عنوان پایان‌نامه
بکارگیری قیمت گذاری دینامیک برای تولید کننده با تقاضای غیر قطعی
- رشته تحصیلی
- مهندسی صنایع- صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه کاسپین شماره ثبت: K25;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 71981
- تاریخ دفاع
- ۱۹ آبان ۱۳۹۴
- دانشجو
- روزبه قربانیان
- استاد راهنما
- عباس کرامتی
- چکیده
- چکیده قیمت¬گذاری دینامیک نوعی استراتژی قیمت¬گذاری است که در آن قیمت برای محصولات بر اساس میزان تقاضای موجود تغییر می¬کند. تاکنون چندین کار پژوهشی در مورد استفاده از شبکه عصبی برای قیمت¬گذاری دینامیک، نظیر پیش¬بینی تقاضا و مدل کردن انتخاب¬های مشتری گزارش شده است. با این حال کارهای کمی در مورد استفاده از آن¬ها برای بهینه¬سازی سیاست¬های قیمت-گذاری صورت گرفته است. در این پروژه، نحوه¬ی ترکیب شبکه¬های عصبی و الگوریتم¬های تکاملی را جهت بهینه کردن سیاست¬های قیمت¬گذاری شرح می¬دهیم. به این معنی که یک شبکه عصبی بر پایه¬ی مدل تقاضا ایجاد می¬کنیم و از الگوریتم¬های تکاملی برای بهینه¬سازی مدل ساخته شده بهره می¬بریم. این کار دو مزیت دارد. استفاده از شبکه عصبی انعطاف¬پذیری لازم را ایجاد می¬کند تا مدل کردن سناریوهای تقاضای مختلف که با محصولات و خدمات مختلف ایجاد می¬شود ممکن گردد، و استفاده از الگوریتم تکاملی توانایی حل مدل¬های پیچیده را برای ما فراهم می¬کند. نوع شبکه عصبی استفاده شده در پژوهش حاضر، شبکه عصبی ویولت (موجک) می¬باشد که پس از یافتن سیاست قیمت¬گذاری حاصل از آن، این نتیجه با سایر مدل¬های تقاضایی که بطور گسترده مورد استفاده قرار می¬گیرند مقایسه شده است. نتایج نشان می¬دهد که مدل پیشنهاد شده در سناریوهای مختلف به خوبی مطابقت می¬کند و در کل سیاست قیمت¬گذاری بهتری از سایر مدل-های پیشنهادی ارایه می¬کند. واژه‌های کلیدی: قیمت¬گذاری دینامیک، شبکه¬های عصبی، بهینه¬سازی قیمت، مدیریت درآمد، شبکه عصبی ویولت
- Abstract
- Abstract Dynamic pricing is a pricing strategy where price for the product changes according to the expected demand for it. Some work on using neural network for dynamic pricing have been done before, such as for forecasting the demand and modelling consumer choices. However, little work has been done in using them for optimizing pricing policies. Here, we describe how neural networks and evolutionary algorithms can be combined together to optimize pricing policies. Particularly, we build a neural network based demand model and use evolutionary algorithms to optimize policy over build model. There are two key benefits of this approach. Use of neural network makes it flexible enough to model a range of different demand scenarios occurring within different products and services, and the use of evolutionary algorithm helps to solve very complex models. We used wavelet neural network and compared the pricing policies found by neural network based model to that found by other widely used demand models. The results show that proposed model adapts well in a range of different scenarios, and in general, finds more accurate pricing policy than other three compared models. Keywords: Dynamic pricing, Neural networks, Price optimization, Revenue management, Wavelet neural network
