跨店满减最优凑单算法：数学建模与求解

大促凑单，为什么你总是凑不好？

每次双11、618打开购物车，面对满300减50的跨店满减规则，你是不是也有过这样的困惑：想买的东西总价278元，差22元才能满减，加什么商品最划算？加了之后又担心"为了凑单买不需要的东西"。这其实是一个经典的凑单算法问题——如何在最少额外支出下，最大化满减优惠。

本文将这个问题抽象为数学模型，给出可操作的最优凑单组合求解方法。无论是凑满300减50，还是满200减30，这套方法论都适用。

凑单问题的数学定义

什么是凑单

在跨店满减场景中，凑单指的是：当你的目标商品总金额未达到满减门槛时，通过添加额外商品使得总金额达标，从而获得满减优惠的行为。

本质上，凑单是一个受约束的优化问题：

给定目标商品集合 T（你想买的商品），总金额为 S（< 门槛 M），从可选商品池 P 中选取一个或多个商品加入购物车，使得最终总金额 ≥ M，且额外支出最小化。

形式化模型

用数学语言描述：

已知：
  M = 满减门槛（如 300 元）
  S = 目标商品总金额（S < M）
  G = 满减优惠金额（如 满300减50 → G = 50）
  P = 可选凑单商品池，每个商品有价格 pᵢ

目标：
  找到凑单商品子集 C ⊆ P，使得：
    minimize: Σ(pᵢ) - G（净额外支出）
    subject to: S + Σ(pᵢ) ≥ M（满足门槛）

这本质上是一个带约束的最小化问题，与经典的背包问题有相似之处，但约束条件和目标函数有所不同。

三种求解策略对比

策略一：贪心凑单（最常用，不保证最优）

贪心策略的核心思路是：选最接近差额的单个商品。

优点：计算简单，快速决策 缺点：可能不是全局最优解——两个便宜商品的组合可能比一个贵商品更划算

策略二：枚举搜索（小规模商品池最优解）

当可选凑单商品数量较少时（比如限定在10个以内），枚举所有组合可以找到精确的最优解。

算法伪代码：

def optimal_coupon(S, M, G, products):
    best_cost = ∞
    best_combo = []
    n = len(products)
    
    for mask in range(1, 1 << n):  # 枚举所有非空子集
        total_extra = 0
        combo = []
        for i in range(n):
            if mask & (1 << i):
                total_extra += products[i].price
                combo.append(products[i])
        
        if S + total_extra >= M:
            net_cost = total_extra - G
            if net_cost < best_cost:
                best_cost = net_cost
                best_combo = combo
    
    return best_combo, best_cost

时间复杂度为 O(2^n)，n ≤ 15 时可在合理时间内求解。

策略三：动态规划（大规模商品池最优解）

当商品池较大时，动态规划是更高效的解法。将问题转化为：

在商品池中选取子集，使总价格在 [D, D+Δ] 区间内，且总价格最小化。

def dp_optimal_coupon(S, M, G, products):
    D = M - S  # 需要凑的差额
    max_price = max(p.price for p in products)
    MAX_SUM = D + max_price  # 搜索上界
    
    # dp[i] = 能否恰好凑到金额 i
    dp = [False] * (MAX_SUM + 1)
    dp[0] = True
    
    for p in products:
        for j in range(MAX_SUM, p.price - 1, -1):
            if dp[j - p.price]:
                dp[j] = True
    
    # 找到 ≥ D 的最小可达金额
    for i in range(D, MAX_SUM + 1):
        if dp[i]:
            return i - G  # 净额外支出
    
    return None  # 无法凑到门槛

时间复杂度 O(n × max_price)，空间复杂度 O(max_price)。

三种策略对比

真实案例：三组凑单方案实测

以下用京东平台上实际商品价格做凑单推演。假设大促规则：跨店满300减50。

场景设定

你计划购买以下目标商品：

差额定 D = 300 - 180.71 = ¥119.29。满减优惠 G = ¥50。

可选凑单商品池

在京东搜索日用品，筛选自营+有优惠券，得到以下候选：

方案A：贪心策略

选最接近差值119.29的单个商品：B（德佑柔纸巾 ¥111.51）

单个商品不够，尝试贪心双商品。找总和最接近119.29的组合：

• C + D = 49.90 + 59.90 = ¥109.80
• C + F = 49.90 + 69.90 = ¥119.80
• E + D = 35.90 + 59.90 = ¥95.80
• E + F = 35.90 + 69.90 = ¥105.80

最优组合：C + F = ¥119.80（超过119.29仅0.51元）

方案B：枚举搜索

枚举所有满足 S + 凑单 ≥ 300 的组合（6个商品，64种子集），找出净额外支出最小的：

枚举最优解 = C + F，净额外支出 ¥69.80，与贪心结果一致。

方案C：差额复用——更优解

但如果改变思路：凑单商品也可以是"本来就需要但略超预算"的东西，比如把 B（德佑柔纸巾 120抽×30包 ¥111.51）单独拿下：

差额复用方案净支出仅 ¥61.51，比贪心少花了 ¥8.29，且只加了一个商品！这是因为 B 虽然单价 ¥111.51 未满差额，但总金额 180.71 + 111.51 = 292.22，仍不够300！

这是一个关键陷阱：贪心可能找到的是"总金额刚好过门槛"但凑单品组合总价更高的解。

实际上，正确的解法应该考虑更大范围的候选。如果加入一个 ¥120-130 区间的商品：

最优单商品 X 净支出 ¥74.90，不如 C+F 组合的 ¥69.80。

结论：不存在绝对的最优策略，最优解依赖具体商品池。使用动态规划是找到真最优的最佳方式。

凑单的四个实用心法

心法1：锁定「差额定」的黄金区间

差额定 D = M - S 是关键。凑单商品的理想价格范围是 D 到 D+30 元。太便宜需要多个，太贵不划算。

比如差额定 119.29 元，优先找 120-150 元的商品。

心法2：优先选择「硬通货」

最适合凑单的品类：纸品、清洁用品、个护、粮油调味——这些是消耗品，囤了迟早用得上。避免凑单"冲动消费品"，比如一件"看起来不错"的衣服。

心法3：善用平台「凑单推荐」

淘宝和京东在购物车页面通常有"再凑XX元享满减"的智能推荐模块，这些推荐商品往往是同店铺或同品类的低价商品。优先从这里挑选，因为：

• 确保参与跨店满减
• 价格阶梯合理
• 通常能叠加店铺券

心法4：多档满减的跳跃策略

部分大促有多档满减，如满200减30 + 满300减50。如果目标商品总价在200附近，需要权衡：

跳到300档需要额外凑100元，但多减20元。净收益 = 20 - 额外凑单成本。如果凑单买的是必需品，净收益为正则值得跳档。

计算一下：

跳档到300：多花 ¥80.51，但多获得 ¥100.51 价值的商品。如果凑单商品都是需要的，实际赚了 ¥20。

常见误区与避坑指南

误区1：「凑了就退」

很多人想"凑单后把凑单商品退了"，但跨店满减订单中，退款会导致满减优惠按比例重新计算。如果凑单商品退款后总额不达标，需要补回满减金额。

正确做法：凑单买消耗品，用得上的东西。

误区2：「随便加一个就行」

拍脑袋加商品往往导致净额外支出过高。以本文案例为例，如果随手加了商品 A（¥144），净额外支出高达 ¥94，比最优方案多花 ¥24.20。

误区3：「越接近门槛越好」

追求"刚好达标"是合理的，但前提是凑单商品确实是需要的。为了"0.51元差额"加一个 ¥49.90 的沐浴露，如果家里已经有囤货，本质上就是 50 元换了 50 元优惠 = 0 净收益。

总结与建议

核心结论：

1. 凑单的本质是约束优化：在满足满减门槛的前提下，最小化额外的净支出。用动态规划可以找到精确的最优解。
2. 没有放之四海皆准的最优策略：贪心、枚举、DP 各有适用场景。日常购物推荐使用枚举法（候选商品10个以内），复杂场景使用动态规划。
3. 凑单商品选消耗品：纸品、清洁、个护等刚需消耗品是最佳凑单选择，避免"为了满减而满减"。

实操建议清单：

• 大促前盘点家中消耗品库存，列出"可凑单清单"
• 计算差额定 D，在 D~D+30 区间内搜索凑单候选
• 使用 折券凑单计算器 快速算出最优组合
• 检查凑单商品是否参与跨店满减（认准活动标签）

相关阅读：

• 满减叠加的最优顺序：折扣数学的深度拆解 — 了解满减与券的叠加优先级
• 折扣率计算公式详解：3种算法场景与实例 — 掌握折扣率计算方法
• 跨店满减是什么？规则、限制与常见误区 — 跨店满减基础概念入门

本文由折小算原创，数据来源为京东平台实时商品价格。商品价格以购买时实际页面为准。