协同预测（通用3篇）
协同预测 篇1
PFR是协同计划、预测与补货 (Colla b ora tive Pla nning Fore c a s ting a nd Re p le nis hme nt) 的英文简称, 是针对零售业的一个供应链管理解决方案, 致力于提高企业内部管理和外部协作的效率。
CPFR是供应链管理中一个热门的研究问题。如何利用协同合作所获得的实时信息来进行预测, 减少不确定性因素的影响, 提高预测的准确性, 以尽可能降低库存成本, 是企业目前以至未来所追求的目标。CPFR强调零售商与供应商共同合作建立一个供应链的预测方式, 协同预测是CPFR中极为重要的一部分, 它又分为销售预测与订单预测。销售预测着重在市场需求部分的预测;订单预测则是依据销售数据、库存状况和生产因素来做实际订单预测。
一、CPFR的研究现状
国内对于CPFR的研究较之国外要少, 起步相对晚。文献[1]认为, CPFR是一种想要扩张的供应链, 使之成为需求导向 (De ma nd-Drive n) 的理念。CPFR为一连串的企业流程所组成, 而一连串的流程是由供应链中互相合作的交易伙伴共同拟定的企业目标及方法、共同发展联合销售及作业性规划与电子化的整合, 以及更新销售预测及补货计划。CPFR也是供应链合作的应用实务, 使合作伙伴运用互联网分享预测结果的信息, 借此减少供应链的库存成本, 并增加商品的可利用率。CPFR主要强调的是零售商与供应商共同合作建立一个供应链的预测方式, 并分享信息与分担风险。文献[2]对CPFR的定义为正式规范两个企业伙伴间的处理流程, 双方需先同意接受协同合作计划和预测, 监控全程直至补货之间的运作是否成功, 然后确认异常状况, 最后采取可行方案加以解决。
文献[3]认为, CPFR系统是一个以网络为基础标准, 利用联合预测, 以提升卖方管理库存及持续再补货效果的网络信息系统。借由CPFR, 不同供应链成员利用电子方式交换一系列的意见及支持信息, 包括过去销售趋势、排定的促销活动和预测等资料。文献[4]认为, CPFR可降低供应链的成本、迅速且实时面对市场变化, 并可以提升伙伴间的合作发展。就整体而言, 可从三方面探讨CPFR所带来的效益:在存货方面, 由于CPFR提高了产品销售的精准度, 因此可降低存货;在生产效率方面, 由于进行CPFR规划时, 必须先了解市场对产品的喜好程度与产品生命周期, 因此能提高生产的效率, 以最准确的数量响应市场;在收益方面, 透过信息共享而发展出的联合计划, 对销售与订单量的预测将比传统的预测方式更贴近市场需求, 因此既可以减少无谓的浪费, 又能生产出顾客需要的产品, 带来收益的提升。
二、ARIMA与神经网络预测模型研究现状
也有学者分别运用ARIMA模型和神经网络进行需求预测。文献[5]研究了两级供应链中ARIMA (0, 1, 1) 需求模型下信息共享的价值, 并对其结果进行评价;文献[6]介绍了ARMA模型的基本原理, 并且分析了ARMA模型在市场需求预测中的不足, 进行了改进;文献[7]为对不确定的市场需求进行预测, 运用SAS系统中的时间序列预测系统, 整合自回归移动平均模型 (ARIMA) , 对产品销售的时间序列数据进行了预测;文献[8]从ARIMA (0, 1, q) 需求模式下一个供应商和一个零售商组成的两节点两阶段供应链系统出发, 详细推导了牛鞭效应的量化过程, 并在此基础上分析了参数q和提前期对牛鞭效应的影响。文献[9]对多层感知型神经网络进行了研究, 并用进化策略法对其改进, 将其用于区域物流的需求预测, 取得了一定的成果;文献[10]运用遗传算法对供应链上的需求进行了预测, 得出了该方法在很大程度上提高了预测的精度。
三、结束语
通过对以上文献的综述分析, CPFR条件下的协同预测仍存在着一下特点:
(1) 信息在供应链管理和CPFR的重要性, 当今信息技术飞速发展, 信息共享有了很好的平台, 利用历史信息进行需求预测不可或缺。
(2) 在供应链需求预测领域, 预测多是在企业内部进行, 而管理的目标是双赢, 协同预测已成为CPFR的关键环节。
(3) 供应链的需求多呈现不确定性, 各个模型有其自身的适用条件, 这就需要根据具体情况选择多种适合的互补模型进行预测。
参考文献
[1]吴志忠.建构一个具有CPFR流程特性之企业间商务电子交易市集平台的模式[D].国立政治大学, 2000.
[3]但斌, 张旭梅.基于CPFR的供应链合作关系[J].工业工程与管理, 2000, 6 (1) :28-30.
[4]廖嘉伟.前导性协同预测架构与实施系统之研究[D].东海大学工业工程与经营资讯研究所硕士论文, 2003.
[5]张钦, 达庆利, 沈厚才.在ARIMA (0, 1, 1) 需求下的牛鞭效应与信息共享的评价[J], 中国管理科学, 2001, 12 (9) :0001-0006.
[6]郭大宁, 王磊, 陈成.利用改进的ARMA模型来预测供应链中的需求[J].物流科技, 2004, 09:0060-03.
[7]李勇, 吴宝亮, 但斌.基于乘积ARIMA模型的产品不确定性需求预测[J].系统工程与电子技术, 2005, 01:0060-03.
[8]朱顺泉.ARIMA模型下的牛鞭效应与信息共享价值研究[J].统计与信息论坛, 2006, 06:0031-06.
[9]后锐, 张毕西.基于MLP神经网络的区域物流需求预测方法及其应用[J].系统工程理论与实践, 2005, 12 (12) :0043-0047.
[10]蔡建峰, 杨敏.基于遗传算法的供应链需求预测优化模型研究[J].工业工程, 2006, 05:0081-05.
供应链协同预测模型及实证研究 篇2
供应链上的需求是供应链管理中的关键问题, 尤其是在由需求拉动的链条上, 进行需求预测可以有效地减少不确定性因素对供应链绩效的负面影响。当前, 供应商、制造商、分销商、零售商以至最终用户之间不再是独立的个体, 追求的也不是自身利益的最大化, 而是逐渐形成战略合作伙伴关系, 寻求的是整体的最优。
协同计划、预测与补给 (Collaborative Planning, Forecastand Replenishment, CPFR) , 可以实现供应链上合作伙伴间协同计划、预测并共享需要的资源和信息, 减少需求的不确定性, 更精确地掌握用户的需求情况。而预测模型的构建和选择直接关系到最终预测结果的精度, 因此, 有必要研究基于信息共享机制的协同需求量预测模型。
2 遗传算法 (GA) 与BP神经网络
2.1 GA简介
遗传算法由美国Michigan大学的Holland教授首先提出, 是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型, 是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群 (population) 开始的, 而一个种群则由经过基因 (gene) 编码的一定数目的个体 (individual) 组成。每个个体实际上是染色体 (chromosome) 带有特征的实体。染色体作为遗传物质的主要载体, 即多个基因的集合, 其内部表现 (即基因型) 是某种基因组合, 它决定了个体的形状的外部表现, 如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此, 在一开始需要实现从表现型到基因型的映射即编码工作。
由于仿照基因编码的工作很复杂, 我们往往进行简化, 如二进制编码, 初代种群产生之后, 按照适者生存和优胜劣汰的原理, 逐代 (generation) 演化产生出越来越好的近似解, 在每一代, 根据问题域中个体的适应度 (fitness) 大小选择 (selection) 个体, 并借助于自然遗传学的遗传算子 (geneticoperators) 进行组合交叉 (crossover) 和变异 (mutation) , 产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境, 末代种群中的最优个体经过解码 (decoding) , 可以作为问题近似最优解。遗传算法能以很大的概率找到全局最优解, 特别适合处理传统搜索方法解决不了的复杂和非线性问题。
遗传算法是解决搜索问题的一种通用算法, 对于各种通用问题都可以使用。搜索算法的共同特征为:一是首先组成一组候选解;二是依据某些适应性条件测算这些候选解的适应度;三是根据适应度保留某些候选解, 放弃其他候选解;四是对保留的候选解进行某些操作, 生成新的候选解。在遗传算法中, 上述几个特征以一种特殊的方式组合在一起:基于染色体群并行搜索, 带有猜测性质的选择操作、交换操作和突变操作。
2.2 BP神经网络
反向传播网络 (Back-Propagation Network, 简称BP网络) 是将W-H学习规则一般化, 对非线性可微分函数进行权值训练的多层网络。
BP神经网络的产生归功于BP算法的获得。BP算法是由两部分组成:信息的正向传递与误差的反向传播。在正向传播过程中, 输入信息从输入经隐含层逐层计算传向输出层, 每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出, 则计算输出层的误差变化值, 然后转向反向传播, 通过网络将误差信号沿着原来的连线线路反向传递回来修改各层神经元的权值, 直到达到网络期望的目标值。
为了训练一个BP网络, 需要计算网络加权输入矢量、网络输出和误差矢量, 然后计算误差平方和。当所训练矢量的误差平方和小于目标误差, 训练停止, 否则在输出层计算误差变化, 而且采用反向传播学习规则来调整权值, 并重复这个过程。当网络悬链完成后, 对网络输入一个不是训练集合中的矢量时, 网络可以以泛化方式输出结果。
神经网络权值的调整是在误差反向传播过程中逐层进行的, 当网络的所有权值都被更新一次之后, 网络就经过了一个学习周期。网络经过若干个学习周期后, 便得到了网络的最优权值。在此基础上就可以利用所建立的BP网络对需求进行相对准确的预测。
3 GA-BP神经网络模型的建立
BP神经网络使用广泛, 但其对隐含层神经元的个数没有确定的最佳数目, 初始权值和阈值是随机产生, 以及网络训练最终的结果是得到的是局部最优解。遗传算法遵循“优胜劣汰”的原则, 能从进化好的个体中选择最优解, 是可以求得全局最优解的方法。遗传算法可以通过优化神经网络的初始权值和阈值, 恰能很好地克服BP神经网络的缺陷, 提高神经网络的稳定性, 进而获得全局最优解。
GA-BP神经网络具体操作步骤如下:
(1) 构建BP神经网络结构, 本文采取三层网络, 即输入层—隐含层—输出层, 输入层节点数由供应链协同预测的影响因素个数确定, 隐含层的节点数由误差值和样本的个数共同确定, 输出层节点数由需求预测的时间段来确定;
(2) 初始化神经网络的权值和阈值, 用遗传算法对其进行优化编码, 本文采用实数编码, 随机生成初始种群;
(3) 训练神经网络, 以误差值调整初始值;
(4) 遗传操作:选择、交叉和变异, 进化种群;
(5) 判断:计算适应值, 如果不满足条件, 返回上一步操作, 如果满足, 则结束, 得到最优的权值和阈值;
(6) 计算神经网络误差值, 在允许范围内, 则可利用该模型进行需求预测, 如果不满足, 则回到上一步, 直至满足条件。
4 实证研究
预测一般可以分为短期预测、中期预测和长期预测, 本文选取某日用品为例, 考虑到商品属于便利品的属性, 日常需求量大的特点, 也为了保证有足够的样本数量, 本文选取的采样频度为一周。该日用品的供应商与零售商, 建立了基于信息和资源共享的协同机制, 零售商实时向供应商共享其过往一周的实际销量, 供应商采用GA-BP神经网络进行预测, 以应对下一期的需求, 保证足够的销量, 提高该供应链条的有效供给量。现以某品牌日用品的供应商得到有关数据, 这个数据是从多个大型超市获得本周总需求量, 如表1所示。
将历史数据作为样本输入BP网络的输入层, 对GA-BP神经网络进行训练。模型中网络结构为输入12-隐含25-输出1。这里取遗传算法的初始种群数为50, 最大的遗传代数设为60, 交叉概率0.9, 变异概率0.01, 初始权值的取值范围是-1~1;网络学习速率为0.02, 最大迭代次数是2000次, 误差目标值定为0.005。模型运用MATLAB工具求解, 预测结果如图1所示。
图1中的星号代表各期的预测值, 实线代表实际的销售量构成的曲线, 很明显, 预测值相对实际值的偏离是非常小的。本文用平均平方误差MSE和平均绝对偏差MAD两个指标来衡量GA-BP神经网络的预测效果, 如表2所示。
5 结语
供应链协同是当前供应链管理的主流形式, 供应商、制造商、分销商和零售商以及最终用户都已经意识到只有共享的合作机制可以提高整体的收益, 如果脱离整体去寻求自身利益最大已不再可行。对于需求拉动的供应链, 能利用有效的预测模型近乎准确地得到未来需求数据是供应链上合作企业的共同目标。本文提出将GA-BP神经网络模型用于供应链上的协同预测, 并用实例证明了该模型的有效性, 未来研究可以考虑如何更好地加快神经网络的收敛速度, 以获得更高的预测精度。
参考文献
[1]Partovi F Y, Anandarajan M, Classifying inventory using an artificial neural network approach.Computers&Industrial Engineering, vol.41, 2002.
[2]后锐, 张毕西.基于MLP神经网络的区域物流需求预测方法及其应用[J].系统工程理论与实践, 2005 (12) .
[3]董绍辉, 张志清, 西宝.供应链协同需求预测机制研究[J].运筹与管理, 2010 (10) .
[4]胡万达.基于遗传BP神经网络的区域物流需求预测[J].重庆三峡学院学报, 2014 (5) .
协同预测 篇3
关键词：粗糙集,BP神经网络,启发式属性约简,供应链协同管理,绩效预测模型
随着经济全球化和一体化的不断发展, 市场主体的竞争不再是单一企业之间的竞争, 而是供应链之间的竞争。因此, 为了从容应对激烈的市场竞争, 供应链的协同管理与运作至关重要。供应链协同管理是通过对供应链系统的人力、物力、资金及信息等资源的规划、组织和控制来实现其目标。为了提高供应链协同管理的效果, 协同管理的绩效预测非常关键, 它是协同管理的一个重要环节。所以探索用科学合理的方法对供应链协同管理的绩效进行预测, 为决策者提供决策参考是一件非常有意义和重要的工作。关于绩效预测学术界进行了深入研究, 一些文献[1,2,3,4]分别采用了BP神经网络、AHP、EVA等方法, 这些方法对科学决策提供了很大的帮助。但由于绩效预测涉及的指标比较多, 例如, 国务院国有资产监督管理委员会 (国资发评价[2006]157号) 公布的《中央企业综合绩效评价实施细则》涉及的指标达22项, 个别研究[5]采用平衡记分卡建立的指标体系有16项等, 使用这么复杂的指标体系进行研究难免存在指标数据冗余问题, 因此不仅会增加数据采集和预测的工作量, 而且还可能影响绩效预测的效果。为消除这种影响, 需要采取有效的方法, 探索利用指标的实际数据对指标进行约简, 然后把约简的指标输入到BP神经网络进行预测。
上世纪后期由波兰数学家Z.Pawlak提出并发展起来的粗糙集理论[6]是一种处理含糊和不精确性问题的新型数学工具, 它通过对数据进行分析、近似分类和推理数据间的关系, 从中发现隐含的知识, 揭示潜在的规律, 提供一种决策支持的方法。神经网络的研究已有50多年的历史, 最早是由心理学家McCulloch和数学家Pitts合作, 融会了生物物理学和数学的知识提出来的。神经网络是对生物神经网络的简化和模拟。而1986年由D.E.Rumelhart和J.L.McClelland提出的利用误差反向传播训练算法的神经网络 (简称BP网络, Back Propagation) 是神经网络模型中应用最广泛的一种, 它是具有隐含层的多层前馈网络。本文使用粗糙集理论首先对个别研究[5]建立的供应链协同管理绩效评价指标体系进行约简, 消除冗余指标, 然后使用BP神经网络进行智能化训练, 最后把预测样本输入到训练好的网络中得到预测值。
1 供应链协同管理绩效预测系统
依据有关研究[7]对供应链协同管理的分析, 供应链协同管理绩效预测系统可以用图1所示的流程图描述, 大致由供应链协同管理战略目标制定、绩效评估目标和指标制定、预测方法的选定、预测结果分析和激励与指导五个部分组成, 是一个循环和反馈过程。
本文着重就图1的绩效评估指标制定、预测方法的选定、预测结果分析三个方面探索使用平衡记分卡 (BSC) 、粗糙集和BP神经网络进行分析和研究。
2 供应链协同管理绩效预测模型的框架结构
平衡记分卡BSC (the balanced scorecard) 自1992 年由卡普兰和诺顿提出[8], 经过十多年的理论研究和实践应用取得了很大发展。BSC 弥补了以“杜邦财务体系”为代表的传统绩效测评方法的不足, 它在保留财务指标的同时增加顾客维、流程维、学习与成长维指标, 将企业整体经营绩效的指标分为四类 (财务指标、顾客导向经营指标、企业内部业务指标、学习创新和成长指标) 。这四类指标从整体上反映了企业目前的经营状况和未来发展前景, 其精髓在于从全局出发的战略角度和适应企业具体情况调节指标之间的“平衡”。卡普兰和诺顿提炼了四个管理流程, 帮助企业将长期战略目标和日常行动联系起来, 推动BSC 发展成为面向战略实施行动的战略控制系统。
粗糙集理论 (Rough sets) 作为数据挖掘技术的一个新成果, 其主要作用是实现对知识的压缩和再提炼。在对供应链协同管理的绩效进行分析时, 涉及的评价指标很多, 不同的指标重要程度不同, 其中某些指标起决定性的作用。RS理论提出知识约简的方法, 在保留基本知识、对对象的分类能力不变的基础上, 消除重复、冗余的属性和属性值。
误差反向传播的 BP 算法简称 BP 算法, 其基本思想是最小二乘算法, 它采用梯度搜索技术, 通过调整权值, 以期使网络的实际输出值与期望输出值的误差均方值为最小[9]。BP 算法的学习过程由正向传播和反向传播组成。在正向传播过程中, 输入信息从输入层经隐含层逐层处理并传向输出层, 每层神经元 (节点) 的状态只影响下一层神经元的状态。如果在输出层不能得到期望输出则转入反向传播, 将误差信号沿原来的连接通道返回, 自动调整权值, 使误差不断变小。因此, BP神经网路具有专家系统的特点。根据BSC、粗糙集和BP神经网络对问题分析的思路, 供应链协同管理绩效预测模型的框架结构可以用图2所示的流程图来描述。
3 模型的计算与分析
3.1 建立绩效评价指标体系
根据以上分析, 平衡计分卡能够比较好地体现协同管理的思想, 因此供应链协同管理绩效评价指标体系可以应用BSC建立。
3.2 指标数据获取和处理
反映供应链绩效的指标体系中既有定量指标, 又有定性指标。定量指标之间存在着量纲和数量级的不同以及变化趋势的不同, 定性指标难以比较。为使各指标在整个系统中具有可比性, 应把指标在闭区间[0, 1]上进行同趋势化、无量纲化和定性指标定量化处理。
3.3 指标数据离散化
由于粗糙集理论是基于集合论的, 所以只能处理离散型的数据, 而在所遇到的实际问题中, 有些指标数据是连续型的, 因此必须先将连续型的数据离散化[10], 但总的原则是:属性离散归一化后的空间维数尽量小, 即属性值的种类尽量少, 信息丢失尽量少。
3.4 制定绩效决策表和构造分辨矩阵
运用粗糙集理论和方法对指标属性进行约简, 应首先对构造的二维信息决策表[11]约简。约简决策表的基本步骤是:首先删除对象属性中依赖于其他属性的非独立属性;然后合并条件属性和决策属性都相同的对象;最后消除决策规则中不必要的条件属性。决策表的约简可通过构造分辨矩阵来完成。设信息系统S= (U, R, V, f) , R=C∪D是属性集合, 子集C={ak, k=1, 2, …m}和D分别为指标集和决策结果集, U= (x1, x2, …, xn) 为论域, ak (xj) 是样本xj在ak上的取值, 其分辨矩阵为M (s) =[mij]n×n;根据分辨函数与约简的对应关系, Skowron[12]提出了信息系统的约简方法:
(1) 计算信息系统的分辨矩阵M (s) ;
(2) 计算分辨矩阵对应的分辨函数fM (S) ;
(3) 计算分辨函数fM (S) 的最小析取范式, 其中每个析取分量对应一个约简。
3.5 构建启发式评价指标的约简算法
粗糙集约简计算是NP-hard 问题, 且约简有多个理论计算结果, 不便于实际应用。为使约简结果更符合实际并融合专家知识和经验, 本文使用评价指标属性的重要性作为约束条件和启发规则应用于约简过程。启发式约简使用核作为计算约简的基点, 按照属性的重要度从小到大逐个剔出, 直到该集合是一个约简为止, 从而得到一个较优或满足要求的次优约简。相应的计算指标属性ak重要性的公式为[12]:
undefined
其中, undefined是指mij包含指标的个数。
3.6 构造BP神经网络和设计BP算法
根据上面的分析, 使用BP神经网络可以对供应链协同管理绩效预测模型的框架结构进行建模。BP网络由输入层、输出层和隐含层构成。输入与输出层的神经元数是由问题本身决定的, 具体到文章涉及的BP神经网络, 其输入神经元的个数就是评价指标的个数, 因为输出结果只有一个指标即绩效评价等级系数, 所以输出神经元的个数是1。对于隐含层的数目, Robert Hecht Nielson已证明了对于任何在闭区间上连续的函数, 只要隐含层神经元数目足够多, 就可以用只含一个隐含层的网络结构以任意精度来逼近, 所以隐含层只取一层。隐含层神经元数目的选择是一个十分复杂的问题, 隐含层神经元太少不可能将网络训练出来, 但太多又会使学习时间过长, 使网络不“强壮”, 泛化能力下降, 即不能识别以前没有接收到的样本, 容错能力差, 因此存在一个最佳的隐层神经元数, 具体求法可以参考有关文献[9]。
3.7 供应链协同管理绩效预测
将预测样本数据代入训练好的BP神经网络, 得出一个输出值, 将其与绩效等级系数相对照, 完成供应链协同管理绩效的预测。
4 实例研究
本文使用有关研究[5]给出的供应链协同管理绩效评价指标体系和上海某动力设备有限公司的实际数据进行分析。鉴于有关研究中已做了指标数据的处理, 本文不再研究。
4.1 指标数据的离散化
用a1, a2, …, a16依次代表供应链资本收益率、供应链的库存天数、现金周转率、客户销售增长、有效提前期率、时间柔性、供应链目标成本达到比率、新产品销售率、供应链持有成本、产品最后组装点、信息共享率、团队参与程度、订单总循环期、客户响应时间认同、客户价值率、客户保有率。采用等距离划分算法, 对指标离散化处理, 取断点间隔为5, 则归一化的指标值和决策表中指标属性值的对应关系为:0.000—0.200, 0;0.2000—0.400, 1;0.400—0.600, 2;0.600—0.800, 3;0.800—1.000, 4.得出决策属性D 的属性值与绩效评价等级系数的对应关系为:0—0.2, 差;0.2—0.4, 较差;0.4—0.6, 一般;0.6—0.8, 较好;0.8—1.0, 好。
4.2 制定绩效决策表和构造分辨矩阵
根据离散化处理的结果和约简不一致样本, 得到如表1所示的供应链绩效决策表。
限于篇幅, 分辨矩阵不再列出。
4.3 构建启发式评价指标的约简算法
通过利用决策表1, 使用分辨矩阵进行计算, 指标的重要性从大到小依次为:时间柔性, 供应链持有成本, 信息共享率, 供应链的库存天数, 订单总循环期, 团队参与程度, 供应链目标成本达到比率, 有效提前期率, 现金周转率, 客户销售增长, 产品最后组装点, 供应链资本收益率, 客户响应时间认同, 新产品销售率, 客户价值率, 客户保有率。其中, 指标新产品销售率、客户价值率和客户保有率的权重均为0, 是冗余指标;当取阈值5%对指标 (客户响应时间认同) 进一步约简时, 则引入的不一致样本个数为2, 2/16=12.5%大于5%, 因此客户响应时间认同这一指标不再约简。
4.4 构造BP神经网络和设计BP算法
取样本1—3、5—15、17作为训练样本, 实行批处理方式训练;样本4和16作为验证样本来验证网络训练的效果。BP神经网络设计为三层, 经指标约简后16个指标变为13个, 因此输入层的神经元为13个。有的研究中[5]隐含层的神经元设计为16个。由于网络输出的结果只有一个指标, 因此输出层的神经元为1个。有的研究[9]对BP算法进行设计, 隐含层采用Logsig转换函数, 输出层采用Purelin转换函数, 并采用带有动量的梯度下降法 (Traingdm) , 使用MATLAB6.5训练神经网络, 网络训练过程如图3所示。
验证样本4和16的模拟结果为0.6363, 0.2767;当不进行指标约简, 则验证样本4和16的模拟结果为0.5932, 0.3159。
评价指标约简和未约简的网络模拟结果的误差如表2和表3所示。
从仿真结果看, 指标约简后和约简前模拟结果基本一致, 这说明基于粗糙集的指标约简和BP神经网络相结合可以用于供应链协同管理绩效预测的研究。
4.5 供应链协同管理绩效预测
将采集和处理后的指标输入到已训练好的BP神经网络中, 运行后即可得到供应链协同管理绩效预测结果。本文暂且将样本18作为预测样本, 将其约简后的13个指标输入到训练好的网络中, 结果为0.2241, 与实际值0.25的误差为10.36%, 基本满足10%的误差要求, 供应链的绩效属于等级“较差”, 与实际结果相一致。如果不进行指标约简, 将样本18的16个指标输入到训练好的网络 (未进行指标约简的网络) 中, 结果为0.2397, 与实际值的误差为4.12%。二者预测结果基本吻合。
5 结束语及展望
本文利用粗糙集中基于分辨矩阵的启发式指标属性约简算法, 对评价指标体系进行了约简, 减少了冗余指标和预测的成本, 提高了预测的效率。
BP神经网络的使用为供应链协同管理绩效的预测提供一条定量分析的途径, 能够为决策者科学决策提供参考, 因此粗糙集和BP神经网络相结合可以应用到供应链协同管理绩效的预测研究中。此方法存在的主要问题是连续数据的离散化处理缺乏严格的理论推导, 对如何保证采样信息的精度需进一步研究, 可考虑采用模糊粗糙集的方法继续研究。
参考文献
[1]汪应洛, 杨耀红.工程项目管理中的人工神经网络方法及应用[J].中国工程科学, 2004, 6 (7) :26-33.
[2]W MLEE, Y S LIAO, S HCHANG.Neural-based WEDMoptimi-zation via grey analysis[J].The Journal OF Grey System, 2001, 13 (2) :135-146.
[3]王蓓, 孙林岩, 贺竹磐.层次分析法预测先进制造技术的应用[J].工业工程, 2006, 9 (4) :70-74.
[4]王平心, 陈琳, 李补喜.整合EVA的上市公司绩效评价模型研究[J].数理统计与管理, 2006, 25 (2) :186-194.
[5]叶春明, 马慧民, 李丹, 等.BP神经网络在供应链绩效指标评价中的应用研究[J].工业工程与管理, 2005 (5) :35-38.
[6]Z PAWLAK.Rough sets:theoretical aspects of reasoning about data[M].London:Kluwer Academic Publishers, Dordrecht, 1991.
[7]邹辉霞.供应链协同管理理论与方法[M].第1版.北京:北京大学出版社, 2007:156-172.
[8]KAPLAN RS, NORTON DP.The balanced scorecard:translatingstrategy into action[M].Boston, MA:Harvard Business SchoolPress, 1996.
[9]李国勇.智能控制及其MATLAB实现[M].北京:电子工业出版社, 2005:21-31.
[10]Z PAWLAK.Rough sets, rough relations and rough functions[J].Fundamenta Informaticae, 1996, 27 (2) :3-8.
[11]WANG G Y.Rough reduction in algerbra view and information view[J].International Journal Of Intelligent Systems, 2003 (18) :679-688.