在 ) , ( S s 随机贮存模型中，我们得到在决定进货，最优的进货量应当考虑上一周期的剩余货物， 使得本周期期初的总供量 S 满足： ) ( ) ( 1 0 a b c a b dr r S − + − = ∫ ρ 。这里顾客在一周时间内对该物品的需求 量 r 是一随机变量， ) (r ρ ρ 表示随机变量 r 的概率密度函数；商店在一周可能支付的费用有：每次的 订货费 0 c ，其取值与进货数量无关；每件商品在一周的贮存费 1 c 。 a 、 b 分别表示一件商品的购进 价格和售出价格。 我们发现 S 的确定与订货费 0 c 无关，这与实际情况不一致。你试着解释其原因。 我们倾向于将盘点周期与进货周期（这里从统计意义上加以理解），你试着通过计算机模拟的 方法计算如下算例的最优进货策略： 需求量 r 服从期望值为 1000 、均方差为 200 的正态分布， 1 = = − − a b ， 0 c 分别取 10 、 100 、 10000 ， 1 c 分别取 0.1 、 0.3 、 0.7 、 2.0 时，即总共 12 4 3 = = × × 种情形下最优的 ) , ( S s 取值。

我理解了您的问题，根据您所描述的模型和条件，确定供应量 S 的决定与订货费用 0c 无关是因为在模型中忽略了库存成本。库存成本包括存储费用、机会成本和风险成本，也就是在您每一周期进货时，您需要考虑当前的库存量以及其所带来的库存成本。这与实际情况更为一致。

对于算例的最优进货策略，可以通过计算机模拟来进行。我们可以使用蒙特卡罗方法，对每种情况进行一定次数的模拟，计算出每种情况下的期望利润和标准差，然后通过比较得出最优进货策略。

具体来说，对于每个 0c 和 1c 组合，我们可以通过模拟一定次数（比如 1000 次）来得到每种进货量下的期望利润和标准差。然后通过比较，得到最优的进货量及其对应的利润。这个过程可以使用 Python 或其他计算机语言进行编写和实现。

在实现过程中，还需要注意一些细节，比如如何生成服从正态分布的随机数、如何计算每个周期的利润、如何处理误差和精度等问题。总体来说，这是一个较为复杂的计算过程，需要认真细致地进行。