[发明专利]电商背景下连锁实体店配送优化方法及系统

权利要求书

1.一种电商背景下连锁实体店配送优化方法，其特征在于，包括：

获取电商平台销售量的增长率与实体门店销售量的下降率、库存成本、配送成本、零售门店固定运营成本的数据；

根据电商平台销售量的增长率与实体门店销售量的下降率、库存成本、配送成本、零售门店固定运营成本等数据，采用拉格朗日松弛算法迭代求解运营总成本的上界与下界，根据运营总成本的上界与下界找出最小运营总成本对应的销售状态。

2.如权利要求1所述的电商背景下连锁实体店配送优化方法，其特征在于，根据电商平台销售量的增长率与实体门店销售量的下降率、库存成本、配送成本、零售门店固定运营成本等数据，采用拉格朗日松弛算法迭代求解运营总成本的上界与下界，根据运营总成本的上界与下界找出最小运营总成本对应的销售状态，包括：

步骤S21，算出拉格朗日乘子λ_j的初始值,及初始的上界值UB与下界值LB；

步骤S22，设定松弛问题的约束条件,建立拉格朗日对偶问题LD；

步骤S23，进行迭代：将所述对偶问题LD加入所述约束后，采用MATLAB混合整数规划模型求解得到确定值，将上述求解得到的确定值代入原问题求解问题,得到当前计算的上界值与下界值，如果当前计算的上界值为最优或小于上一次计算的上界值,则将当前的上界值设为新的上界值UB；

步骤S24，判断所述迭代是否满足停止条件或收敛条件,若满足所述停止条件或收敛条件，则迭代停止转步骤S25；

步骤S25，用RDMLR算法更新拉格朗日乘子，令拉格朗日乘子中的指数n＝n+1后，判断当前指数n是否大于预设阈值，若是，转步骤S26；

步骤S2 6：运用可行化方法将初始序列可行化，算法结束。

3.如权利要求2所述的电商背景下连锁实体店配送优化方法，其特征在于，判断当前指数n是否大于预设阈值步骤S24中，判断所述迭代是否满足停止条件或收敛条件之后，还包括：

若不满足所述停止条件或收敛条件，则转步骤S23。

4.如权利要求2所述的电商背景下连锁实体店配送优化方法，其特征在于，所述停止条件或收敛条件包括连续两次求解下界差值大于8％,或者已达到最大迭代次数800。

5.如权利要求2所述的电商背景下连锁实体店配送优化方法，其特征在于，步骤S25中，判断当前指数n是否大于预设阈值之后，还包括：

若否，转到步骤S24。

6.一种电商背景下连锁实体店配送优化系统，其特征在于，包括：

获取模块，用于获取电商平台销售量的增长率与实体门店销售量的下降率、库存成本、配送成本、零售门店固定运营成本的数据；

计算模块，用于根据电商平台销售量的增长率与实体门店销售量的下降率、库存成本、配送成本、零售门店固定运营成本等数据，采用拉格朗日松弛算法迭代求解运营总成本的上界与下界，根据运营总成本的上界与下界找出最小运营总成本对应的销售状态。

7.如权利要求6所述的电商背景下连锁实体店配送优化系统，其特征在于，所述计算模块，包括：

第一单元，用于算出拉格朗日乘子λ_j的初始值,及初始的上界值UB与下界值LB；

第二单元，用于设定松弛问题的约束条件,建立拉格朗日对偶问题LD；

第三单元，用于进行迭代：将所述对偶问题LD加入所述约束后，采用MATLAB混合整数规划模型求解得到确定值，将上述求解得到的确定值代入原问题求解问题,得到当前计算的上界值与下界值LB，如果当前计算的上界值为最优或小于上一次计算的上界值,则将当前的上界值设为新的上界值UB；

第四单元，用于判断所述迭代是否满足停止条件或收敛条件,若满足所述停止条件或收敛条件，则迭代停止转第五单元；

第五单元，用于通过RDMLR算法更新拉格朗日乘子，令拉格朗日乘子中的指数n＝n+1后，判断当前指数n是否大于预设阈值，若是，转到第六单元；

第六单元，用于运用可行化方法将初始序列可行化，算法结束。