因为易逝品区别于大多数日常用品,对于易逝品的销售,首先其销售周期有限,而日常用品则几乎没有销售期的限制;其次,由于易逝品的需求随机性特点,较难进行数据收集来不断更新需求分布以实现尽快收益。综上所述,对于销售商进行售卖易逝品来说,如何尽快学习得到能够实现最大收益的需求函数是十分必要的。消费者的需求会受到价格调整等因素的影响,因此销售商可以通过动态定价技术,在有限时间内对有限库存的产品进行需求学习,可以为以后获得更好的收益打下良好的基础。本文对有限库存水平和销售期的单一产品进行研究,因为易逝品的需求随机,无法得知产品需求与价格确定的函数关系。因此,为了模拟顾客对于该产品的购买过程,则假定顾客对于该产品的购买量服从以给定潜在需求率为均值的泊松分布的随机数。本文设计了基于需求学习的易逝品动态定价算法,通过估计得到的最优价格更新每学习阶段测试价格区间,对需求率函数进行参数估计,使得最终得到的最大收益率真实值贴近“上帝视角”下的最大收益率理论值。之后基于原算法的原理分析了原算法存在的不足,考虑了从增加某些学习阶段影响测试价格的个数、改变价格间隔、对同一价格进行重复测试和优化算法终止条件四方面改进算法。在实证研究上,对原算法进行模拟场景研究:在对顾客不同价格敏感度的需求学习时,算法给定相对应的初始测试价格区间和价格间隔,得到在终止阶段学习得到的最大收益率真实值和“上帝视角”下的理论值相差均较小。在对某一指数形式的需求率函数采用不同方法进行参数估计时,得到将需求率函数先取对数再使用最小二乘法估计和直接使用非线性最小二乘估计时得到的算法结果相近。对改进后算法进行模拟场景研究:通过对同一需求率函数进行学习并给定相同的初始化条件,得到在其中任一方面进行算法改进后,算法在每阶段均包含最优价格理论值的概率得到了增加,且保证了最大收益率估计值在后面的学习中是不断增加的,进一步通过与原算法下得到的regret值对比,得到改进后的算法的该值有了明显的下降。最后通过考虑当用以学习的产品初始库存水平和潜在需求率函数随量级的变化,得到随着量级的不断增大,算法最终的学习得到的regret值不断减小,且逐渐收敛至0,一定程度上证明了原算法和改进后算法的收敛性。进一步通过与其它相关算法性能的比较,证实了本文改进后算法的有效性,证明了对于易逝品,在有限的销售周期内进行需求学习是必要的。最后通过灵敏度分析显示了本文所提出算法的鲁棒性。