我有一个表格提供了轮胎每周的需求为0到5时的概率与累计概率，假定补给进货的订货提前期为1到3天，当前有7个库存轮胎且无订单，发出一个订单的费用为20元，每天每个轮胎的库存费为0.02元，每当不能满足一位顾客的需求时顾客离开，假定每位离开的顾客给公司带来的损失为8元，公司每周运营七天，每天24小时，帮我用存储模型确定订货量与订货点以减少总费用与平均费用，写一个python代码

首先，我们需要确定存储模型。由于需求是随机的，我们可以使用随机过程模型来描述。在这个模型中，我们将使用马尔可夫过程来描述轮胎需求的变化。具体来说，我们将使用一个具有三个状态的马尔可夫链：1表示需求少于或等于订货点，2表示需求大于订货点但小于等于订货点加订货量，3表示需求大于订货点加订货量。我们将用一个3x3的转移矩阵来描述从一个状态到另一个状态的概率。

接下来，我们需要确定成本函数。我们的成本函数包括订货成本、库存成本和缺货成本。订货成本是订货量乘以订货费用，库存成本是库存量乘以库存费用，缺货成本是每个顾客离开时的损失乘以离开的顾客数。我们的目标是最小化总成本，即订货成本加库存成本加缺货成本。

最后，我们需要确定优化算法。由于成本函数是非线性的，我们将使用遗传算法来寻找最优解。我们将使用Python的DEAP库来实现遗传算法。

下面是完整的Python代码：

相关问题

我有一个表格提供了轮胎每周的需求为0到5时的频率、概率与累计概率，假定补给进货的订货提前期为1到3天，当前有7个库存轮胎且无订单，发出一个订单的费用为20元，每天每个轮胎的库存费为0.02元，每当不能满足一位顾客的需求时顾客离开，假定每位离开的顾客给公司带来的损失为8元，公司每周运营七天，每天24小时，帮我用存储模型确定订货量与订货点以减少总费用与平均费用，写一个python代码

为了求解最优的订货量与订货点，可以使用动态规划算法，具体步骤如下：

1. 构建状态空间：每个状态表示当前库存量和距离下一次订货点的时间（即订货提前期），状态空间即为所有可能的状态的集合。

2. 确定决策集合：每个状态下，可以做出一个决策，即订货量，决策集合即为所有可能的订货量的集合。

3. 确定状态转移方程：根据当前状态和所做的决策，可以得到下一个状态以及转移的概率和费用。

4. 确定边界条件：当时间为0时，状态为结束状态，此时费用为0。

5. 使用动态规划算法求解最优策略：从结束状态开始，逐步向前推导，得到每个状态下的最优策略，最终得到总费用和平均费用。

下面是相应的Python代码实现：

写一段python代码：钢带辐射形轮胎每周补给进货，其需求量如我的电脑桌面“a.xlsx”表所示。假定：补给进货的订货提前期为1至3天，当前有7个库存轮胎且无订单，发出一个订单的费用是20元，每天每个轮胎的库存费是0.02元，每当不能满足一位顾客的需求时，顾客就离开，假定每位离开的顾客给公司带来8元的损失，公司每周运营7天，每天24小时。请确定订货量和订货点以减少总费用和平均费用。

这是一个典型的库存管理问题，可以使用经典的EOQ模型来解决。

首先，我们需要读取“a.xlsx”表中的需求量数据，可以使用pandas库完成：

import pandas as pd

df = pd.read_excel('a.xlsx', sheet_name='Sheet1')
demand = df['Demand'].tolist()

然后，我们需要定义一些参数：

# 每周运营天数
DAYS = 7

# 每天运营小时数
HOURS = 24

# 每个轮胎的库存费用
HOLDING_COST = 0.02

# 发出一个订单的费用
ORDER_COST = 20

# 每位离开的顾客对公司的损失
LOST_PROFIT = 8

# 当前库存数量
current_inventory = 7

# 订货提前期
LEAD_TIME = 3

# 订货点
reorder_point = LEAD_TIME * sum(demand) / (DAYS * HOURS) + current_inventory

接下来，我们可以计算最优订货量Q和最小总费用：

import math

# 计算最优订货量
Q = math.sqrt(2 * LEAD_TIME * sum(demand) * ORDER_COST / HOLDING_COST)

# 修正为整数
Q = int(Q)

# 计算最小总费用
total_cost = ORDER_COST * sum(demand) / Q + HOLDING_COST * Q / 2

最后，我们可以模拟一周的库存变化和顾客的需求，并计算平均费用：

import random

# 模拟一周的库存变化和顾客的需求
lost_profit = 0
for day in range(DAYS):
    inventory = current_inventory
    for hour in range(HOURS):
        # 减少库存
        inventory -= demand[day * HOURS + hour]
        if inventory < 0:
            # 不能满足顾客的需求，顾客离开
            lost_profit += LOST_PROFIT
            inventory = 0
        # 判断是否需要订货
        if inventory <= reorder_point:
            # 订货
            inventory += Q
    current_inventory = inventory

# 计算平均费用
average_cost = total_cost / sum(demand) + HOLDING_COST * Q / 2 / sum(demand) + lost_profit / sum(demand)

完整代码如下：