共享资源集散点选址与共享服务动态定价联合决策研究

发布时间：2020-03-27 23:51

【摘要】：在共享经济这一新出现的行业中,常见的共享资源有共享单车、共享汽车、共享雨伞、共享充电宝等。由于这些共享资源在共享行业领域内发展很快,而国内外对于共享资源集散点选址的研究问题及研究方法比较单一,并且解决问题的前提是要在一定程度上明确共享资源的需求函数。本文针对这些局限性进行研究,考虑到设施选址与定价的耦合性,使得研究的问题成为一个复合性问题,即利用增强学习方法解决共享资源需求函数未知情况下的集散点设施选址与共享服务动态定价联合决策问题。本文基于设施选址和动态定价的理论知识提出了需要研究的问题,并且介绍了增强学习的方法,具体阐述了增强学习系统以及其智能体学习过程,同时描述了增强学习算法步骤并设计实验过程。本文的研究目标是使得共享资源运营商获得最大的收益,其研究问题主要分为两个方面:(1)共享资源单集散点选址与共享服务动态定价联合决策研究。(2)共享资源多集散点复合选址与共享服务动态定价联合决策研究。在未知需求函数以及用户行为特性的情况下,首先具体阐述了共享资源集散点选址与共享服务动态定价联合决策问题;然后根据问题建立增强学习算法模型,定义了状态、行为以及报酬函数;接着根据增强学习决策目标建立具体的增强学习算法,对算法过程进行阐述;最后设计实验过程,设置实验参数并运行实验,用实例验证增强学习的效果。实验中随着实验迭代次数的不断增加,智能体的学习效果越来越好,学习曲线渐近提升并且学习增长率有了明显的提高,从而提高了企业收益。经过反复设计实验过程,对实验参数作出调整,发现智能体在与环境不断地交互中选择集散点和动态定价联合决策时的学习曲线经过实验迭代达到了渐进的平稳状态,其中在单集散点选址与动态定价联合决策问题上,报酬提高了40%左右;而在复合选址与动态定价联合决策问题上报酬增长率达到了80%左右。实验结果表明多集散点复合选址与动态定价联合决策相对于单集散点选址与动态定价联合决策的报酬增长率更高,同时也说明了企业在多个集散点选择中会获得更大的企业收益。通过实验结果证明了增强学习方法中智能体在学习的过程中对环境改变的捕捉能力以及适应变化的能力,体现了增强学习方法对于解决共享资源集散点选址与共享服务动态定价联合决策研究问题的适用性,同时也为共享资源的运营商提供了管理的决策建议。
【图文】：

问题描述,共享资源

因就是因为共享资源运营商只是一味的满足用户对共享资源的需求源需求点过多带来的问题，没有明确的共享资源集散点，而且在共缺乏有效的决策方案，，以至于企业的利益亏损严重。在国内解决共文献的研究问题和方法较少而且都比较局限，尤其是对于动态的设少，研究方法也比较传统，其中最新的研究方法就是利用聚类分析题，而且这种方法在很多的设施选址文献中是比较常见的。共享资源管理的社会现象，提出本文需要解决的问题：（1）共享资态规划问题；（2）在共享资源集散点选址中考虑共享服务的动态定取用共享资源的同时需要支付的共享服务价格。这两个研究问题合合问题，根据潜在的需求量以及共享资源的取用距离的因素去确定置以及共享服务的定价联合决策，从而提高共享资源运营商的收益

示意图,增强学习,原理,示意图

共同组成了一个闭环的系统结构[47]。如图2-1 所示。其中各个元素的定义如下：——智能体是一种能根据自己的思想与环境交互的实体，就像人类一样有感官系统，能够在多变的环境中做出反应；——环境状态指的是在行为选择中智能体到达的状态；——行为指的是在智能体根据贪婪决策选择状态的动作；——报酬指的是智能体在学习过程中获得的奖赏值。智能体在学习中，根据贪婪决策（本文中的选择决策），在某个 t 时刻根据贪婪决策π（本文以ε—贪婪决策）通过自身行为ai改变环境状态si，从而获得短期的即时报酬。智能体根据报酬不断地调整决策，在迭代的过程中得到最优或者较优的控制决策，使得长期的累积报酬或者平均报酬达到最大值[48]。增强学习方法特别适用于在环境中执行一系列动作后提供学习信息（表示为惩罚或者奖励）的领域[49]。一般来说增强学习有两种基本模型：有折扣的报酬增强学习模型与平均报酬增强学习模型[50]。图 2-1 增强学习原理示意图Figure 2-1 Schematic diagram of reinforcement learning principle增强学习系统中是智能体自主与环境交互中选择行为，而不是指定某一行为去执行，这突出了增强学习系统的优越性，能够在未知的环境中寻找最优决策。在执行选
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F713.36

【相似文献】