MNL选择下的在线联合品类-库存优化
机器学习
2025-01-03 v3 统计方法学
摘要
我们研究一个在线联合品类-库存优化问题，其中假设每位顾客的选择行为遵循多项Logit（MNL）选择模型，且吸引参数先验未知。零售商制定周期性品类与库存决策，以从顾客选择观测中动态学习吸引参数，同时最大化随时间变化的期望总利润。本文提出一种新颖算法，能在品类与库存的在线决策中有效平衡探索与利用。我们的算法构建于以下基础：针对MNL吸引参数的新估计量、通过自适应调节某些已知与未知参数以激励探索的创新方法，以及针对给定参数的静态单周期品类-库存规划问题的优化预言机。我们建立了算法的后悔上界以及在线联合品类-库存优化问题的下界，表明在静态优化预言机精确的前提下，我们的算法实现了近乎最优的后悔率。随后我们将更实用的近似静态优化预言机纳入算法，并从上方界定了静态优化误差对算法后悔的影响。我们进行了数值研究以证明所提算法的有效性。最后，我们通过引入库存结转与顾客到达分布的学习扩展了研究。
引用
@article{arxiv.2304.02022,
title = {Online Joint Assortment-Inventory Optimization under MNL Choices},
author = {Yong Liang and Xiaojie Mao and Shiyuan Wang},
journal= {arXiv preprint arXiv:2304.02022},
year = {2025}
}