基于Keras的带产品替代的多产品报童问题自定义损失函数优化问询

原损失函数效果差的核心问题如下：

• 未满足需求计算逻辑完全错误：只有真实需求大于库存时才会产生缺货，原代码搞反了计算方向
• 替代需求增量计算错误：循环覆盖变量未累加所有产品的转移需求，且未兼容批量数据处理
• 硬编码产品数量，缺乏通用性

以下是优化后的实现方案：

import tensorflow as tf

def newsvendor_substitution_loss(u, o, alpha):
    # 嵌套包装适配Keras损失函数接口（仅接收y_true和y_pred）
    def loss(y_true, y_pred):
        # 转换为张量确保计算精度
        u_tensor = tf.convert_to_tensor(u, dtype=tf.float32)
        o_tensor = tf.convert_to_tensor(o, dtype=tf.float32)
        alpha_tensor = tf.convert_to_tensor(alpha, dtype=tf.float32)
        
        # 1. 计算每个产品的未满足需求：真实需求 > 库存时的缺货量
        unmet_demand = tf.maximum(0.0, y_true - y_pred)  # shape: (batch_size, num_products)
        
        # 2. 矩阵乘法实现向量化替代需求计算
        # alpha[i][j] 表示产品i缺货时，未满足需求流向产品j的比例
        demand_increase = tf.matmul(unmet_demand, alpha_tensor)  # shape: (batch_size, num_products)
        
        # 3. 计算每个产品的实际面临需求：原需求 + 替代转移需求
        adjusted_demand = y_true + demand_increase
        
        # 4. 拆分超储/缺货成本计算
        overage = tf.maximum(0.0, y_pred - adjusted_demand)  # 库存过剩部分
        underage = tf.maximum(0.0, adjusted_demand - y_pred)  # 缺货部分
        
        # 5. 批量均值作为总损失
        total_loss = tf.reduce_mean(o_tensor * overage + u_tensor * underage)
        return total_loss
    return loss

优化说明 #

1. 修正核心逻辑：正确计算缺货导致的未满足需求，确保替代行为触发条件符合业务实际
2. 向量化计算：用矩阵乘法替代循环，高效处理批量数据，同时正确计算所有产品间的需求转移
3. 接口适配：通过嵌套函数包装外部参数（缺货成本、超储成本、替代矩阵），完全符合Keras损失函数要求
4. 逻辑清晰：拆分超储/缺货成本计算，便于调试和业务逻辑验证

使用示例 #

# 假设产品数量为6
num_products = 6

# 定义各产品的缺货成本u、超储成本o
u = [2.0, 3.0, 1.5, 2.5, 1.8, 2.2]
o = [1.0, 0.8, 1.2, 0.9, 1.1, 1.0]

# 定义替代矩阵（每行和建议≤1，代表需求转移比例）
alpha = [
    [0.0, 0.3, 0.2, 0.0, 0.0, 0.5],
    [0.2, 0.0, 0.4, 0.1, 0.1, 0.2],
    [0.1, 0.3, 0.0, 0.2, 0.2, 0.2],
    [0.0, 0.0, 0.1, 0.0, 0.6, 0.3],
    [0.1, 0.2, 0.2, 0.3, 0.0, 0.2],
    [0.3, 0.1, 0.2, 0.1, 0.1, 0.0]
]

# 构建并编译模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(32, activation='relu', input_shape=(input_dim,)),
    tf.keras.layers.Dense(num_products, activation='relu')  # 输出非负库存决策
])

model.compile(optimizer='adam', loss=newsvendor_substitution_loss(u, o, alpha))

额外优化建议 #

• 验证替代矩阵每行和≤1，避免需求转移逻辑矛盾
• 输入数据做归一化处理，帮助模型更快收敛
• 若目标为最大化利润，可将损失改为负利润（-tf.reduce_mean(u*underage - o*overage)），需匹配业务目标调整

内容的提问来源于stack exchange，提问作者wanted curve