)一直作为两个相对独立的研究领域不断发展。数据科学和人工智能领域的专家可能更熟悉机器学习而不是运筹学,尽管每个机器学习实践者都应该至少了解一些优化技术,因为每个机器学习问题本质上都是一个优化问题。在本文中,我

    2024年02月05日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包