基于神經(jīng)網(wǎng)絡(luò)的裝備供應(yīng)鏈績(jī)效評(píng)估研究

摘要：從影響供應(yīng)鏈戰(zhàn)略目標(biāo)的三個(gè)關(guān)鍵因素入手，結(jié)合裝備供應(yīng)鏈特點(diǎn)，建立了裝備供應(yīng)鏈績(jī)效評(píng)估指標(biāo)體系；依據(jù)神經(jīng)網(wǎng)絡(luò)原理，建立了用于裝備供應(yīng)鏈績(jī)效評(píng)估的LMBP神經(jīng)網(wǎng)絡(luò)評(píng)估模型；并通過(guò)實(shí)例分析和仿真，結(jié)果表明，該評(píng)估模型合理、有效、可行。

關(guān)鍵詞：裝備供應(yīng)鏈；績(jī)效評(píng)估；LMBP；供應(yīng)鏈戰(zhàn)略

中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1002-3100(2008)07-0124-04

Abstract: Considering the character of equipment supply chain， this paper designs the indicator of performance evaluation based on the key factors of supply chain strategy; According to the principle of neural network， this paper introduces a. The model of performance evaluation of equipment supply chain is introduced based on LMBP neural network; Then the evaluating model is proved to be reasonable， effective and feasible via analyzing and calculating with examples.

Key words: equipment supply chain; performance evaluation; LMBP; supply chain strategy

裝備供應(yīng)鏈?zhǔn)且环N新的裝備保障模式，它從更廣泛的思維空間——整體角度去勾畫，將制造裝備采購(gòu)、儲(chǔ)存、運(yùn)輸?shù)雀鱾€(gè)部門及最終的部隊(duì)用戶有機(jī)的結(jié)合在一起，從而最大限度的發(fā)揮出供應(yīng)鏈整體的力量，達(dá)到供應(yīng)鏈整體效益最大化的目的，以適應(yīng)當(dāng)前信息化戰(zhàn)爭(zhēng)和網(wǎng)絡(luò)化戰(zhàn)爭(zhēng)發(fā)展的需要[1-2]。為了測(cè)試裝備供應(yīng)鏈整體的集成效果，挖掘供應(yīng)鏈內(nèi)部潛力，促進(jìn)裝備供應(yīng)鏈整體性能的改進(jìn)和完善，就必須提出合適的供應(yīng)鏈績(jī)效評(píng)估指標(biāo)，并采用合理的評(píng)估方法來(lái)獲得供應(yīng)鏈管理過(guò)程中的反饋信息。

目前，我軍在供應(yīng)鏈研究及應(yīng)用等方面，還處于起步階段，僅對(duì)供應(yīng)鏈引入我軍軍事領(lǐng)域的必要性和裝備供應(yīng)鏈的基本概念等方面進(jìn)行了研究，并取得了一定的成果[3]，但對(duì)裝備供應(yīng)鏈績(jī)效評(píng)估的研究卻很少。因此，本文從影響供應(yīng)鏈戰(zhàn)略目標(biāo)的三個(gè)關(guān)鍵因素（資源、輸出及柔性）入手，結(jié)合裝備供應(yīng)鏈的特點(diǎn)，建立了裝備供應(yīng)鏈評(píng)估指標(biāo)體系；提出了一種基于LMBP神經(jīng)網(wǎng)絡(luò)的評(píng)估模型，該模型能較好地避免人為選取權(quán)值和相關(guān)系數(shù)過(guò)程中的主觀性和不確定性，并使得評(píng)估模型更具有智能性、適應(yīng)性和可用性。

1裝備供應(yīng)鏈績(jī)效評(píng)估指標(biāo)體系

為了評(píng)估供應(yīng)鏈整體運(yùn)營(yíng)績(jī)效，許多學(xué)者從不同角度考察供應(yīng)鏈并提出了相應(yīng)的評(píng)估指標(biāo)體系，總體上可以將這些評(píng)估體系劃分為基于供應(yīng)鏈運(yùn)作參考模型（SCOR）的評(píng)估體系、基于供應(yīng)鏈平衡記分卡的評(píng)估體系和Beamon提出的ROF（資源、輸出及柔性）體系三大類[4-5]。這些評(píng)估指標(biāo)體系大部分是針對(duì)企業(yè)供應(yīng)鏈提出的，但由于裝備供應(yīng)鏈的特殊性，在績(jī)效評(píng)估方面有著自身的特點(diǎn)。

本文在總結(jié)國(guó)內(nèi)外供應(yīng)鏈績(jī)效評(píng)估指標(biāo)體系的基礎(chǔ)上，從供應(yīng)鏈戰(zhàn)略目標(biāo)的三個(gè)關(guān)鍵因素（資源、輸出及柔性）入手，并結(jié)合我軍裝備供應(yīng)鏈的特點(diǎn)，對(duì)資源利用、輸出水平和柔性進(jìn)行了更細(xì)致的分類，建立了如圖1所示的裝備供應(yīng)鏈績(jī)效評(píng)估指標(biāo)體系。

2LMBP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及算法

供應(yīng)鏈績(jī)效評(píng)估的傳統(tǒng)方法大多是各種數(shù)學(xué)優(yōu)化方法，如線性加權(quán)方法、數(shù)學(xué)規(guī)劃方法、多目標(biāo)模糊綜合評(píng)判方法、概率統(tǒng)計(jì)方法等[6]。但是供應(yīng)鏈績(jī)效評(píng)估指標(biāo)是一個(gè)由若干不同參數(shù)組合而成的指標(biāo)體系，數(shù)量多，帶有明顯的模糊性，使用傳統(tǒng)的評(píng)估方法存在許多局限性。為了克服局限性，本文采用LMBP神經(jīng)網(wǎng)絡(luò)建立績(jī)效評(píng)估模型。

2.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)由3層構(gòu)成，分別為輸入層、隱含層和輸出層。輸入層的節(jié)點(diǎn)數(shù)為n=20，分別表示圖1的評(píng)估指標(biāo)體系中的二級(jí)指標(biāo)；隱含層節(jié)點(diǎn)數(shù)可通過(guò)訓(xùn)練結(jié)果的網(wǎng)絡(luò)逼近能力對(duì)比選優(yōu)確定，經(jīng)過(guò)比較，選定隱含層節(jié)點(diǎn)數(shù)為23；輸出節(jié)點(diǎn)數(shù)為5，分別對(duì)應(yīng)于好10000、較好01000、一般00100、較差00010、差000015個(gè)績(jī)效評(píng)估等級(jí)。

2.2LMBP算法

經(jīng)典BP神經(jīng)網(wǎng)絡(luò)由正向傳播和反向傳播兩部分組成，其基于梯度下降的誤差反向傳播學(xué)習(xí)算法具有學(xué)習(xí)時(shí)間長(zhǎng)、易陷于局部極小等缺點(diǎn)，因而限制了它在實(shí)際中的應(yīng)用。為此，本文從網(wǎng)絡(luò)的訓(xùn)練算法入手，采用一種混合優(yōu)化算法Levenberg-Marquardt BP算法來(lái)改進(jìn)網(wǎng)絡(luò)性能。

Levenberg-Marquardt算法（LM算法）是牛頓法的變形，是可最小化非線性函數(shù)平方和的函數(shù)，非常適合于性能指數(shù)是均方誤差的神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

用FX表示網(wǎng)絡(luò)均方誤差，X為網(wǎng)絡(luò)權(quán)值，網(wǎng)絡(luò)性能指數(shù)FX的牛頓方法是：

當(dāng)誤差平方和減小到某個(gè)目標(biāo)誤差時(shí)，算法就認(rèn)為收斂，結(jié)束迭代。

3裝備供應(yīng)鏈績(jī)效評(píng)估模型

建立了LMBP神經(jīng)網(wǎng)絡(luò)之后，就可以應(yīng)用LMBP神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)裝備供應(yīng)鏈的績(jī)效進(jìn)行評(píng)估，具體步驟如下：

3.1收集資料，獲取樣本數(shù)據(jù)

收集已確定的裝備供應(yīng)鏈績(jī)效評(píng)估方案，其中要包括各指標(biāo)的評(píng)估數(shù)據(jù)和評(píng)價(jià)值。一般來(lái)說(shuō)，搜集的方案越多，越有利于對(duì)網(wǎng)絡(luò)進(jìn)行充分的訓(xùn)練。由于在評(píng)估指標(biāo)體系中，衡量不同指標(biāo)因素的評(píng)估數(shù)據(jù)具有不同測(cè)度，因此需要對(duì)各方案中每個(gè)指標(biāo)的評(píng)估數(shù)據(jù)進(jìn)行歸一化處理。

評(píng)估指標(biāo)一般可分為以下三種類型：效益型（越大越好，如軍事物資供給率）、成本型（越小越好，如庫(kù)存費(fèi)用）和區(qū)間型（以落在某個(gè)固定區(qū)間為好，如信息共享程度）。為了消除不同指標(biāo)、不同量綱的影響，針對(duì)不同類型的指標(biāo)采用不同的規(guī)范化方法[7]，將其規(guī)范化為隸屬于區(qū)間0，1的數(shù)據(jù)。

3.2訓(xùn)練神經(jīng)網(wǎng)絡(luò)

確定神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)步長(zhǎng)、初始權(quán)值、閾值和目標(biāo)精度，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。學(xué)習(xí)步長(zhǎng)是在學(xué)習(xí)過(guò)程中對(duì)權(quán)值的修正量，與網(wǎng)絡(luò)的穩(wěn)定性有關(guān)。步長(zhǎng)過(guò)短，則學(xué)習(xí)效率低；步長(zhǎng)過(guò)長(zhǎng)，則網(wǎng)絡(luò)穩(wěn)定性差。目標(biāo)精度是確定神經(jīng)網(wǎng)絡(luò)的計(jì)算精度標(biāo)準(zhǔn)，當(dāng)誤差達(dá)到目標(biāo)精度要求后，網(wǎng)絡(luò)停止訓(xùn)練。

3.3用經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)處理數(shù)據(jù)

將需要評(píng)估的裝備供應(yīng)鏈的各項(xiàng)指標(biāo)數(shù)據(jù)，輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，便可得到裝備供應(yīng)鏈績(jī)效評(píng)估結(jié)果。備選方案的指標(biāo)數(shù)據(jù)在輸入神經(jīng)網(wǎng)絡(luò)前也要進(jìn)行歸一化處理。

3.4對(duì)評(píng)估結(jié)果進(jìn)行分析

根據(jù)評(píng)估結(jié)果，對(duì)裝備供應(yīng)鏈績(jī)效進(jìn)行分析，提出改進(jìn)意見(jiàn)。

4實(shí)例分析

搜集已確定的裝備供應(yīng)鏈績(jī)效評(píng)估10個(gè)方案的數(shù)據(jù)，歸一化后的評(píng)估矩陣和評(píng)價(jià)值見(jiàn)表1。

用LMBP神經(jīng)網(wǎng)絡(luò)模型對(duì)裝備供應(yīng)鏈績(jī)效進(jìn)行評(píng)估。選取學(xué)習(xí)步長(zhǎng)為0.5，目標(biāo)精度為10-5，用Matlab進(jìn)行編程。將樣本數(shù)據(jù)和評(píng)價(jià)值輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。模型在計(jì)算機(jī)上學(xué)習(xí)9次后精度就達(dá)到了要求，而采用經(jīng)典BP算法進(jìn)行處理的結(jié)果是需經(jīng)182次學(xué)習(xí)才能達(dá)到精度要求，如圖2和圖3所示。完成訓(xùn)練任務(wù)后，網(wǎng)絡(luò)的權(quán)值即固定下來(lái)，可用來(lái)對(duì)待評(píng)估的裝備供應(yīng)鏈績(jī)效進(jìn)行綜合評(píng)定。

假設(shè)一個(gè)裝備供應(yīng)鏈績(jī)效評(píng)估數(shù)據(jù)經(jīng)過(guò)歸一化后為[0.1849， 0.2460， 0.2000， 0.4350， 0.1850， 0.3440， 0.2350， 0.2780， 0.2430， 0.4230， 0.5860， 0.1630， 0.9800， 0.6700， 0.7350， 0.7780， 0.0925， 0.1890， 0.7120， 0.7310]，代入網(wǎng)絡(luò)便可得評(píng)價(jià)結(jié)果為[0.9999， 0.0031， 0.0001， 0.0007， 0.0001]。由此，可判斷此裝備供應(yīng)鏈績(jī)效評(píng)估結(jié)果為好。

5結(jié)束語(yǔ)

裝備供應(yīng)鏈績(jī)效評(píng)估的最終目的是要優(yōu)化供應(yīng)鏈的整個(gè)流程，從而減少供應(yīng)時(shí)間，提高保障效率。本文從影響供應(yīng)鏈戰(zhàn)略目標(biāo)的三個(gè)關(guān)鍵因素（資源、輸出及柔性）出發(fā)，結(jié)合裝備供應(yīng)鏈的特點(diǎn)，建立了裝備供應(yīng)鏈評(píng)估指標(biāo)體系。同時(shí)，在其績(jī)效評(píng)估中引入了LMBP神經(jīng)網(wǎng)絡(luò)方法，這種方法的應(yīng)用，可以克服績(jī)效信息不全，評(píng)估因素間關(guān)系模糊的障礙，減少評(píng)估過(guò)程中主觀因素的影響。通過(guò)實(shí)例仿真還可以看出，這種方法收斂速度快，泛化性能較好，能夠有效地對(duì)裝備供應(yīng)鏈績(jī)效進(jìn)行評(píng)估。

參考文獻(xiàn)：

[1] 王宗喜，徐東. 軍事物流學(xué)[M]. 北京：清華大學(xué)出版社，2007.

[2] 王進(jìn)發(fā)，李勵(lì). 軍事供應(yīng)鏈－支持軍事行動(dòng)的科學(xué)與藝術(shù)[M]. 北京：國(guó)防大學(xué)出版社，2004.

[3] 杜家興，徐宗昌，等. 供應(yīng)鏈對(duì)我軍器材保障的啟示[J]. 物流科技，2004，27(1):57-59.

[4]Bullinger H.， Kuhner M. and Hoof A. V. Analyzing supply chain performance using a balanced measurement method[J]. Int. J. Production Research， 2002，40(15):3533-3543.

[5] 高萍，黃培清，等. 基于SCOR模型的供應(yīng)鏈績(jī)效評(píng)價(jià)與衡量指標(biāo)選取[J]. 工業(yè)工程與管理，2004，9(3):49-52.

[6]Benita M. Beamon． Measuring Supply Chain Performance[J]. International Journal of Operations Production Management， 1999，19(3):275-292.

[7] 史忠植，王文杰. 人工智能[M]. 北京：國(guó)防工業(yè)出版社，2007.