当前位置：首页 > news >正文

用MATLAB和RSOME搞定报童问题：一个数据驱动的库存优化实战教程

news 2026/8/5 23:07:02

数据驱动的库存优化实战：用MATLAB和RSOME解决报童问题

在供应链管理和运营决策中，面对不确定需求时的库存优化是一个经典难题。想象你经营一家报刊亭，每天清晨必须决定进货多少份报纸——进少了会错失销售机会，进多了又会因无法售出而亏损。这个看似简单的"报童问题"实际上蕴含着深刻的随机优化思想，而现代工具如MATLAB和RSOME让我们能够用更智能的方式解决这类问题。

传统方法通常假设需求服从某个已知概率分布，但现实中这种假设往往过于理想化。鲁棒随机优化(Robust Stochastic Optimization)提供了一种更现实的框架：它不依赖精确的概率分布，而是考虑一组可能的分布（称为模糊集），并寻找在最坏情况下仍能表现良好的决策方案。本文将手把手带你用MATLAB和RSOME工具箱实现这一方法，从数据准备到模型求解，完整复现一个可落地的库存优化方案。

1. 环境准备与工具安装

1.1 软件配置要求

要运行本文的示例，你需要准备以下环境：

MATLAB基础环境：建议R2018a或更新版本
RSOME工具箱：可从官网(www.rsomerso.com)下载
优化求解器：CPLEX、Gurobi或MOSEK任选其一

注意：教育版CPLEX有变量数量限制(约1000个变量)，商业项目建议使用完整版求解器

安装RSOME后，在MATLAB命令行中测试是否成功加载：

% 测试RSOME安装 try model = rsome('test'); disp('RSOME安装成功'); catch error('RSOME未正确安装'); end

1.2 报童问题的数学建模

考虑一个简化但经典的报童问题场景：

每份报纸进货成本：c = 1.0元
每份报纸售价：p = 1.5元
需求上限：Ubar = 100份
需求不确定性：通过历史数据估计

目标函数为最大化利润的鲁棒期望：

max_w (p-c)w - sup_{P∈F} E_P[p(w-u)_+] s.t. w ≥ 0

其中(w-u)_+ = max{w-u, 0}表示未售出的库存量。

2. 数据准备与Wasserstein模糊集构建

2.1 生成模拟需求数据

由于真实数据可能有限，我们首先生成500个模拟需求样本：

rng(2023); % 设置随机种子保证可重复性 S = 500; % 样本数量 Uhat = Ubar * rand(1, S); % 均匀分布需求样本

2.2 构建Wasserstein模糊集

Wasserstein模糊集是DRO中常用的不确定性集合，它包含所有与经验分布在一定"距离"内的概率分布。关键参数：

θ：Wasserstein球半径，控制保守程度
ρ：距离度量，通常使用1-范数

theta = Ubar * 0.01; % 设置保守参数 model = rsome('newsvendor'); % 初始化模型 % 定义随机变量 u = model.random; % 随机需求 v = model.random; % 辅助变量 % 创建含S个场景的模糊集 P = model.ambiguity(S); for s = 1:S P(s).suppset(0 <= u, u <= Ubar, ... norm(u - Uhat(s)) <= v); end P.exptset(expect(v) <= theta); P.probset(prob == 1/S); % 等概率场景

3. 模型构建与求解技巧

3.1 决策变量与目标函数

在RSOME中定义决策变量和目标：

w = model.decision; % 订货量决策变量 % 定义未售出损失函数 loss = maxfun({p*(w-u), 0}); % 最大化最坏情况下的期望利润 model.max((p-c)*w - expect(loss)); % 添加非负约束 model.append(w >= 0);

3.2 求解器配置与规模控制

教育版CPLEX可能无法处理大规模问题，可通过以下方式调整：

减少样本量：将S从500降至70-100
简化模糊集：增大θ值降低保守性
使用商业求解器：如完整版Gurobi

% 示例：调整样本量后的求解 S_adjusted = 70; Uhat_adjusted = Ubar * rand(1, S_adjusted); % 更新模糊集 P = model.ambiguity(S_adjusted); for s = 1:S_adjusted P(s).suppset(0 <= u, u <= Ubar, ... norm(u - Uhat_adjusted(s)) <= v); end model.solve; % 求解模型 optimal_w = w.get; % 获取最优解

4. 结果分析与实际应用

4.1 解读最优解

运行上述代码后，我们得到最优订货量w ≈ 49.52。这意味着：

在考虑需求不确定性的最坏情况下
每天进货约50份报纸可最大化期望利润
这个结果比传统随机优化更保守，但更可靠

4.2 敏感度分析

通过改变关键参数观察最优解的变化：

θ/Ubar	最优w	特点
0.005	45.21	非常保守
0.01	49.52	平衡保守与激进
0.02	53.87	更接近随机优化结果

% 敏感度分析示例 theta_values = [0.005, 0.01, 0.02] * Ubar; results = zeros(size(theta_values)); for i = 1:length(theta_values) P.exptset(expect(v) <= theta_values(i)); model.solve; results(i) = w.get; end

4.3 扩展到实际业务场景

这一方法可应用于更复杂的业务场景：

多产品库存：扩展u和w为向量
动态决策：引入多阶段模型
结合机器学习：用神经网络预测需求分布

% 多产品示例框架 products = {'报纸', '杂志', '饮料'}; cost = [1.0, 3.0, 2.5]; price = [1.5, 5.0, 3.0]; Ubar = [100, 50, 200]; % 为每个产品创建决策变量 for i = 1:length(products) w(i) = model.decision; model.append(w(i) >= 0); end

在实际项目中，我发现当产品种类超过10种时，需要考虑以下优化技巧：