本发明涉及大数据营销技术领域，特别涉及一种基于大数据确定最优补货量的方法。
背景技术：
随着新零售时代的来临，以及科技技术的发展，在电商的冲击下，目前实体店所代表的传统零售模式需要有所改变，从传统的模式中寻找新的突破口。供应链的反应速度作为一大竞争力，提升库存周转率和现货率，解放人效，提升运营效率是趋势所驱。供应链中，补货是供应链中很重要的一个环节，若能通过智能补货生成补货数据，就能有效降低人工操作成本，协助企业取得提升库存周转率，增加销售业绩等具体收益。
大型卖场对应的大型仓库货物数量多而且种类复杂，每天进出货，退换货各种流程数量庞大，管理起来有诸多不方便之处。除了大型的仓库，生活中无人售货柜越来越多，减少了人力资源的消耗，也为大家生活工作提供了方便。即使自动售货柜货物流通数量虽然没有大型仓库多，但是设置的点零散且多，维护起来也有难处。日常的补货管理就成为了一大难题。
目前常用的一种补货方式是库存上下限法，也叫做安全库存法，由于业务部门很难把各门店和门店中成千上万个商品逐一确定合理的库存上下限，而确定的库存上下限还要根据实际情况和不同的商品不断维护，这样就使得库存周转缺乏效率，影响销售业绩。
所以随着随机需求的变化、服务水平的提高、竞争压力的增大，在各种数据消息都是动态的情况下，为了在最短的时间内找到最优的补货策略，可使用遗传算法来规划安全库存数，得出安全库存天数，从而得到最优的补货策略，提升补货效率。
遗传算法起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。
而大数据的优势是具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。通过大数据能够对货物的实时状态数据进行收集，无人售货货柜由于分布零散且多，通过布点收集数据，在大数据平台上也能够实现实时监控，并通过遗传算法及时得出补货量。
技术实现要素：
本发明的目的是克服上述背景技术中不足，提供一种基于大数据确定最优补货量的方法，通过收集货物实时数据，分析业务数据和用户行为数据，在大数据的基础上利用遗传算法来作为计量最优安全库存天数的，使得能够用最小的补货量满足销售需求。
为了达到上述的技术效果，本发明采取以下技术方案：
一种基于大数据确定最优补货量的方法，包括以下步骤：
a.根据大数据预测以及分析得出的数据，计算安全库存天数最优值；
b.对现有安全库存天数的值进行预估，得出安全库存天数范围值开始编码；
c.初始化种群，评估群体中个体适应度；
d.按概率选择遗传算子，并进行交叉运算、变异运算；
e.得出结论后继续演化，开始循环，直到终止计算。
进一步地，所述步骤a包括：
建立大数据平台，将货物实时数据、业务数据与用户行为数据作为初始数据，收集在日常业务过程中的各种行为的数据以及用户习惯行为或突发行为对业务数据产生的影响，确定影响补货量的因素；
其中，补货量的计算公式为：
rq＝(doc+dss+ddc)*dms-sn-op；
rq为补货量，doc为订货周期天数，dss为安全库存天数，ddc为送货周期天数，dms为日均销量，sn为库存数，op为在途数。
进一步地，所述步骤b包括：
b1.设置参数，制定算法规则：
定义个体数目m、一个个体中基因的个数及遗传算法的终止进化代数，设置代沟即设置父代遗传到下一代的概率并设置变量二进制的位数；采用双子双亲法进行交叉、变异后，种群中的个体个数达到群体规模的两倍即2m，将这2m个染色体按其适应度进行排序，保留最优的m个淘汰其他的，若最优解在连续的20次循环中改变量小于0.01，则认为这个最优解为满足题目要求的最优解，则结束循环且判定求解成功；
b2.在得到的最优解中将值域范围内的[1,30]的整数，利用二进制数来表示，形成个体的基因型，表示一个可行解，其中，个体的基因型为二进制和个体的表现型为十进制数，最后得到结果后通过解码程序转换为十进制数。
进一步地，所述步骤b1中还包括：若总的循环次数大于1200次仍未求解成功，则结束循环且判定求解失败。
进一步地，所述步骤c包括：
c1.在值域范围内随机选取初始种群，由初始种群表示起始搜索点；
c2.对种群进行评估、排序：
首先对个体编码串进行解码处理，得到个体的表现型；然后由个体的表现型计算出对应个体的目标函数值；其次根据最优化问题的类型，由目标函数值按一定的转换规则求出个体的适应度；最后在群体中从最小化方向对个体进行排序。
进一步地，所述步骤d具体包括：
d1.选择运算：
从所述步骤c2的种群中选择个体，将当前群体中适应度较高的个体按照某种规则或模型遗传到下一代群体中；然后，采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量；
d2.交叉运算：先对群体进行随机配对；然后随机设置交叉点的位置；最后再相互交换配对染色体之间的部分基因；
d3.变异运算：首先确定出各个个体的基因变异位置，然后按照步骤b1中定好的概率将变异点的原有基因值取反。
进一步地，所述步骤d1具体包括：
d1.1.计算出群体中所有个体的适应度的总和∑fi(i＝1，2，3…m)；
d1.2.计算出每个个体的相对适应度的大小fi/∑fi作为每个个体被遗传到下一代群体中的概率，每个概率值组成一个区域，且全部概率值之和为1；
d1.3.产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数。
进一步地，所述步骤e具体为：在循环进行多次后，满足终止条件时即结束循环，从而得到最优安全库存天数并得出最优补货量。
本发明与现有技术相比，具有以下的有益效果：
本发明的基于大数据确定最优补货量的方法，在大数据的基础上进行遗传算法，解决了在实际供应过程中常出现变化或不方便实地一一检查货物情况时，也能够及时调整补货方案，能更好的地适应实际多变的情况。
具体实施方式
下面结合本发明的实施例对本发明作进一步的阐述和说明。
实施例：
实施例一：
本发明公开了一种基于大数据确定最优补货量的方法，包括根据大数据预测以及分析得出的数据，计算安全库存天数最优值，然后对现有安全库存天数的值进行预估，得出安全库存天数范围值，开始编码，然后初始化种群，评估群体中个体适应度，接下来进行选择、交叉、变异，得出结论后继续演化，开始循环，直到终止计算。
具体的，本实施例的基于大数据确定最优补货量的方法包括以下步骤：
步骤一：建立大数据平台：
在本实施中，具体是首先通过建立收集货物实时状态数据、业务数据和用户行为数据的大数据平台和计算安全库存天数的遗传算法模型，从而确定每种货品最优安全库存天数，以得出每种货品的推荐补货量。
具体的，建立大数据平台，将货物实时数据、业务数据与用户行为数据作为初始数据，收集在日常业务过程中的各种行为的数据以及用户习惯行为或突发行为对业务数据产生的影响，确定影响补货量的因素；
其中，补货量的计算公式为：
rq＝(doc+dss+ddc)*dms-sn-op；
rq为补货量，doc为订货周期天数，dss为安全库存天数，ddc为送货周期天数，dms为日均销量，sn为库存数，op为在途数。
本发明的技术方案中，将安全库存天数dss作为遗传算法模型中使用的变量，通过遗传算法得出最优值，结合大数据平台分析出的数据，得到最合适的补货量rq。
步骤二：设置参数，制定算法规则：
定义个体数目m、一个个体中基因的个数及遗传算法的终止进化代数，设置代沟即设置父代遗传到下一代的概率并设置变量二进制的位数；如按月为一个周期，那么个体数目为30，遗传算法的终止进化代数为200，代沟设置为0.9，以二进制编码为例，设置变量二进制位数为20位。
本实施例中，交叉规则采用常用的双子双亲法，即采用双子双亲法进行交叉、变异后，种群中的个体个数达到群体规模的两倍即2m，将这2m个染色体按其适应度进行排序，保留最优的m个淘汰其他的，使种群在整体上得到进化；若最优解在连续的20次循环中改变量小于0.01，则认为这个最优解为满足题目要求的最优解，则结束循环且判定求解成功；若总的循环次数大于1200次仍未求解成功，则结束循环且判定求解失败。
步骤三：编码：
本实施例中，采用常规编码即二进制编码。利用二进制编码构造简单，交叉、变异的实现较容易，同时解的表达也很简洁直观。
本步骤具体为：在得到的最优解中将值域范围内的[1,30]的整数，利用二进制数来表示，形成个体的基因型，表示一个可行解，其中，个体的基因型为二进制和个体的表现型为十进制数，最后得到结果后通过解码程序转换为十进制数。
步骤四：初始化：在值域范围内随机选取初始种群，由初始种群表示起始搜索点。
其中，遗传算法是对种群进行的进化操作，所以需要表示起始搜索点的初始群体数据。
步骤五：对种群进行评估、排序：
首先对个体编码串进行解码处理，得到个体的表现型；然后由个体的表现型计算出对应个体的目标函数值；其次根据最优化问题的类型，由目标函数值按一定的转换规则求出个体的适应度；最后在群体中从最小化方向对个体进行排序。
在遗传算法中以个体的适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小。本技术方案在求安全库存天数的最优值时，是以补货量的最小值来最为优化目标，所以将目标函数值作为个体的适应度。
步骤六：选择运算：
从所述步骤五的种群中选择个体，将当前群体中适应度较高的个体按照某种规则或模型遗传到下一代群体中；然后，采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。
其具体操作过程是：
s1.计算出群体中所有个体的适应度的总和∑fi(i＝1，2，3…m)；
s2.计算出每个个体的相对适应度的大小fi/∑fi作为每个个体被遗传到下一代群体中的概率，每个概率值组成一个区域，且全部概率值之和为1；
s3.产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数。
步骤七：交叉运算：
交叉运算是遗传算法中一个很有特色的运算，产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体。在本实例中具体选择单点交叉的方法。
本步骤具体包括：先对群体进行随机配对；然后随机设置交叉点的位置；最后再相互交换配对染色体之间的部分基因。
步骤八：变异运算：
变异运算是对个体的某一个或某一些基因座上的基因值按照某一较小概率进行改变，经过变异运算后能产生新的个体的一种运算方法。在本实例中具体采用基本位变异的方法。
本步骤具体包括：首先确定出各个个体的基因变异位置，然后按照步骤二中定好的概率将变异点的原有基因值取反。
步骤九：终止：
在循环进行多次后，满足终止条件时即结束循环，从而得到最优安全库存天数并得出最优补货量。在大数据平台中，能多次并行进行运算，得到不同品类的商品的补货数，实现按需补货。
综上可知，本发明的基于大数据确定最优补货量的方法最基础的部分是搭建大数据平台，无论是大型仓库还是多分布点的无人售货柜，均需收集货物的实时数据、业务数据和用户行为数据，从而实现根据库存需求等的情况，无需到实地逐一查看就能了解货物的情况，以及趋势信息。
其中，本发明中应用到的遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现。因此，在一开始需要实现从表现型到基因型的映射即编码工作。常用的编码为二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
对于一个求函数最小值的优化问题，一般可描述为下列数学规划模型：
式中x为决策变量，minf(x)为目标函数式，x∈r、
遗传算法是用来计算使函数最小值成立的最优解的一种算法，本发明的技术方案中即利用遗传算法计算出最优安全库存天数。影响补货量的因素有订货周期天数，送货周期天数，日均销量，库存数，在途数等，这些因素在实际中会随时出现变化，而且货物种类繁多，在无人售货机的情况中还存在多分布点不同的情况，利用大数据能够解决这一问题，将货物实时状态数据、业务数据和用户行为数据收集到大数据平台，通过分析预测供应趋势等，以应对不同商品，不同分布点，随机需求的变化等外界因素的影响，推出最适合当前状况下的最优补货方案。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。