目前生鲜产品需求逐年递增,市场规模也相应扩大。但是生鲜产品具有明显的易逝性特征,导致产品库存成本居高不下,同时复杂多变的现实环境使得固定的库存和定价策略不再适用。针对该类问题,企业制定一个高效合理的库存及定价策略尤为重要。并且,生鲜电子商务平台往往积累了大量的商品和消费者相关数据,充分利用企业所储存的大数据资源于库存和定价策略将为企业带来关键性的竞争优势。本文基于深度强化学习方法研究生鲜产品的联合库存控制与动态定价问题,探索生鲜产品在复杂环境下的最优订货和定价策略。首先,本文分析了大型生鲜电子商务网站的主要商业模式,针对现实应用场景,结合生鲜产品特性,分别对生鲜单产品和多产品的联合优化库存控制与动态定价问题进行建模,并根据研究问题定义马尔科夫决策过程。其次,本文针对某些商品存在数据收集困难、收集不完整等情况,设计应用场景的仿真环境并基于在线深度强化学习方法对问题进行求解;针对平台拥有大量商品数据,但可能是不完整数据集的情况,基于离线强化学习方法设计求解框架。最后,本文通过对求解算法的性能实验,比较分析得出算法的可行性和有效性。实验结果表明,基于深度强化学习的联合库存控制和动态定价策略收益表现最佳;相比于在线强化学习方法,基于离线学习的联合库存控制和动态定价策略能够结合历史数据集获得更高收益。本文的创新之处主要在于,通过研究变化的状态转移下的高维生鲜产品联合优化库存控制和动态定价问题,对该领域理论体系进行丰富和补充;根据单产品和多产品的研究问题设计了两种合理的仿真环境;分别针对数据缺乏和数据充足的场景进行研究,促进了强化学习方法在收益管理领域的落地。图23幅,表11个,参考文献97篇