随机规划 | 报童问题（The Newsvendor Problem，附MATLAB代码）

hello，大家好。各位可点击左下方阅读原文，访问公众号官方店铺。谨防上当受骗，感谢各位支持！如果链接无法访问，公众号后台回复代码商店，即可获取官方店铺最新链接。

视频讲解链接：

Hello，各位小伙伴。今天为各位分享的是随机规划问题中一个比较经典的问题——报童问题（The Newsvendor Problem）。

问题描述

想象一个报童，每天早上去报纸厂批发一批报纸，然后拿到街上去卖。报纸批发太少，利润就少（这时可视为损失了本该赚到的钱）；但批发太多，卖不出去就亏了，虽然报纸厂会提供一定的回收服务，但还是会亏本。（https://zhuanlan.zhihu.com/p/281779832）

那么如何批发报纸能让利润最大呢？报童应该根据需求确定批发数量。但需求具有一定的不确定性，因此需要引入概率进行刻画。

这个问题有以下假设：

1. 采购一个商品。
2. 在一个采购周期内仅采购一次。
3. 采购之时不知道准确的需求，但其概率分布已知。
4. 商品会过期。

---

模型建立

参数

单位采购成本：$c$

零售价：$v$

残值，即商品过期之后的售价：$s$

单位缺货损失：$\pi$

需求：随机变量$x$，概率密度函数为$f(x)$。其中，$x\ge 0$，且${\int }_0^{\infty }f(x)dx=1$。

决策变量

订货量：$Q$

目标

最大化期望利润$E[p(Q)]$，即包含3部分：

1. 扣除采购成本。
2. $x\le Q$时，销售额和残余价值。
3. $x>Q$时，销售额和缺货损失费。

基于上述3部分，期望利润$E[p(Q)]$的计算公式如下：
$$\begin{array}{rl}E[p(Q)]=& -cQ\\ & +v{\int }_0^{Q}xf(x)dx+s{\int }_0^Q(Q-x)f(x)dx\\ & +v{\int }_Q^{\infty }Qf(x)dx-\pi {\int }_Q^{\infty }(x-Q)f(x)dx\end{array}(1)$$

其中，$cQ$为采购成本，$v{\int }_0^{Q}xf(x)dx$为$x\le Q$时的销售额，$s{\int }_0^Q(Q-x)f(x)dx$为$x\le Q$时的残余价值，$v{\int }_Q^{\infty }Qf(x)dx$为$x>Q$时的销售额，$\pi {\int }_Q^{\infty }(x-Q)f(x)dx$为$x>Q$时的缺货损失费。

这里需要注意的一点是，$s{\int }_0^Q(Q-x)f(x)dx$前的符号为$+$，实际含义就是假设报童以批发价0.3元（每份）向报社采购当天的报纸，如果报纸在当天没有卖完，他会把报纸以0.05元（每份）的价格卖给废品回收站。

---

模型求解

变限积分函数求导

因为后续公式推倒过程中会用到变限积分函数求导公式，所以需要先对其进行回顾。

如果函数$f(x)$连续， $\varphi (x)$和$\phi (x)$可导，那么变限积分函数的求导公式可表示为:
$${\Phi }^{\prime }(x)=\frac{d}{dx}{\int }_{\varphi (x)}^{\phi (x)}f(t)dt=f[\phi (x)]{\phi }^{\prime }(x)-f[\varphi (x)]{\varphi }^{\prime }(x)(2)$$
【定理】如果函数$f(x)$在区间$[a,b]$上连续，则积分上限函数$ \Phi(x)=\int_{a}^{x} f(t)$上具有导数，且导数为$\Phi^{\prime}(x)=\frac{d}{d x} \int_{a}^{x} f(t)=f(x)$。

公式推导

目标是最大化期望利润$E[p(Q)]$，决策变量是订货量$Q$，也就是需要求$\frac{dE(p(Q))}{dQ}=0$时的$Q$。

下面详细展示$\frac{dE(p(Q))}{dQ}$的公式推导过程，首先我们把$E[p(Q)]$拆分为5块：

①$-cQ$

②$+v{\int }_0^{Q}xf(x)dx$

③$+s{\int }_0^Q(Q-x)f(x)dx$

④$+v{\int }_Q^{\infty }Qf(x)dx$

⑤$-\pi {\int }_Q^{\infty }(x-Q)f(x)dx$

接下来分别对5块公式依次求导：

①
$$\frac{d(-cQ)}{dQ}=-c(3)$$
②
$$\frac{d[+v{\int }_0^{Q}xf(x)dx]}{dQ}=vQf(Q)(4)$$
③
$$\frac{d[+s{\int }_0^Q(Q-x)f(x)dx]}{dQ}=\frac{d[s{\int }_0^{Q}Qf(x)dx-s{\int }_0^{Q}xf(x)dx]}{dQ}(5)$$

$$\frac{d[sQ{\int }_0^{Q}f(x)dx-s{\int }_0^{Q}xf(x)dx]}{dQ}=s\frac{d[Q{\int }_0^{Q}f(x)dx]}{dQ}-s\frac{d[{\int }_0^{Q}xf(x)dx]}{dQ}(6)$$

$$s\frac{d[Q{\int }_0^{Q}f(x)dx]}{dQ}-s\frac{d[{\int }_0^{Q}xf(x)dx]}{dQ}=s[{\int }_0^{Q}f(x)dx+Qf(Q)]-sQf(Q)(7)$$

$$s[{\int }_0^{Q}f(x)dx+Qf(Q)]-sQf(Q)=s{\int }_0^{Q}f(x)dx(8)$$

$$\frac{d[+s{\int }_0^Q(Q-x)f(x)dx]}{dQ}=s{\int }_0^{Q}f(x)dx=s(1-{\int }_Q^{\infty }f(x)dx)=s-s{\int }_Q^{\infty }f(x)dx(9)$$

④
$$\frac{d[+v{\int }_Q^{\infty }Qf(x)dx]}{dQ}=v\frac{d[Q{\int }_Q^{\infty }f(x)dx]}{dQ}(10)$$

$$v\frac{d[Q{\int }_Q^{\infty }f(x)dx]}{dQ}=v[{\int }_Q^{\infty }f(x)dx+Q(-f(Q))](11)$$

$$v[{\int }_Q^{\infty }f(x)dx+Q(-f(Q))]=v{\int }_Q^{\infty }f(x)dx-vQf(Q)(12)$$

⑤
$$\frac{d[-\pi {\int }_Q^{\infty }(x-Q)f(x)dx]}{dQ}=\frac{d[-\pi {\int }_Q^{\infty }xf(x)dx+\pi Q{\int }_Q^{\infty }f(x)dx]}{dQ}(13)$$

$$\frac{d[-\pi {\int }_Q^{\infty }xf(x)dx+\pi Q{\int }_Q^{\infty }f(x)dx]}{dQ}=-\pi \frac{d[{\int }_Q^{\infty }xf(x)dx]}{dQ}+\pi \frac{d[Q{\int }_Q^{\infty }f(x)dx]}{dQ}(14)$$

$$-\pi \frac{d[{\int }_Q^{\infty }xf(x)dx]}{dQ}+\pi \frac{d[Q{\int }_Q^{\infty }f(x)dx]}{dQ}=-\pi \times [-Qf(Q)]+\pi {\int }_Q^{\infty }f(x)dx+\pi Q\times [-f(Q)](15)$$

$$-\pi \times [-Qf(Q)]+\pi {\int }_Q^{\infty }f(x)dx+\pi Q\times [-f(Q)]=\pi {\int }_Q^{\infty }f(x)dx(16)$$

$$\frac{d[-\pi {\int }_Q^{\infty }(x-Q)f(x)dx]}{dQ}=\pi {\int }_Q^{\infty }f(x)dx(17)$$

综合对5块公式分别求导结果，即公式(3)(4)(9)(12)(17)，则$\frac{dE(p(Q))}{dQ}$的求导结果如下：
$$\frac{dE(p(Q))}{dQ}=-c+vQf(Q)+s-s{\int }_Q^{\infty }f(x)dx+v{\int }_Q^{\infty }f(x)dx-vQf(Q)+\pi {\int }_Q^{\infty }f(x)dx(18)$$

$$\frac{dE(p(Q))}{dQ}=-c+s+(v-s+\pi ){\int }_Q^{\infty }f(x)dx(19)$$

令$\frac{dE(p(Q))}{dQ}=0$，可推出$-c+s+(v-s+\pi ){\int }_Q^{\infty }f(x)dx=0$，进而求出最优订货量$Q^{\star }$，即
$${\int }_{Q^{\star }}^{\infty }f(x)dx=\frac{c-s}{v-s+\pi }(20)$$
因为
$${\int }_0^{Q^{\star }}f(x)dx+{\int }_{Q^{\star }}^{\infty }f(x)dx={\int }_0^{\infty }f(x)dx=1(21)$$
所以
$${\int }_0^{Q^{\star }}f(x)dx=1-{\int }_{Q^{\star }}^{\infty }f(x)dx=1-\frac{c-s}{v-s+\pi }=\frac{v+\pi -c}{v+\pi -s}(22)$$
至此，公式推导完毕。

小结

已知单位采购成本$c$、零售价$v$、残值$s$、单位缺货损失$\pi$、需求$x$，概率密度函数$f(x)$，则使利润最大化的最优订货量$Q^{\star }$的计算公式如下：
$${\int }_0^{Q^{\star }}f(x)dx=\frac{v+\pi -c}{v+\pi -s}(23)$$
如果$f(x)$为正太分布函数，均值和标准差分别记为$\mu$和$\sigma$，且${\int }_0^{Q^{\star }}f(x)dx=A$，那么根据正太分布变换成标准正太分布（均值为0，标准差为1）的变换公式$z=\frac{X-\mu }{\sigma }$，则$\Phi (z)=A$，然后通过查标准正太分布表计算出$z$，进而计算出$Q^{\star }$，即$z=\frac{Q^{\star }-\mu }{\sigma }$。
$$Q^{\star }=z\times \sigma +\mu (24)$$

https://www.shuxuele.com/data/standard-normal-distribution-table.htm

实际案例

现有一批商品零售价为25元，单位采购成本为20元，单位剩余处理费为0.5元（需花钱处理），需求服从正态分布，均值为300个，方差为50个，单位缺货损失为5元，问商品订货量为多少才能使得商品期望利润最大？

根据公式(23)，
$${\int }_0^{Q^{\star }}f(x)dx=\frac{v+\pi -c}{v+\pi -s}=\frac{25+5-20}{25+5+0.5}=0.328$$
这里需要注意的是，因为剩余商品需要花钱处理，所以这里的残值为负数。

查正太分布表得：$z=-0.445$，则由公式(24)，可计算出最优订货量$Q^{\star }$
$$Q^{\star }=z\times \sigma +\mu =-0.445\times 50+300=277.75\approx 278$$
MATLAB代码如下：

%% The Newsvendor Problem
clear
clc
c=20;                               %单位采购成本
v=25;                               %零售价
s=-0.5;                             %残值，即商品过期之后的售价。题目中因为剩余商品需要花钱处理，所以这里的残值为负数。
pi=5;                               %单位缺货损失
mu=300;                             %需求均值
sigma=50;                           %需求标准差
integralValue=(v+pi-c)/(v+pi-s);    %最优订货量Qstar积分值
z=norminv(integralValue);           %求z值，z=(Qstar-mu)/sigma
Qstar=ceil(z*sigma+mu);          	%最优订货量

---

参考

1. 《生产存储理论》课程-黄敏
2. 报童问题及其求解-https://zhuanlan.zhihu.com/p/281779832
3. 随机规划模型（Stochastic Programming Models）-https://zhuanlan.zhihu.com/p/160994724
4. 报童问题The Newsvendor Problem-https://zhuanlan.zhihu.com/p/473728474
5. 报童问题 (The Newsvendor Problem)-https://blog.csdn.net/qx3501332/article/details/104995161

---

想快速入门智能优化算法的小伙伴可以阅读我们的书籍，本书对算法的讲解详细易懂，对代码的注释也十分完备，想要入手此书的小伙伴可以抓紧入手哦！

京东自营购买链接：

https://item.jd.com/13422442.html

当当自营购买链接

http://product.dangdang.com/29301483.html

---

咱们下期再见

近期你可能错过了的好文章

新书上架 | 《MATLAB智能优化算法：从写代码到算法思想》

算法自学 | 优化算法书籍+代码+网站+推文一站式合集（上）

优化算法 | 灰狼优化算法（文末有福利）

优化算法 | 鲸鱼优化算法

遗传算法（GA）求解带时间窗的车辆路径（VRPTW）问题MATLAB代码

粒子群优化算法（PSO）求解带时间窗的车辆路径问题（VRPTW）MATLAB代码

知乎 | bilibili | CSDN：随心390