In classical newsvendor model, piece-wise linear shortage and excess costs are balanced out to determine the optimal order quantity. However, for critical perishable commodities, severity of the costs may be much more than linear. In this paper we discuss a generalisation of the newsvendor model with piece-wise polynomial cost functions to accommodate their severity. In addition, the stochastic demand has been assumed to follow a completely unknown probability distribution. Subsequently, non-parametric estimator of the optimal order quantity has been developed from a random polynomial type estimating equation using a random sample on demand. Strong consistency of the estimator has been proven when the true optimal order quantity is unique. The result has been extended to the case where multiple solutions for optimal order quantity are available. Probability of existence of the estimated optimal order quantity has been studied through extensive simulation experiments. Simulation results indicate that the non-parametric method provides robust yet efficient estimator of the optimal order quantity in terms of mean square error.


翻译:在古典的Newsvendor 模型中,可以平衡整片线性短缺和超额成本,以确定最佳订单数量。然而,对于关键的易腐商品,成本的严重程度可能远大于线性。我们在本文件中讨论将新闻商店模型的概略化,使用零碎的多面性成本功能来适应其严重程度。此外,还假定随机需求会随着完全未知的概率分布而变化。随后,利用随机抽样,从随机多面性估算方程式中开发出非参数性的最佳订单数量估算器。当真正的最佳订单数量是独特的时,估计数字的高度一致性已经得到证明。结果已推广到有多种最佳订单数量解决方案的案例中。通过广泛的模拟实验研究了估计最佳订单数量的可能性。模拟结果表明,非参数性方法提供了以中度方误表示的最佳订单数量可靠而有效的估计器。

0
下载
关闭预览

相关内容

【图与几何深度学习】Graph and geometric deep learning,49页ppt
最新《几何深度学习》教程,100页ppt,Geometric Deep Learning
专知会员服务
100+阅读 · 2020年7月16日
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
已删除
将门创投
7+阅读 · 2019年10月15日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Arxiv
0+阅读 · 2021年9月1日
Arxiv
0+阅读 · 2021年8月31日
Arxiv
6+阅读 · 2018年2月24日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关VIP内容
【图与几何深度学习】Graph and geometric deep learning,49页ppt
最新《几何深度学习》教程,100页ppt,Geometric Deep Learning
专知会员服务
100+阅读 · 2020年7月16日
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
已删除
将门创投
7+阅读 · 2019年10月15日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Top
微信扫码咨询专知VIP会员