基于BP神經(jīng)網(wǎng)絡對供應商選擇與評價的研究

李澤堯，朱玉杰，劉 黎

(東北林業(yè)大學 工程技術學院，哈爾濱 150040)

供應鏈是基于核心企業(yè)，把資金流、信息流、物流牢牢的控制起來，從原材料的采購開始，制造成再制品或者消費品，由供應商、制造商、分銷商、零售商、直至將產(chǎn)品送到客戶手中的一個完整的功能性網(wǎng)鏈結構[1-2]。ANN模型是通過網(wǎng)絡內部學習訓練獲得知識，從而解決了問題。人工神經(jīng)網(wǎng)絡的理論基礎是生物學中的神經(jīng)網(wǎng)絡。由于訓練方法的不同，學者們把人工網(wǎng)絡分成了兩大類：自我組織類型和逆向傳播類型神經(jīng)網(wǎng)絡。逆向傳播類神經(jīng)網(wǎng)絡被簡稱為BP(Back Propagation)[3]，這種神經(jīng)網(wǎng)絡是一種多層前饋型的基于誤差反向傳播的神經(jīng)網(wǎng)絡，目前在神經(jīng)網(wǎng)絡領域應用最多的就是BP神經(jīng)網(wǎng)絡算法，正是因為它成熟的訓練方法和良好的逼近能力才會得到廣泛應用的[4]。

1 構建供應商選擇與評價指標體系

根據(jù)系統(tǒng)全面性原則、目的性原則、科學實用性原則、定性與定量結合的原則、可拓展性原則[5-6]，依據(jù)企業(yè)提供的真實數(shù)據(jù)，見表1。

表1 供應商選擇與評價指標

2 建立基于BP神經(jīng)網(wǎng)絡的評價模型

BP神經(jīng)網(wǎng)絡都是多層網(wǎng)絡，它不僅包括輸入層和隱含層還有輸出層。而且輸入層和輸出層節(jié)點也并不只有一個，隱層的節(jié)點數(shù)也有一層和多層之分[7-8]。如圖1所示。

令LA層節(jié)點ai到LB層節(jié)點br間的連接權為wirr，LB層節(jié)點br到LC層節(jié)點cj間的連接權為vrj，Tr為LB層節(jié)點的閾值，θj為LC層節(jié)點的閾值，則LB層中節(jié)點輸出的函數(shù)為：

圖1 BP神經(jīng)網(wǎng)絡的結構

(1)

LC層中節(jié)點的輸出函數(shù)：

(2)

θjwir具體的BP網(wǎng)絡學習過程如下：

(1)給wir,vrj,Tr,θj隨機賦一個較小的值。

(2)對每一模式(A(k)，C(k))(k=l，2，…，p)進行下列操作：

①將A(k)的值ai(k)輸入LA層節(jié)點，即成為LA層節(jié)點ai激活值，并按公式(1)和公式(2)依次正向計算。

②計算LC層節(jié)點輸出值cj與期望輸出值cj(k)的誤差：

dj=cj·(1-cj)·(cj(k)-cj)。

(3)

③向LB層節(jié)點反向分配誤差，令：

(4)

④調整LB層與LC層節(jié)點間連接權vrj及LC層節(jié)點闕值：

vrj=vrj+a·br·dj；

(5)

θj=θj+a·dj(0

(6)

⑤調整LA層與LB層節(jié)點間連接權wir及LB層節(jié)點闕值Tr：

wir=wir+β·ai·er；

(7)

Tr=Tr+β·er(0<β<1)。

(8)

⑥重復步驟②，直到對于j=l，2，…，n，k=1，2，…，p，誤差EAV變得足夠小。

(9)

其中EAV為訓練的目標函數(shù)。

3 案例分析

基于對BP神經(jīng)網(wǎng)絡的主要思想的探究，以及BP神經(jīng)網(wǎng)絡在MATLAB中實際應用的理解，以美的集團為例，根據(jù)年鑒學習和集團行政部門提供的相關數(shù)據(jù)見表1，測試數(shù)據(jù)見表2，期望的輸出值見表3。本文將利用MATLAB7.1.2.0(R2011a)軟件提供的工具箱來實現(xiàn)對供應商的選擇與評價。

表2 測試數(shù)據(jù)

表3 期望輸出

將歸一化的數(shù)據(jù)MATLAB中，網(wǎng)絡類型為Feed-forward backprop(前饋)。輸入的數(shù)據(jù)為shuru，訓練函數(shù)traingd，輸入層的節(jié)點數(shù)為輸入向量的維數(shù)，也就是供應商評價指標的個數(shù)20，輸出層節(jié)點個數(shù)為1，表示對供應商評價的結果。隱含層在上文已經(jīng)算出在[6，16]之間，凈反復訓練取14最為妥當。從圖2中可以看出，隨著網(wǎng)絡訓練步數(shù)的增加，誤差逐漸的像設定值擬合，當達到2 887時擬合成功。

訓練結束后，運用MATLAB工具箱中的sim函數(shù)將歸一化后的結果進行仿真，獲得輸出，得到的BP神經(jīng)網(wǎng)絡預測值[9]，如圖3所示。

圖2 訓練誤差圖

從表4的預測值不難看出，各個樣本的網(wǎng)絡輸出的預測值與供應商的期望輸出值預測誤差特別小，對于一般的預測模型而言，這種誤差已經(jīng)在控制范圍內而且比較精準，能夠得到很好的預測效果，同時也可以說明該模型對供應商的選擇與評價具有一定的參考價值，通過樣本訓練得到的BP神經(jīng)網(wǎng)絡可以滿足實際應用的要求。

基于以上訓練結束，利用歸一化測試數(shù)據(jù)對已經(jīng)訓練好的網(wǎng)絡進行測試，即對已經(jīng)建立好的函數(shù)進行仿真計算，從而得到S6、S7、S8三個供應商的網(wǎng)絡輸出，見表5。

圖3 BP神經(jīng)網(wǎng)絡預測值

表4 神經(jīng)網(wǎng)絡預測結果

表5 BP神經(jīng)網(wǎng)絡輸出

從表5中可以看出，三個備選的供應商中S6的預測值最高，其次是S8、S7。

4 結論和展望

本文分析了供應商選擇與評價在供應鏈管理環(huán)境下的重要性，分析供應商選擇與評價的影響因素，依據(jù)供應商選擇與評價指標體系的構建原則建立了一個可以為小家電企業(yè)在行業(yè)競爭中處于優(yōu)勢的供應商選擇與評價指標體系模型，利用MATLAB軟件中的BP神經(jīng)網(wǎng)絡工具箱對模型進行了仿真優(yōu)化，最后將該模型應用于美的集團的供應商選擇與評價中，預測出了適合企業(yè)的供應商，驗證了模型的有效性。該模型的建立，對這一類企業(yè)今后的供應商選擇與評價工作的進行有一定的借鑒和指導意義。

本文雖然就基于BP神經(jīng)網(wǎng)絡對供應商選擇與評價的研究取得了一定成果，但由于研究領域的細化和市場的變化，對供應商的選擇與評價存在很多主觀復雜因素，所以在今后的研究中希望有機會并有能力將各種形式的供應商全面細化，使供應商選擇與評價研究細化精準，使研究結果更有指向性和針對性。

【參 考 文 獻】

[1]林 勇，馬士華.供應鏈管理環(huán)境下供應商的綜合評價選擇研究[J].物流技術，2000，19(5)：56-60.

[2]王浩藝，朱玉杰，劉 黎.基于約束理論的影響供應鏈快速響應瓶頸分析[J].森林工程，2014，30(2)：162-166.

[3]Dickson G W.Analysis of selection systems and decision[J].Journal of Purchasing，1996(5)：5-17.

[4]Lehmann D Shaughnessy O.Decision criteria used different categories of products[J].Journal of Purchasing Materials Management，1994(6)：9-14.

[5]Hatherall D.A，Purchasing in the pharmaceutical industry[D].UK：Lancaster University，1988.

[6]Weber C A.Current J R，Benton W C.Vendor selection criteria and methods[J].European Journal of Operational Research，1991，50：2-18.

[7]陳建州.物流供應商的評價與選擇[D].武漢：華中科技大學，2005.

[8]柳 鍵.供應管理目標與供應商關系定位研究[J].商業(yè)經(jīng)濟與管理，2005(3)：20-23.

[9]陳以新.MATLBA的幾則程序設計經(jīng)驗[J].計算機應用，1999，19(9)：54-56.