机器人即服务模型下的利润最大化

机器人即服务（RaaS）的发展带来了新的运营挑战，尤其是在定价和设备管理方面的业务决策优化。虽然大量研究聚焦于RaaS的技术层面，但关于联合定价与更换的战略业务问题探索不足。本文聚焦RaaS运营商在单机器人情况下下的利润最大化问题。我们构建模型，其中工作按顺序到达，供应商为每个工作决定价格，客户可接受或拒绝。完成工作后，机器人会发生随机退化，增加其在后续任务中故障概率。运营商随后必须决定是否更换机器人，在更换成本与未来收益潜力及持有成本之间进行权衡。为解决这一复杂的序列决策问题，我们开发了框架，集成数据驱动的估计技术，灵感来自生存分析和逆优化，以学习客户行为和机器人故障模型。这些模型用于马尔可夫决策过程（MDP）框架内，以计算联合定价和更换的最优策略。数值实验表明，我们的方法在通过自适应管理定价和机器人生命周期决策方面有效最大化利润。