基于神經網絡的企業供應物流系統評價

田石磊

摘要：本文通過對企業物流系統自身特點的分析，通過對供應物流的系統評價方法的應用，進行供應物流系統相關內容的評價指標的建立，以此打造供應物流系統的BP神經網絡來對企業的績效評價作出評估。

關鍵詞：神經網絡；企業；供應物流系統；評價

中圖分類號：F224.0；F252 文獻識別碼：A 文章編號：1001-828X（2017）009-0-01

前言

供應物流系統作為企業運營過程中的關鍵環節，就需要對其進行不斷地升級和完善。物流系統的評價體系作為決策過程中的基本依據，就要求企業必須提高物流評價的準確性，以此促進企業物流的運行效率。

一、供應物流系統相關指標的建立

物流系統的指標建立需遵循以下原則：相關原則、可比原則和系統原則，然后通過與企業自身特點的結合，采用物流系統的評價方法來建立企業物流系統的指標評價綜合體系。在這個體系中包含了四個一級指標以及18個二級指標。

二、BP神經網絡

1.概述

美國認知心理學家魯姆哈特于1986年提出了BP神經網絡，它是為了進行多層次網絡中所隱含連接問題的有效解決。由于BP神經網絡具備強大的泛華、自組織、非線性映射以及誤差反饋和調整能力，使得它在物流供應系統方面得到了廣泛的應用與研究。

2.BP結構模型

作為一種都曾的前饋網絡，BP神經網絡包含了三個層次，即：輸出層、隱含層和輸入層。其中，隱含層的數目既可以是單層，也可以是多層。在這個網絡層級當中，每一層網絡都由若干結點構成，而每一個結點又表示了一個神經元。在隱含層中所包含的神經元經常運用S型的激活函數，輸出或輸入層所包含的神經元一般會采取線性傳遞函數，在BP神經網絡中，其上層和下層的結點會經由權值來進行相互直接連接的建立，同一層網絡中的結點相互之間并無關聯。

從BP結構模型我們能夠發現，輸入層神經元節點的總數為m，而隱含層的神經元結點總數為n，且輸出層的神經元節點總數為q。其中，xk（i）表示輸入樣本k及指標i的初始數據；vk（i）表示輸入樣本k和指標i在經過規范化處理后所得到的數據；wij表示輸入層中第i個神經元與第j個隱含層的神經元之間的連接權重；rjl表示隱含層中第j個神經元與輸出層中第l個神經元之間的連接權重；而yl表示第l個輸出層的神經元輸出。BP神經網絡的隱含層一般運用S型的神經元函數（tansig（）），它的輸出結果會被限定在區間[0，1]之內。輸出層的神經元傳遞通常會使用purelin型的線性神經元。

3.BP神經網絡計算

（1）于[-1，1]區間內對各個層級之間的連接權重Rjl和Wij與閾值θj和εc進行隨機初始值的賦予；（2）選取其中的一組數據當作計算的訓練樣本X=（x1，x2，…，xm）T與期望的輸出樣本Y=（y1，y2，…，yq）T；（3）利用連接權重rjl和Wij以及輸入數X=（x1，x2，…，xm）T2來對隱含層各個節點輸入值sj進行計算，之后通過sj借助S型函數f（x）來對隱含層各個節點輸入值bj進行計算；（4）通過對隱含層輸出bj、閾值以及連接權重Rjl的利用，來計算輸出層各節點處的輸入值Pq，之后再通過Pq，并且借助輸出層的函數來計算出輸出層的各節點處的輸出值；（5）然后對輸出層與隱含層之間的誤差進行數值計算；（6）通過反向傳播，來對連接權重與閾值進行修正，從而得到新權重與閾值；（7）通過數次學習，使其最后的誤差與網絡預設值接近，那么訓練結束；否則，將繼續反復訓練，直到達成目標誤差或是達到了最大的學習次數，方能終止學習。

三、實例探究

1.指標值獲取及處理

本例中將進行20個企業樣本的選取，然后根據它的調查材料和財務年度報表來進行20個企業供應物流系統的各個評價指標初始數據的確定，而系統的各個綜合期望值Q則由專家依據經驗給出。考慮到初始數據表示含義的不同，因此，為了便于分析，這里會對初始數據進行系統性的的歸一化處理。

2.建立神經網絡

即對企業的供應物流系統的績效作出評價，這需要建立三層的神經網絡，包含了輸入層、隱含層和輸出層。

（1）輸入層共有18個節點，與之相對應的是18個評價指標；輸出層有1個節點，與綜合評價值相對應。

（2）隱含層的節點數目是經由經驗公式來確定的。隱含層節點過少，則會對神經網絡信息處理與學習能力造成影響；節點過多則會增加神經網絡計算學習的復雜程度，降低學習效率。經由計算我們能夠得出隱含層節點數為4或者是5，具體的取值需要經過實際的訓練來獲取。我們經過多次訓練發現，隱含層節點數設為5能夠取得最佳效果。

3.神經網絡的訓練分析

在本例中，設置網絡的學習率lr=0.01，其最大的訓練次數是5000次，目標誤差是0.001，具體的訓練過程如下所示。

（1）BP神經網絡的網絡訓練過程。首先，選取前面的15個樣本當作訓練時的樣本，對神經網絡進行訓練，共經歷了1352次的迭代訓練，使其方差值達0.000999，對訓練誤差的要求達到了滿足條件，此時訓練終止。

（2）BP神經網絡的可靠性驗證。以20組評價數據當中的后面5組為測試實驗組，對其進行網絡訓練檢驗。從訓練中我們能夠發現，神經網絡最終的仿真結果同期望值基本保持一致，且后面5組的數據仿真誤差值均在±0.1%的范圍之內，這就表明，訓練后的BP網絡能夠對企業的供應物流系統進行有效的績效評價。

4.其他實例

我國是制造業大國，以制造企業為例。在進行企業物流系統的指標評價綜合體系的構建中，首先，建立四個一級指標，9個二級指標，35個三級指標；其次，通過對所評價事物進行等級劃分，以“非常好、較好、一般、較差、非常差”這五項等級進行劃分，每個等級予以不同的權重賦值，在此基礎上借助計算機軟件技術實現對各個指標評價值的計算處理；再次，通過函數對評價指標值實現輸入和輸出的過程，從而確定各個指標的權重值；然后，通過計算進行實際值與誤差值的比較，確保小于誤差值，則停止迭代化計算，否則，則需返回重新進行計算，直至每個樣本值都小于預期誤差值方能停止；最后，建立綜合評判性的數學模型，并依據各項指標的最終評估結果，發現制造企業供應鏈中的績效薄弱環節，從而確定物理管理工作的切入點，實現企業物流的高效管理。

四、結語

綜上所述，（1）對企業的供應物流系統進行了指標評價綜合體系的建立，并依據實際因素，設立了四個一級指標以及十八個二級指標；（2）建立了BP神經網絡，然后通過訓練與檢驗得到了預期的評價結果，以此證明了神經網絡方法是一種切實可行的方法，為完善企業的供應物流系統的評價提供了有力的依據。