申请/专利权人：上海交通大学

申请日：2020-11-13

公开（公告）日：2022-08-12

公开（公告）号：CN112380700B

主分类号：G06F30/20

分类号：G06F30/20;G06Q10/06;G06Q30/02;G06Q50/10;G06F111/04;G06F111/06;G06F111/10

优先权：

专利状态码：有效-授权

法律状态：2022.08.12#授权;2021.03.09#实质审查的生效;2021.02.19#公开

摘要：本发明提供了一种服务型制造模式下产品服务配置和定价方法及介质，包括：步骤S1：对交叉效用和客户不确定性行为的表达方式进行定义，获得定义结果；步骤S2：根据获得的定义结果，建立混合整数非线性规划模型，并进行线性化处理，获得处理后的模型；步骤S3：根据获得的处理后的模型，基于epsilon约束和样本均值逼近算法，求解多目标随机优化问题，并根据结果进行产品服务配置和定价。本发明引入交叉效用和客户行为不确定性后，可使所得结果更好应对具有随机性的市场环境，同时也进一步提升客户满意度和企业利润。

主权项：1.一种服务型制造模式下产品服务配置和定价方法，其特征在于，包括：步骤S1：对交叉效用和客户不确定性行为的表达方式进行定义，获得定义结果；步骤S2：根据获得的定义结果，建立混合整数非线性规划模型，并进行线性化处理，获得处理后的模型；步骤S3：根据获得的处理后的模型，基于epsilon约束和样本均值逼近算法，求解多目标随机优化问题，并根据结果进行产品服务配置和定价；所述步骤S1包括：步骤S1.1：进行模块的定义与划分；步骤S1.2：模块效用的表示与客户行为的随机性刻画；所述步骤S1.1具体包括：令i＝1,2,…,NI表示每个产品模块或服务模块，其中NI为模块总数；每个模块属于产品模块集Ip或服务模块集Is；所有产品和服务模块分为两个集合：必选模块集Imandatory以及可选模块集Ioptional；将所有模块分成多组，每组对应一种产品或服务；定义为第i组必选模块的集合，为第j组可选模块的集合，必选模块组数与可选模块组数分别为M1与M2，则有： 令d＝1,2,…,D表示需求的索引，wd∈[0,1]表示需求d的权重；定义每个模块对应的客户满意度，满意度同时与模块效用和价格相关；所述步骤S1.2具体包括：模块效用Udi∈[0,1]衡量了模块i对于需求d的满足程度；对于每一个模块，假定其存在K个给定的备选价格，令pik为模块i的第k个备选价格，其中k＝1,2,...,K，模块i的最终价格为pi∈{pik|k＝1,2,...,K}；Si表示模块i的满意度，非负的随机参数c表示价格敏感度，则有： 定义产品服务模块组合对应的满意度，令Upaired为所有模块对的集合，模块对i′,i″对于需求d的配对效用记为Udi′,i″，其中i′∈Ipi″∈Is，配对效用也是随机的，处于[-1,1]之间，由于配对效用不涉及真正的模块，假定其对应的价格为零，模块对i′,i″的满意度Si′,i″为： 所述步骤S2包括：步骤S2.1：定义决策变量；步骤S2.2：定义目标函数；步骤S2.3：定义约束；步骤S2.4：生成数学模型；所述步骤S2.1具体包括：为了计算配置方案的总客户满意度，定义如下决策变量： pi模块i的最终价格7步骤S2.2：定义目标函数，具体包括：总的客户满意度定义为： 展开表示为： 通过离散处理将公式9线性化，即引入指示变量处理Xi与的乘积项： 第一个目标函数总客户满意度期望定义为： 令Ci为模块i的成本，第二个目标函数总利润表示为： 所述步骤S2.3具体包括：1决策变量间的关系：定义Xi'，Xi”以及Yi′,i″之间的关系，对于任意i′,i″∈Upaired，仅当同时选择了产品i′与服务i″时，有Yi′,i″＝1，否则Yi′,i″＝0； 同时，建立关于与Xi的方程，若选择了模块i，有且仅能确定一个备选价格； 2模块分类：在每组必选模块集中，有且仅能选择一个模块： 在每组可选模块集中，至多选择一个模块： 3相容性关系：一些模块依赖于其他模块来提供功能支持，设支持模块i的模块构成了集合其中表示支持模块i的第j组模块集，Qi指支持模块i的模块组数；如果选择了模块i，则在每个中至少要选择一个模块，反之则没有限制；由模块分类限制可知，中最多选择一个模块，有如下的限制条件： 4相斥性关系：定义Uexclusive为所有相斥模块对iA,iB的集合，不等式18表示了相斥关系： 5需求满足程度均衡：令Nd表示需求d的总效用，则有： 引入极差进行均衡性控制，并利用在0到1之间的阈值TH，得： 所述步骤S2.4具体包括：基于表达式11至20将问题表示为一个多目标随机线性整数规划： 所述步骤S3包括：步骤S3.1：算法选择；步骤S3.2：epsilon约束法改进；步骤S3.3：样本均值逼近算法改进；步骤S3.4：由决策变量Xi与pi进行产品服务配置和定价；所述步骤S3.1具体包括：对此多目标随机规划模型，采用epsilon约束法将多目标随机问题转化为一组单目标随机问题；为了解决随机规划问题，选用样本均值逼近算法SAA，将其转化成确定性规划问题；所述步骤S3.2具体包括：以总满意度期望值作为真正的目标，并将原模型中的总利润目标设为以epsilon参数为界的特殊约束；每个特定的epsilon参数对应的单目标问题的最优解形成一个帕累托点；令f1与f2表示总满意度期望与总利润；并在目标函数中引入较小的正系数K′；在此基础上，每个子问题的基本形式如下所示，其中F是原始多目标模型中约束定义的可行域： 令f2min与f2max分别为f2下限与上限，f2min是当原始问题只优化f1时生成的，f2max是当只最大化f2而忽略f1时得到的，利用小于f2min的值初始化epsilon；在每次迭代后，epsilon等于上次迭代中得到的f2的值，而后通过求解这一新问题来得到下一个帕累托点；一旦所得的新问题无解或epsilon等于f2max，迭代过程便终止；所述步骤S3.3具体包括：通过取N个样本下目标值的平均值来逼近随机目标函数的真实值，这些样本构成实验样本集，每个样本集表示一组随机参数的实例；同时，需求满足程度均衡这一含随机参数的约束由N个确定性约束代替，每个约束都对应实验样本集中的一个样本；此外，为了提高在随机环境中的适应性，进行多次重复实验，求出多个备选解：SAA算法进行M次重复实验，每一次实验中将生成N个实验样本，在第m＝1,2…,M次实验中，每个实验样本j＝1,2,..,N表示一组包含着所有随机参数的向量ξ的实例，记为第m次实验中的目标函数objm为： 效用平衡约束包含随机参数，记为gx,ξ≤0；在第m次实验中，约束由替代；每次重复实验对应一个规划问题，同时生成一个最优解Xm以及一个最优目标值objm；给出了原始问题目标值的一个上界；同时，选择一个特定解Xm来计算在随机环境下对应的目标函数值objL作为原问题目标值的一个下界；以相似的方式生成一个特定的测试样本集，其样本个数为N′；而后，objL通过生成的特定的测试样本集计算得到；由于不能保证每个Xm在随机环境下都可行，因此需进行可行性测试，再根据可行解进行objU与objL的计算；如果所有的Xm均不可行，即N取值不恰当，此时即以一个常数NEnlarge来调整N；在此基础上，得到上下界之间的差距一旦距离小于阈值Tol时，便实现了收敛，将其作为一个停止准则；在测试样本下产生最大目标值的Xm来计算objL，而非如其他方案随机选取Xm来计算，使得算法尽快收敛；当停止准则满足，将在测试样本集下具有最大目标值的解作为最终输出；否则，将逐步增加M和N，而MStep与NStep则是每次的增量；当结果无法满足停止条件时，M和N将会以如下的方式更新替代： 为了保证计算效率，M和N分别不会超过预设的上限值FinalM及FinalN；所述步骤S3.4具体包括：在得到合适的M和N基础上，针对每个epsilon取值，计算得到实际场景下的最优帕累托解Xm*，对应一组满意度及利润的目标，每个模块i的Xi与pi的取值；对于Xi＝1的那些产品或服务模块，将入选当前配置方案中，其价格为pi。

全文数据：

权利要求：

百度查询： 上海交通大学 服务型制造模式下产品服务配置和定价方法及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD