基于BP模型的逆向物流零部件庫存預測

張迎新

（1.天津科技大學 經濟與管理學院，天津 300222；2.天津商業(yè)大學 寶德學院，天津 300384）

1 問題的提出

隨著世界各國對生態(tài)資源、環(huán)境保護的日益關注，對可持續(xù)發(fā)展和循環(huán)經濟的日益重視，逆向物流與閉環(huán)供應鏈的研究日益成為國際學術界關注的重點。面向高科技產品的包括正向供應鏈、逆向物流和售后維修服務在內的閉環(huán)供應鏈。正向物流是從原始設備制造商（OEM）發(fā)出高科技產品，經過特約服務商最終到達終端消費者手中。同理由于該種模式是OEM授權特約服務商/經銷商進行銷售和維修技術支持，因此OEM制造商在發(fā)出產品的同時連同維修零部件一同發(fā)出至零部件庫。當終端消費者廢棄該產品，即產品生命周期已經結束，產品進入報廢階段時，產品能夠沿著原有的渠道逆流而上，重新回到OEM指定的處理節(jié)點，在處理節(jié)點進行殘值價值判斷，確定無維修價值的產品或者零部件進入再利用環(huán)節(jié)，按照“生產者承擔”原則，原來的高科技產品制造商承擔產品報廢后對環(huán)境潛在影響的后續(xù)處理責任。如果在處理節(jié)點產品經過價值判斷之后認定經過修復繼續(xù)使用，則產品經過維修或翻新處理進入維修備件庫以備待用。該模式的特點是整個正向和逆向物流可以被OEM所控制，而且通常都是按照這一模式來運作。

2 逆向物流零部件庫存的原理與實例的比較

2.1 需求隨機的多級系統(tǒng)的庫存控制策略

由于高科技產品的逆向物流零部件具有需求隨機，且區(qū)域內多級管理的特點，因此適用需求隨機的多級系統(tǒng)庫存控制方法。

某品牌手機銷售商在大區(qū)內設有三個維修處，即有三個子庫存點見下圖1。

圖1 三個庫存點

級存儲費率h1=1 h2=1 h3=1；備貨期L1=1 L2=2 L3=0；缺貨費率b=9需求率λ=6。欲求庫存總費用最小時的庫存水平則可通過如下方法求解。

由于訂購費為零，采用基本庫存策略，即保持各庫存點的庫存訂貨點在Sj(基本庫存水平)，當低于該值時訂貨，若在期初庫存高于該值則不訂貨，一直等到庫存下降到Sj.庫存點1,2的備貨期需求D1，D2分別服從均指為6、12的泊松分布。

根據供應鏈理論的基本公式，可得：

根據基本庫存策略算法可得：

利用計算機模擬可以得到表1-3，可以得出同樣的結果：

表1 庫存點1的庫存成本及基本庫存水平

表2 庫存點2的庫存成本及基本庫存水平

表3 庫存點3的庫存成本及基本庫存水平

2.2 BP神經網絡計算庫存的原理與實例

2.2.1 BP神經網絡求解步驟

1987年，Lapedes和Fayber首次應用人工神經網絡分析模型進行預測，開創(chuàng)了人工神經網絡預測的先河。分層網絡是將一個神經元網絡模型中的所有神經元按照功能分為若干層，一般有輸入層、中間層和輸出層、各層順序連接。具體步驟如下：

（1）選取研究樣本。根據不同的存貨控制機制，可以以對單一零部件SKU的管理、對成套產品的管理，以及對二者組合的管理的方法來選擇樣本。應用BP神經網絡模型進行預測與統(tǒng)計方法相比，在樣本的選取上局限性小于傳統(tǒng)的統(tǒng)計方法。

（2）把用來衡量高科技產品企業(yè)庫存安全水平的建模變量作為神經網絡的輸入向量，確定輸入層的節(jié)點個數。

（3）將代表分類結果的量作為神經網絡的輸出，設定輸出層節(jié)點個數，而輸出層節(jié)點個數由輸出類別決定，對高科技產品企業(yè)的輸出至少有兩種，即單一產品SKU或成套產品SKU。

（4）確定隱含層節(jié)點個數。隱含層節(jié)點個數一般為經驗值，與輸入層和輸出層的節(jié)點個數有關，并沒有統(tǒng)一的數值要求，一般不宜太少。否則將影響網絡的有效性，也不宜過多，否則會增加學習訓練的時間。

（5）確定學習率和系統(tǒng)誤差。學習率一般控制在0.01～0.9之間，取值不宜過大或偏小，因為學習率越小，訓練次數越多，若學習率過大，每次權值的變動越劇烈，會影響網絡結構的穩(wěn)定性。一般來說，在以往的研究中，學習率選擇0.05，誤差ε通常需要根據輸出要求來確定，為了保證系統(tǒng)的學習精度，在很多的研究中設定系統(tǒng)誤差為0.1%。

（6）在輸入各項參數后，就開始用訓練樣本來訓練網絡，使訓練樣本中的樣本企業(yè)與參照企業(yè)的輸入向量得出區(qū)分兩類不同公司的輸出向量，一旦學習訓練完畢，便可作為被測企業(yè)預測的有效工具。

2.2.2 BP神經網絡的計算實例

本文討論電腦維修零件的庫存水平。由于僅僅是進行算法的比較，所以只是假設最有利于計算的已知條件，在實際運作中，影響庫存的因素有很多，如缺貨成本、提前期、需求狀況，存儲成本、出庫頻率、物料的等級等。在此只選擇最常考慮的影響因素進行分析，即選擇缺貨成本、存儲成本和提前期。

BP網絡的輸入、隱含、輸出層的設置如下圖4所示：

圖2 安全庫存水平預測BP神經網絡模型

確定隱含層神經元個數的方法比較多，以下為幾種比較常用的經驗公式：

式中：m為輸入神經元數，n為輸出神經元數，a為[1,10]之間的常數，T為隱含層神經元個數；

式中：n為輸入神經元數，T為隱含層神經元個數；

式中：m為輸入神經元數，n為輸出神經元數，T為隱含層神經元個數。

本文采用第一種方法求得T=2+a=3～12

本文采用歸一化公式，將原始數據歸一化到[-1,1]，其公式如下：

Xi、Yi分別為轉換前、后的值，Xmax、XMIN分別為樣本的最大值和最小值。然后使用Matlab進行仿真。

表4 歸一化樣本數據

如上表4所示，看到期望輸出的范圍是(-1,1)，所以利用雙極性Sigmoid函數作為轉移函數。

所得結果如下（程序從略）：

輸入層到中間層的權值：

V=(- 9.1669 7.3448 7.3761 4.8966 3.5409)T

中間層各神經元的閾值：

θ=(6 .5885-2.4019-0.9962 1.5303 3.2731)T

中間層到輸出層的權值：

W=(0.3427 0.2135 0.2981-0.8840 1.9134)

輸出層各神經元的閾值：T=-1.5271

可見，用神經網絡模型計算的結果考慮的影響因素更為全面，且不受分布約束的要求，各影響因素能有機結合、相互作用。

該方法較之傳統(tǒng)的統(tǒng)計類分析方法相比，已經越來越多的受到學者的關注。本文通過以下的兩張表分析優(yōu)缺點。具體分析見表5和表6傳統(tǒng)統(tǒng)計方法與BP神經網絡的比較。

表5 傳統(tǒng)統(tǒng)計方法與BP神經網絡的比較（1）

綜上，在預測精度、樣本選擇，以及系統(tǒng)誤差方面，BP神經網絡均表現出良好的優(yōu)點。但是BP神經網絡也存在一定的缺陷，如表6傳統(tǒng)統(tǒng)計方法與BP神經網絡的比較（2）。

表6 傳統(tǒng)統(tǒng)計方法與BP神經網絡的比較（2）

綜上，在數學建模、穩(wěn)定性和參數的嚴謹性角度，BP神經網絡還有一定的缺陷。

3 結論

循環(huán)經濟的發(fā)展，要求逆向物流為其疏通渠道。閉環(huán)供應鏈的建立可以協(xié)調正向和逆向物流在有效的體系中整體趨向最優(yōu)。高科技產品閉環(huán)供應鏈庫存預測的新方法BP神經元網絡開啟了一種嶄新的研究領域，將技術研究和實際應用的結合，為人們解決高科技產品逆向物流中的實際問題構造了一種全新的思路，同時也豐富了統(tǒng)計方法，盡管BP神經元網絡尚有一定的缺陷，隨著研究的深入和理論的發(fā)展，其今后必能給我們的研究作出更大的貢獻。

[1]E.Schoeneburg,N.Hansen,A.Gawelczyk.Neuronal Netswerke[M].Germany:Markt&Technik VerlagAG,1990.

[2]X.Wang,R.Babinsky,H.Scheich.Synaptic Potentiation and Depression in Slices of Mediorostral Neostriatum-hyperstriatum Complex[J].Neuroscience,1994,60(3).

[3]王旭,王宏,王文輝.人工神經元網絡原理與應用[M].沈陽：東北大學出版社.

[4]唐納德·F·布隆伯格著，逆向物流與閉環(huán)供應鏈流程管理[M].劉彥平譯.天津：南開大學出版社,2009.

[5]周政.BP神經網絡的發(fā)展現狀綜述[J].山西電子技術，2008,（2）.

[6]孫建業(yè),王輝.BP神經網絡算法的改進[J].系統(tǒng)工程與電子技術，2004,（6）.

[7]倪霖,劉琳.基于遺傳神經網絡的汽車回收逆向物流綜合評價[J].計算機應用研究,2011,(8).