在R中模拟存储问题

April 10, 2012
By

This post was kindly contributed by 数据科学与R语言 - go there to comment and to read the full post.


本例来自于《统计模型及其R实现》的例题,但是书上的条件和代码都有些缺漏,所以仍值得在这里说道说道。存储模型是很经典的统计模拟问题,即考虑一个出售某种商品的商店,其销售单价为12元,单位成本为5元。顾客数服从参数为8的Poisson分布,且每个顾客的需求量是一个离散随机变量。店主必须储存一定的商品,当库存不足时,店主就会从发货商处得到补充。使用的订货策略即(s,S)策略,若当前库存x小于s时,则将存货补充到S,即购买S-x个单位商品。每次进货成本为10元,进货延迟时间为2天,单位时间内库存一个商品的成本是0.5元,若需求量大于当前存货,则发生损失。考虑30天之内的时间长度,店主能够决策的变量即是再订货点s和订货数量S。总成本包括了订货成本、存储成本和损失费用,要考虑如何决定这两个变量值,才能使平均收入(总收入除以30天)达到最大?

解决问题的思路是先建立一个存货函数,输入参数为s和S,输出量为平均收入。然后生成多个输入参数的组合,对每个参数组合运行函数100次得到平均收入的均值。最后观察哪一组参数可以得到最大的平均收入均值。由于这实际上是一个二元函数,所以可以用lattice包中的三维绘图函数得到一个直观的图形,显示如下。
我们也可以使用二维热图来表示这个函数之间的关系,从下图看到显示的蓝色区域越深,即为平均收入较高的参数组合,大致位置在中部偏左下方。
最后我们来看看平均收入前十个的参数组合,以最高的组合为例,即当目前存货低于29时,我们需要将存货补充到57,也就是说订购28个存货。此时我们的平均收入的均值将为55.85元。

再订货点 订货数量 平均收入
29 57 55.85
32 57 55.74
29 58 55.71
27 52 55.41
31 57 55.33
30 54 55.29
32 61 55.29
30 56 55.22
35 56 54.99
36 56 54.97

由于模型的随机性,所以55.85只是期望意义上的平均收入,如果遇到某些极端情况,平均收入会有波动。为了观察这种变异性,我们可以以(29,57)为输入参数,将函数运行1000次,得到1000个平均收入。最后绘制直方图进行观察。可以看到大部分情况下平均收入会在40元到65元左右。
R代码如下:

rm(list=ls())
inventory = function(s,S) {
#x为存货,T为总时长,lambda为需求速率,(s,S)为存货策略
#h为单位库存费用,L为订货周期,d为订货费用函数,lose为损失函数
#a为需求量,b为相应的概率
x=4; L=2; h =0.5
r=12; a=1:4; b=c(0.7,0.2,0.08,0.02)
lambda=8; T=30
d = function(x) 10+ 5*x
lose = function(D,x) (D-x)*2
# t0为下一个顾客到达时间,服从指数分布,t1为订货交付时间
#若没有订货则设为Inf,H为累积库存费用,C为累积订货费用,R为收入
#y为存货订货量,loss为损失金额,k为计数
t=0; t0=rexp(1,lambda)
t1=Inf; H=0; C=0; R=0; y=0
loss=0; k=1
while(t0[k] <= T) {
# browser()
k = k+1
if (t0[k-1] < t1[k-1]) {
#计算t时到下一个顾客到来时的库存费用
H= H + (t0[k-1] - t) * h*x
t = t0[k-1]
#D为模拟的顾客需求量,w为购买量
D = sample(a,1,prob=b)
w = min(D,x)
#需求大于存货,则发生损失
if (D > x) { loss[k-1]=lose(D,x) }
else {loss[k-1] =0 }
# 计算收入并更新存货
R = R + w*r; x=x-w
# 若存货不足则进行订货补充,到货时间为t1。
if(x <s & y==0) {
y = S-x; t1[k] = t +L
} else { t1[k]= t1[k-1]}
# 模拟新的顾客需求
t0[k]=t+rexp(1,lambda)
loss[k] =0
# 若新的存货比需求先到达,则计算订货成本并更新存货
} else {
H= H + (t1[k-1]-t)*h*x
t=t1[k-1]
C=C+d(y); x=x+y
y=0;t1[k]= Inf; loss[k]=0; t0[k]= t0[k-1]
}
}
return((R-H-C-sum(loss))/T)
}
 
library(lattice)
s <- 20:50
S <- 40:70
data <- expand.grid(s,S)
for (i in 1:900) {
data$mean[i] <- mean(replicate(100,inventory(data$Var1[i],data$Var2[i])))
}
wireframe(mean ~ Var1 * Var2, data = data,
scales = list(arrows = FALSE),xlab = "再订货点",
ylab = "订货数量", zlab='平均收入',
drape = TRUE, colorkey = TRUE,
screen = list(z = 120, x = -60))
levelplot(mean ~ Var1 * Var2, data = data,xlab = "再订货点",
ylab = "订货数量")
 
data[order(data$mean,decreasing=T)[1:10],]
 
result <- replicate(1000,inventory(29,57))
library(ggplot2)
p <- ggplot(data.frame(result),aes(x=result))
p+geom_histogram(colour = "darkgreen", fill = "white",
aes(y = ..density..)) +
stat_density(geom = 'line',colour='red4',size=1)
《统计模型及其R实现》一书可以下载了

Tags:

Comments are closed.