文摘

经济和信息技术的快速发展,传统的制造业正面临着严峻的挑战。企业需要改变传统的制造业,实现从传统的制造业转变为智能制造业。为了适应市场需求,企业需要不断整合资源,提高企业供应链的竞争力。基于智能制造企业供应商的背景下,供应商的评价方法通过使用机器学习效率进行了研究。本文基于传统的反向传播(BP)神经网络,结合改进的粒子群优化(PSO)算法,和供应商评价指标体系的基础上,智能制造企业的供应商效率评价模型基于DPMPSO-BP神经网络构造。通过收集到的样本数据,网络训练和模拟,结果进行了分析。最后,设计模型应用于大型电池生产企业,和供应商的效率评价方法基于DPMPSO-BP神经网络进行了验证和分析。与传统的BP神经网络方法相比,供应商效率评价方法是有效的和可行的。

1。介绍

制造业中扮演着重要角色在一个国家或地区的经济发展,反映了一个国家或地区的综合实力。2008年全球金融危机爆发后,世界各国的经济增长疲弱,和所有发达国家都把他们的传统制造业接近智能制造业,其中智能制造企业由美国和德国发展最迅速1,2]。

智能制造业的快速发展,供应链的一些大型制造业经历了巨大的变化,以及企业和供应商之间的关系发生了变化,从简单的“买方-卖方关系”到“合作关系。”的转型企业和供应商之间的关系,企业越来越高的要求的供应商。如何从庞大的供应商信息挖掘重要价值并应用到供应链管理是企业迫切需要解决的问题。在供应链中,供应商是供应链的源头,和供应商的评价是关键问题3]。供应商在供应商评估效率评价是非常重要的。供应商的效率是一个指标的合理性资源和输出值的有效供应商生产企业。它的质量可以反映供应商的载体。通过供应商效率层次结构的研究,一方面,它可以用来监视供应商状态和性能。识别和翻译相关,也是选择供应商的决定基础激励策略。旨在频谱效率评估供应商,供应商衡量产品质量、成本和服务的供应商通过建立合适的评价指标体系和分类的效率,供应商通过使用特定的评估标准。供应商效率评价供应链的建设是一个关键的一步,很大的影响了运行平稳高效的供应链(4]。

供应商评价方法经历了一个过程从定性到定量,定性和定量相结合,定量和定量的混合使用。刘Xiufen采用直观的判断方法在选择制造商的方法,可以快速有效地应对直观判断法(5]。当王浩谈到供应商评估方法和解决方案,这种方法需要供应商和买方的过程。多次的谈判,确保供需双方的利益的最大化(6),秋敏说,在材料的采购,选择招标方法有更好的竞争优势,但它是繁琐,无法处理紧急采购(7]。

王在定量供应商评估方法中,提出了一个数量的供应商评估指标的S公司的石化设备进口的特点相对较高的技术含量和使用线性权重法选择合适的供应商(8]。Degraeve等人使用了真实的数据由比利时跨国钢铁企业建立数学模型并得出结论,多目标数学规划模型方法有很大的优势在供应商评估和选择9]。在定量评价方法,基于成本的方法是最常见的,成本是最容易量化的指标。以减少产品成本为例,周总裁提出了基本的ABC成本法和层次分析法(AHP)方法在供应商评估方法中如何选择供应商合作伙伴,如使用层次分析法(AHP)的方法与遗传算法相结合。评估供应商,第一次使用层次分析法评估和分数,然后使用遗传算法来优化排序,最后用它来评估和选择供应商(11]。董Shengxu分析电信运营商和供应商的特点构造了一个供应商评估指标体系根据他们的特点。然后,他使用了传统的BP神经网络训练指标数据收集,最后验证了BP神经网络的实用性为电信企业供应商评估(12]。

本文总结了许多研究人员的研究,评估和选择供应商从不同的角度以不同的方式。众多评价方法,定性的方法相对简单,操作方便,但其主观性太强,这对企业的发展有一些隐患。单一定量评价方法有太高要求量化的指标和数据收集,和很少用于企业因为复杂的计算13]。更合理的供应商评价方法是定性和定量相结合的方法,不仅可以弥补的强烈主观定性评价方法也简化了复杂的定量评价。然而,它也有局限性。如果不同的评估方法是混合在一起,准确性等问题可以解决。

在混合评估方法,该方法结合BP神经网络的优点是更先进,客观、科学、操作方便,简单的计算,等等。供应商评估是一个复杂的非线性映射问题。然而,传统的BP神经网络有很多缺点。因此,本文提出了一种改进的PSO-BP模型通过改进粒子群优化(PSO),并将其与传统的BP神经网络和合并模型适用于大型电池生产企业的供应商评估。节2的讨论进行了智能制造企业的供应商评价指标体系。此外,BP神经网络解释他们的缺点。此外,改进的BP神经网络是审议。此外,DPMPSO-BP算法给出的步骤。节3,实验及其结果进行了分析。最后,本文的结论部分4。

2。理论基础和方法

在本节中,我们提出的主要方法。出于这个原因,我们首先讨论了智能制造企业的供应商评价指标体系。然后,BP神经网络的解释他们的缺点。此外,改进的BP神经网络是审议。DPMPSO-BP算法的步骤。

2.1。智能制造企业的供应商评价指标体系

根据智能制造的定义和相关文档的智能制造企业供应商、智能制造企业供应商的特点总结如下:高智商水平,产品竞争力强,和良好的个性化服务。本文收集了大量的国内外文献对供应商评估和分析了质量、成本、交付、服务、和其他供应商评估的重要指标。通过总结国内外学者的研究成果评价指标体系,分析智能制造企业供应商的特点,以及构建供应商效率评价指标体系的原则,基本指标重建从供应商的角度来看效率和智能制造、和智能企业的供应商评价指标体系。指标体系包括三个维度:产品尺寸,操作智能维度和维度。每个维度分为不同的类别,每个类别是域细分为不同的因素。供应商分类划分的指标如表所示1。

2.2。BP神经网络

神经网络神经元的最基本组成部分,这是与其他神经元完成神经元之间的信息传输。目前,神经元接收输入信号n权重。收到的总输入神经元与阈值0,然后输出值计算通过激活函数处理(14]。描述的基本结构如图1。

传统BP神经网络采用误差反向传播算法的权值和阈值来更新网络结构通过误差反向传播,使误差小和不断迭代,直到误差小于给定的期望(15]。BP神经网络也有一定的缺点,下面列出:(我)容易陷入局部最小值:数学上,传统的BP神经网络,本地搜索优化方法,解决了复杂的非线性问题,并通过本地网络体重逐渐调整改进方向,所以该算法可以成为一个局部极值。因此,网络训练失败。此外,BP神经网络的初始体重非常敏感的网络,当网络初始化不同的权重,它往往收敛到局部最小值不同,这是根本原因许多学者每次训练得到不同的结果。(2)缓慢的收敛性:由于BP神经网络算法梯度下降法在本质上,它需要优化的目标函数非常复杂。因此,“锯齿现象”是不可避免的,这使得BP算法效率低下。此外,由于优化的目标函数是非常复杂的,当神经元输出接近0或1,一些平坦的地区将不可避免地出现。在这些地区,重量误差变化很少,使培训过程几乎停止。在BP神经网络模型中,为了使网络执行BP算法,每次迭代的步长不能由传统的一维搜索方法,计算但步长更新规则必须提前给网络,这也将导致算法效率低下。上述结果在BP神经网络算法的收敛速度慢。(3)样本依赖:BP神经网络模型的训练需要大量的训练样本,和小样本数据网络不能学习规则,导致精度问题。

针对传统BP神经网络的缺点容易陷入局部最小值,利用一种改进的粒子群优化算法优化传统的BP神经网络。

2.3。改善PSO-BP神经网络模型

改进的粒子群优化算法是由以下两个操作刺激。

2.3.1。部门操作

部门操作是做人口司粒子群准备变异操作。在粒子的过程中优化,计算粒子的健身价值,计算结果分为分子数量。让是一个足够小的整数如果以下是正确的: 在这,代表粒子,的平均值是健康的第一代粒子,满意吗 。在所有杰出的子组(ESP),表示为粒子群 。通过动态设置的值,控制亚种群的划分,计算公式如下: 在哪里和的初始和最终价值吗 , 最大允许迭代数,是当前迭代的数字。在迭代的开始,ISP的粒子数量很大,也就是说,变异粒子的数量大。我们增加了粒子的多样性。在迭代结束时,变量粒子的数量减少,粒子收敛到最优解。

2.3.2。变异概率

传统的自适应变异是初始化一些颗粒有一定概率(16),但突变对象和突变的概率对象定义不合理,这对优化的结果有一定的影响。新的位置信息将生成粒子变异后,假设新生成的粒子的位置 。的变异算子设计如下: 在哪里 的欧几里得距离吗 - - - - - -th IP位置从当前迭代的全局最优值和方向系数是1 xd矩阵组成的随机数(−1,1)。在早期的迭代中,IP和全局最优解的欧几里得距离很大,和粒子将增强搜索全局最优值的能力。在迭代过程中,中间的粒子接近全局最优值,算法和最优值逐渐降低,更多的关注搜索在以后的开发能力。

《非线性函数(17比较原始的PSO算法的性能和改进的PSO算法,和《函数如下所示:

粒子群优化结合BP神经网络主要用于优化网络结构的阈值和重量,以便预测模型可以找到最优权重和阈值对网络训练和预测。DPMPSO-BP算法的步骤如下:步骤1:确定BP神经网络结构参数。步骤2:初始化粒子和粒子的位置和速度信息。PSO算法所需的参数包括人口规模 ,粒子尺寸 ,最大数量的迭代MAXITERSIZE,惯性权重的初始值和终止值和 ,学习的因素 ,和粒子最大和最小速度。步骤3:BP神经网络的合成误差函数是作为粒子群适应度函数F: 步骤4:初步确定粒子的个体最优解和人口最优解。步骤5:叫分区算法将粒子群分成ESP和ISP。特别是进入下一次迭代搜索和ISP调用概率变异算法来生成新的位置和速度。第六步:寻找个人和群体的极端粒子。如果当前健身价值比个体极值,更新;如果没有,直接更新粒子的速度和位置。如果粒子适应度值比和体积极值,然后更新。第七步:更新它的速度和位置。第八步:检查是否粒子优化条件得到满足。如果是这样,停止迭代和粒子群的全局最优值映射到最初的体重和BP神经网络的阈值;否则,返回步骤4和重新计算粒子的适应度值。步骤9:BP神经网络计算错误,更新网络的权值和阈值,并检查网络是否满足终止条件。如果是这样的话,完成网络的训练和输入测试样本预测仿真。如果不是,错误是重新计算重量和阈值更新。图2给出了流程图。

2.4。智能制造企业供应商效率评价的一般步骤

(我)数据收集:原来的供应商分类和评价企业调查,收集的数据集是系统数据导出,专家和有关人员得分。(2)供应商的分类:供应商通过朴素贝叶斯分类算法,高效的供应商输出。(3)供应商评估数据的预处理:由于索引数据的维度不同,数据不能直接代入学习仿真模型,和最初的数据应该是标准化。有积极的指标和消极的指标在指标设置,需要标准化以不同的方式根据不同的属性。(iv)网络培训:二次指数评价指标体系作为输入数据和供应商的综合效率评价价值预期的输出值,网络是由误差反向传播训练算法。(v)结果分析:通过实验获得的结果和结果进行了分析。最后,提出了改进的建议和激励策略对供应商。

3所示。实验和结果

快速发展的智能制造企业的供应链,供应商效率的评价受到越来越多的关注企业管理,越来越多的研究者加入供应商效率评价的研究。专家和学者的研究的基础上,本文构建了一套智能生产企业分类指标体系和评价指标体系,分别通过企业实地调查和依靠school-enterprise合作项目。DPMPSO-BP神经网络模型被使用,和企业例子是用于模拟验证,最后建立了供应商效率评价模型。

在中国大型电池生产企业,2000家供应商选择进行案例分析。中既有定性和定量指标建立指标体系,定性指标得分由企业管理者和专家。为量化指标、分类和评估数据收集系统数据导出和公式计算。首先,传统算法和改进的DPMPSO相比, , ,和 。迭代如图的实验结果3。

传统PSO算法获得最优个体适应性45迭代后值为0.0095,接近实际最优值的函数,表明PSO算法具有较强的函数优化能力。然而,DPMPSO算法得到最优个体健身价值0迭代106,这是符合《函数的全局最优值。实验结果表明,DPMPSO算法能够跳出局部最小值点,提高传统PSO算法的过早收敛。

本文采用三层神经网络结构。BP神经网络的hyperparameters设置如下:Inputnum = 25日Hiddennum = 20, Outputnum = 1,使用“tansig”函数从输入层到隐层,并使用purelin激活从隐层到输出层函数,使用trainingda训练函数,训练的最大数量设置为5000,学习速率为0.01,误差是0.000010。PSO算法的参数设置如下:人口规模米= 110,粒子的程度DMAXITERSIZE = 100 = 341, , , , ,和 。MATLAB R2015b被用来训练和测试BP, PSO-BP,分别和DPMPSO-BP模型。仿真结果如图4。

根据实验结果,期望输出值之间的最大误差和DPMPSO-BP模型的预测值为0.0015,这充分满足供应商的效率评估的需要聪明的制造企业。当训练模型存储在知识库中,它只需要输入每个二级指标的属性值矩阵的供应商在供应商评估管理系统获得综合评价指标数据,避免了随机性和人为因素在确定指标权重,提高了评价决策的效率。

4所示。结论

本文改进了传统的供应商评价方法和现有的供应商评价指标体系。为此,研究分析供应商效率评价指标体系和智能制造企业的供应商评价方法。当前的研究具有理论和实践意义。机器学习已逐渐成为供应商管理研究方法的一个新方向,具有明显的价值挖掘大量数据的信息。本文应用改进的PSO-BP供应商效率评估神经网络模型。使用神经网络来建立评价模型,收集相关数据进行分析和应用,弥补主体性、随机性,实时供应商评估的问题。具有一定的理论价值,供应商管理和供应商的科学创新研究。

供应商评价是一个重要的决策智能的操作和生产制造企业。为了适应新一轮工业革命的发展,智能企业改革势在必行。聪明的企业通过提供个性化和智能化的产品和服务。智能制造的背景的基础上,提出了相应的供应商评价指标体系和评价方法,以提高供应商的管理模式,提高生产效率,为供应商的未来发展指出了方向,并进一步提高企业的核心竞争力。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。