文摘

原材料的订购和运输是一个关键过程,为企业生产和收到应收账款,并需要进行有针对性的研究,这一过程。为了解决这个问题,本文首先收集相关的数据和信息在每个企业的订购数量,各类原材料的库存,供应商的供应数量,转运能力,转运蛋白的损失。经过综合评价的企业,供应商,和转运蛋白,我们提出一个合理的排序,供应,和转运决策方案。具体来说,我们首先使用主成分分析筛选了几个重要的供应商。第二,我们筛选出26稳定供应商供应规律的基础上使用LSTM和ARIMA模型,分别,然后基于运输成本和损失成本最小化目标,进一步细化的分类和运输方案。最后,我们调整我们的订购和运输方案根据运输成本和仓储成本最小化的目标。实验结构表明,我们的模型评价收益率每周最经济的订购和运输方案。此外,替代目标函数后,我们的模型仍然可以单周产能提高0.79%,展示很强的鲁棒性和泛化能力。

1。介绍

在现阶段生产企业的快速发展,企业的生产规模逐渐扩大。在这个过程中,被生产企业有显著增加,成本和潜在的经济压力,也增加了。因此,生产企业的成本控制工作是非常重要的对于企业的经济效益1]。特别是生产建筑和装饰面板、成本会计和控制可以保证企业的再生产和销售收入的价值的补偿,试图用最少的钱获取最大的利润(2]。其中,采购原材料的成本,运输和存储成本可以直接影响生产者的生产效率。然而,要求生产企业的风险是可能的违约带来的原材料供应商,如材料采购合同签订后,供方不能按期交货或供应数量比订单数量小得多(3]。这可能导致生产企业的失败,以满足正常生产的原料需求,给企业带来巨大的经济损失。同时,也有实际的运输风险转移过程,因为将会有某些原材料的实际传输过程的损失,和原材料的数量收到企业仓库可能低于原材料订购的数量,和企业还应考虑运输风险的实际决定原材料运输。基于上述信息,如何量化生产企业的原材料订购和运输风险,以及如何帮助他们发展最经济的原材料订购和运输计划考虑的风险正变得越来越感兴趣的一个问题。

为了解决这一问题,研究人员从不同的角度提出了各种解决方案。例如,吴[4)等人开发了一个bi-objective随机规划模型来解决生产和订购决策问题的不确定环境下供应链使用计算机模拟。氮化镓和徐5),相反,考虑零售商和供应商之间的关系,构建两种类型的模型,没有延迟需求信息。徐(6)引入了一个延迟供应场景和使用CvaR准则提出了一个最优排序模型。杨et al。7]分析了系统与多个相关性,建立了一个多元退化模型使用伽马过程和相关函数获得最优订购策略。黄等。8]扩展单一系统的排序问题的多个阶段,多个系统排序问题,最小化总成本的整个多级生产系统。张和元(9]提出了一种多目标加权灰靶决策模型来确定11决策目标在一个供应链系统的层次分析方法,取得最优的选择对策的基础上,比较综合效应的测量值。Cai et al。10)提出了一个广义灰色目标决策模型基于改进的主成分权重调节变量的限制,目前灰色目标并未完全考虑多种不确定性因素的共存的决策对象。郑,11)建造了一个新颖的分配模型结合AHM主观权重和客观权重批评者解决传统单一的分配方法的缺点。

在本文中,我们专注于四个方面来完成模型的建立为原料生产和订购。首先(1)我们建立一个数学模型反映的重要性,保证企业的生产,从这种模型中,最重要的50个供应商选择为重点研究对象。(2)我们设置优化目标选择最少的供应商和使用LSTM和ARIMA模型预测其未来24周原材料供应和选择最少的供应商能满足生产要求。其次,我们引入了一个0 - 1规划模型的选择运输商与供应商之间最小的损失,我们决定转运方案。此外(3),我们添加一个新的优化目标模型的前两个步骤:让货代的转运损失率最小值,并通过构造转运损失率最小目标函数,我们完成模型用于确定排序方案和转运方案。最后,(4)我们提出客观的每周产能最大化的企业。基于上面的三个步骤的模型中,我们确定一个新的目标函数:最小化的数量损失和确定目标函数的约束为企业开发新的转运方案。总的来说,本文的贡献点如下:(1)主成分分析分配目标权重指标,不同层次的分析,用严格的数学理论基础,确保企业的生产保证模型的准确性和客观性,提高供应商的可信度的重要性得分。(2)ARIMA算法是一种模型来捕获时间序列数据的时间结构。然而,很难模型变量之间的非线性关系,利用ARIMA模型。模型复杂多变量序列LSTM可以不指定任何时间窗口。因此,ARIMA时间序列分析的结合与LSTM神经网络供应商的高波动性和供应商提供顺畅的供应。模型的准确性预测未来不同供应商的供应保证。(3)使用合理的假设,优化模型减少了大规模线性规划问题的0 - 1规划问题,这是容易计算和理解。

本文的其余部分组织如下。部分2描述了模型的具体实现,部分3介绍了模型的实验结果和讨论,以及部分4是结论。

2。模型框架

1方面,我们可以知道订单数量和供应数据402年原材料供应商的企业在过去五年里从附件113]。在此基础上,我们量化和分析402年附件供应商的供应特点1:数据预处理进行402年企业,并考虑供应商供应风险的存在,我们总结六个供应特征指标402供应商从三个视角的供应商的供应能力,供应稳定,和声誉。然后,考虑供应商企业生产保障的重要性,我们需要考虑供应数量和可能的风险同时,所以供应特色指标,我们已经建立了,数据再加工后,我们建立了基于主成分分析的企业生产保证模型来反映不同的供应商来保证企业生产的重要性。模型建立和通过Python软件和Matlab软件来解决。最后,我们量化的重要性供应商基于企业生产保证模型和识别前50名的供应商。

2方面,根据附件1 (131)和方面,我们选择最重要的50个供应商,1的结果方面,2为研究对象的方面。首先,我们的优化目标是至少选择供应商。我们预测供应商的原材料供应在接下来的24周,预测波动性更大的供应商的供应数量与ARIMA时间序列模型,预测波动性较小的供应数量与LSTM神经网络供应商,并确定最低的供应商根据供应数量的预测价值。企业的每周产能是固定在28200米³,所以我们的下一个优化目标是最小化总成本。我们假设企业的订单数量等于预测供应商的供应数量,因此我们只需要考虑供应商订单。因此,我们简化优化模型可以解决0 - 1规划问题,利用Matlab软件。最后,我们的优化目标是转运方案最低的损失,和我们第一次预测未来24周的损失率八转运供应商使用LSTM神经网络。基于预测的价值,我们也简化问题的0 - 1规划问题,可以解决使用Matlab软件,然后确定转运的解决方案。

3是一个0 - 1规划问题方面类似于2方面。第一个这个问题的优化目标是最小化转运和存储成本。我们50方面最重要的供应商确认1作为研究的对象,构造目标函数最小化的转运和存储成本的基础上预测未来24周的值2 50供应商的供应方面,使用Matlab软件计算目标函数的最优解和一个新的原材料订购方案为企业制定未来24周。进一步优化目标是最小化转运代理的损失率。进一步优化目标是最小化转运代理的损失率。基于已经预测损失率在接下来的24周的八个代理,我们构建的目标函数最小化转运损失率,我们开发一个转运转运损失率最低的计划为公司的代理基于新的原材料订购计划在接下来的24周时转运和存储成本是最低的。最后,我们比较排序的计算结果和采购方案2和3方面分析方面的有效性排序和转运场景。

4方面,我们的优化目标是企业的每周产能最大化,我们构造一个容量优化模型使用50方面最重要的供应商确认1为研究对象。MATLAB的帮助下,我们计算目标函数的最优解和每周的产能增加的企业,开发一个企业对原材料的订购计划在接下来的24周。订购计划确保供应商对企业的重要性和原材料的低损耗很大程度上。我们浪费的进一步优化目标是最小化。我们构建的目标函数最小化消耗基础上的预测价值损失率的八个方面2代理和企业的原材料订购计划开发的第一个方面的优化问题4和确定这个函数的约束。与约束满足,我们开发了转运方案为企业用最少的运输损失根据原材料订购计划容量最大化。

2.1。企业生产保证模型

2.1.1。数据预处理模块

避免不正当影响无效供给的供给特征的定量分析,我们供应商提供的屏幕和记录无效供给保证下一个索引结构的准确性。如方程所示(1),我们定义的和每周供应比例随着时间的分配。

在他们中间 。此外,如方程所示(2),我们定义的总量原材料供应商提供给公司的240周:

此外,我们定义的供应数量和规律性的规律性供应时间如方程所示(3)和(4): 在哪里 , 反映供应商的声誉和能力完成订单任务,问:我们定义供应率指标完成的供应商和企业之间的合作,我们定义的数量供应K,分别为:

402年计算结果的供应商供应特征指标,如图1,我们发现大量的非常小的公司供应。为了保护企业产品的重要性,避免企业的情况很小的供应达到一个高排名在随后的主成分分析的结果(其他指标得分很高,如小型每周供应企业但非常稳定的供应),我们重新加工数据,过滤掉176供应商供应在5年。176年在所有后续的步骤中,我们只考虑这些供应商分析和建模处理。

2.1.2。主成分分析模块

供应六个定量指标的特点,构造,每个指标都有一定的重要性的生产企业,此外,这些指标也彼此相关,也就是说,构造指标越来越复杂。在这种情况下,可以使用主成分分析综合指标和降低维度的指标。

主成分分析的主要目的是使用更少的变量来解释大多数原始数据中的变量,这通常是减少原始变量的维数较少的新变量,也就是说,主成分,并评估新的综合指标的原始数据。我们原来的六个指标转换成新的全面评估指标和评估供应商的重要性。具体过程如下:(1)原始数据规范化。(2)计算系数矩阵。(3)计算系数矩阵的特征值和特征向量 (4)计算特征值的信息贡献和累积的贡献作为 (5)的p主成分的累积贡献超过85%被选中,并且计算总分 (6)综合分数归一化限制其价值区间[0,1]

结合上述定义供应商供应的定量指标的特点,可以看出,这七个指标的值越高的供应商,最后总分越高,越可以保证企业的生产,和更重要的是企业的供应商。因此,规范化的综合得分米是分数的重要性,以及供应商的重要性,以保证企业的生产可以量化。

2.2。最小损失战略模型

为了实现优化目标的选择供应商的最小的数,首先,我们预测未来24周的供应数量为50最重要的供应商,从最高到最低排名基于确保生产企业的重要性。随时间波动的不同供应商不同,我们采用两种预测方法来预测供应商的供应:供应商与大波动和明显的周期性,我们采用ARIMA时间序列模型来预测供应商的供应在未来24周;与小波动或供应商更混乱的供应,我们采用LSTM神经网络预测供应商的供应数量在未来24周。

2.2.1。ARIMA时间序列

现实生活中的时间序列往往趋势和波动。预测数据与趋势或波动,我们用ARIMA时间序列模型。

主要的思想是,Box-Jenkins方法,即差分法(12),用于消除其趋势和波动,转换后的系列是一个光滑的系列,ARMA序列预测,最后预测结果减少得到预测数据与部分供应商满足趋势和波动。向后移位算子的引入更方便描述操作的区别,和运营商B被定义为

操作员多项式如下:

然后,我们得到d-order的区别

让 是一个非光滑系列。如果存在一个正整数d,这样 ,和 是ARMA (p,问)序列,然后我们电话ARIMA (p d q)序列。

2.2.2。LSTM神经网络

长短期记忆(LSTM)是一种特殊的RNN,主要用来解决梯度消失和梯度爆炸问题在长期的训练序列。简单来说,这意味着LSTM [14)可以有更好的性能在长序列RNN比较正常。LSTM适用于处理和预测重要事件很长时间间隔和延迟时间序列。通过观察数据,我们发现有些供应商在过去五年的数据相对缺乏规律性,还有更多的延误和噪音之间的有效供应,这是利用ARIMA很难预测。在这个时候,我们把数据转换成古典LSTM网络,对于每个供应商,第一个216周的数据作为训练集,剩下的24周作为测试集,和学习速率适当增加减少噪音。我们终于用训练模型来预测未来24周,平均精度的验证组为92.38%,我们可以发现,预测结果合理通过观察(15- - - - - -17]。

2.2.3。约束和实现

我们使用的数据损失率8原材料代理附件II(过去5年13),排除0(每周值“0”意味着相应的供应商没有提供,所以不考虑),我们计算的平均价值损失率8代理过去5年,认为这是50损失率的预测价值的供应商在接下来的24周的转发 。我们假设当前企业仓库存储原材料库存的数量来满足两周的生产需求。为了实现优化目标的选择最少的供应商,我们需要满足以下两个条件在选择供应商。

条件1。每周的前提下,企业的生产能力是28200立方米13),每周供应这些供应商在未来24周能保证每周股票原材料企业的仓库是大于或等于零,从而保证企业的正常生产。

条件2。在每周的前提下,企业的生产能力是28200立方米,原材料的库存在企业仓库的最后交付下一个24周将在两个星期内满足企业的生产需求,保证正常生产,并保证假设”公司的仓库有两个星期的原料库存的原材料订购24周和转让计划”是有效的。
为了满足条件2,首先,我们把预测供应数量每个50的供应商在接下来的24周预测产能转换值,不考虑运输的损失。结合主题的信息(13),1米³产品需要消费0.6³类的原材料,或0.66原材料类B,或0.72原材料类c我们企业的每周产能转化为理想的生产能力在运输之前的损失 ,以促进生产能力转换的计算预测的原材料: 然后,我们计算预测产能之和转换50供应商提供的原材料在接下来的24周,和50个企业根据预测能力转换的总和在接下来的24周从最高到最低,从预测之和最大容量转换和积累他们一个接一个,直到累积的结果是大于或等于企业理想的和能力在接下来的24周。在这一点上,参与的供应商数量累积计算的最低数量是供应商满足条件2。
条件2的基础上,我们构建一个新的变量G满足条件1,它被定义为新的库存的数量(有可能每周的预测价值供给小于企业的理想的每周产能)。我们假设企业目前仓库库存原材料满足两周生产的需求,所以我们可以设置企业的每周生产结束库存仓库等于原始的和库存(原材料仓库的初始库存来满足两周生产需求)和新的库存,和为了满足条件,我们需要确保每周生产企业的库存仓库应大于或等于0,和供应商的数量的约束满足条件1应该等于最小数量的供应商确定条件2。如果不是,那么供应商满足条件的最小数量两个应该被添加到一个直到条件满足,在这段时间里,供应商的数量是我们所寻求的最小数量的供应商,以满足生产需求。通过计算,我们发现26供应商的数量计算,通过满足条件2,完全满足条件1,所以我们最后得出的结论是,最小数量的供应商应该是26岁。
我们的下一个优化目标是使原材料订购和运输成本最低,以最经济的发展原材料订购下24周每周的计划。结合问题[13),我们可以看到,企业的能力是固定的每周28200,所以我们可以变换发展最经济的问题每周原材料订购计划在接下来的24周减少采购成本的优化问题。在这个问题上,企业的采购成本包括原材料的采购成本、运输成本和存储成本。我们假设企业的订单数量等于供应商供应的预测价值。结合问题[13),原材料的类别的实际单位购买价格高于A和B是20%和10%的原材料类别C,分别。运输和存储的单位成本的三种类型的原材料都是一样的。在此基础上,我们构建成本最小化的目标函数: 在哪里
结合相关文献和实际情况在建筑和装饰面板制造商,物流和运输成本的原材料采购成本占10%的采购成本5]。因此,我们认为,C原材料的单价,单位成本的三种类型的原材料运输、和三种类型的单位成本比原材料存储在这个问题8:1:1。然后我们进一步简化目标函数来获取新的目标函数 约束如下: 我们进一步优化目标至少是有损的运输解决方案。我们第一次LSTM神经网络用于预测8代理的损失率在接下来的24周,在预测应该取消损失率为0的数据(值“0”意味着没有交付,所以应该删除)。在前面的优化问题,我们开发了最经济的原材料订购计划公司未来24周的每周,如果该公司的订单n供应商,每个订购 ,预测的流失率 。在此基础上我们构造目标函数为最小化损失(例如,一周只重复计算24倍): 约束如下:

2.3。最低转运和存储成本决策模型

运输和储存的单位成本三种类型的原材料都是一样的,2.2最低损失的策略模型,确定单位成本之间的比例关系三种类型的运输和储存原材料和原材料的采购单价范畴C,也就是说,运输和储存的单位成本是三种类型的原材料 。我们首先选择176家供应商排名从最高到最低的重要性,保证企业的生产方面1为研究对象。然后LSTM神经网络用于预测这176供应商的供应数量在接下来的24周。在此基础上,我们构建的目标函数最小化的转运和存储成本如下:

约束如下:

满足约束条件的前提下,我们通过计算解决目标函数的最优解,也就是说,转运和存储的最小成本的价值 。基于计算原材料订购最经济的解决方案在接下来的24周在2.2中,转运和存储的成本 。通过比较转发和存储成本的值在2.1和2.2中,我们发现转发和存储成本仍然几乎不变。这表明最经济的原材料订购计划在接下来的24周2.2规定是合理的,和每个成本构成采购成本的控制更加精确,这不仅使整体成本最经济,还可以确保运输和存储的成本几乎是最经济的。另一方面,它也表明,我们构建的生产保证模型在2.1中符合实际情况,更健壮的和客观的,也表明,供应商的供应特征被认为是402年的定量分析更全面和可靠的供应商。

然而,我们的研究的对象从176年供应商选择的重要性从高到低排名根据生产企业的部分2.1,我们不考虑176年,一些供应商根据重要性排名低违约风险更大,因此,企业安全生产的重要性,是没有保证的。我们应该选择一个50最重要的供应商中确定的问题基于生产的重要性从高到低的企业。50节最重要的供应商确认2.1在这里学习的对象。这些供应商考虑供应商的供应风险和供应能力,我们应该确定订购的采购程序和转发程序充分考虑供应商的供应风险和供应能力。我们建立50问题最重要的供应商作为目标三个研究对象的转运和存储成本最小化目标函数

约束如下:

我们进一步优化目标是最小化运输代理的损失率,我们预测的损失率8节代理在接下来的24周2.2。在此基础上,我们构建的目标函数最小化运输损耗的速率:

约束如下:

2.4。企业限制产能决策模型

我们的优化目标是企业的每周产能最大化。我们假设现有的原材料供应商的供应能力和代理的转运能力保持不变。为了增加每周的能力的企业,有必要增加原材料的供应以及每周的供应商数量,这可能会导致供应商的重要性,确保企业的生产是没有保证的。供应商可能会出现更大的供应风险,另一方面,每周来提高企业的生产能力,在转发能力不变的情况下,代理运输更多的原材料,可能需要更多的代理,这可能会导致更高的损失程度和损失。为了避免上面的情况,我们需要考虑供应商的供应风险和转运的货代在追求最大容量,并考虑供应商对企业的重要性。在此基础上,我们构建能力最大化的目标函数

约束如下:

我们进一步优化目标是最小化损失的数量体积,我们预期损失率在接下来的24周八代理的部分2.2。与此同时,我们开发一个原材料订购方案上面的公司。在此基础上,我们构建相同的损失最小化目标函数的部分2.2。

3所示。实验结果和讨论

我们设置的参数LSTM如下:hidden_size = 200, num_layers = 2,辍学= 0.2,lear_rate = 0.001。ARIMA的参数:p(自回归模型阶)= 5,问(移动平均模型顺序)= 1,d(微分)= 0。实验的数量是相同的,在相同的实验条件下进行。个人电脑(英特尔(R)的核心(TM) i5 - 8300 h CPU @ 2.30 GHz 2.30 GHz),实验重复30次,取平均值。

3.1。企业生产保证模型的结果

根据主成分分析方法的原理和步骤,本文使用Matlab软件计算和解决。主成分分析进行三组六个定量指标和特征值的贡献率和累积贡献率相关系数矩阵如表所示1:

相对应的特征向量(主成分系数)上述特征值如表所示2:

主成分的贡献超过85%,也就是说,三个主成分,选择如下:

重要性评分米每个供应商和排名的结果通过计算和规范三个主成分综合得分与各自的贡献权重。下面的表显示了只有50个最重要的供应商和其重要性分数如表所示3:

3.2。结果最低损失的策略模型

3.2.1之上。优化模型1

通过计算,我们到达最小数量的供应商满足条件2 26。

3.2.2。优化模型2

我们假设企业的订单数量的预测价值等于供应商的供应,和50个供应商的供应数量的预测价值在接下来的24周。所以,我们不需要考虑企业的订单数量为每个供应商当我们发展最经济的原材料订购下24周每周的计划,但只有企业是否选择订单,供应商,和变量优化问题需要的值“0”或“1”,因此采购成本最低的优化问题是一个0 - 1规划问题。我们使用Matlab的intlinprog()函数来执行计算,求出目标函数的最小值和发展最经济周刊原材料订购计划为企业接下来的24周(有些结果如表所示4)。

3.2.3。优化模型3

当我们假定企业的订单数量等于供应商的供应数量在接下来的24周,每周供应数量,货代需要运输的供应商确定。因此,我们只需要考虑企业是否选择货代与供应商在考虑码头货运解决方案最低的损失,和这个优化问题的变量值“0”或“1”,减少问题的0 - 1规划问题。约束满足,我们开发的最小损耗转发解公司基于原材料订购最经济的解决方案下24周(每周的一些结果如表所示5)。

3.3。最低的结果转运和存储成本决策模型

(1)转运和存储成本最小化约束满足,我们计算求解目标函数的最小值,并最终开发一个新的原材料订购计划为企业接下来的24周满足降低成本要求,考虑供应商的违约风险和供应强度(有些结果如表所示6和7。(2)减少运输损失程度

3.4。结果企业的限制能力决策模型

(1)最大生产能力满足约束条件的前提下,我们解决目标函数的最大值在Matlab的帮助下通过计算企业的最大价值的每周产能为30604 ,也就是2404高于企业的每周产能在过去,并开发一个企业原材料订购计划在接下来的24周,这不仅保障供应商对企业的重要性,在很大程度上还保证供应商对公司的重要性和低损耗的原材料。一些模型的结果如表所示8和9:(2)减少运输损失程度

4所示。结论与展望

在本文中,我们关注供应商的评估根据订购数量的供给特征提取和发展最好的订购和运输解决方案公司不同的情况和需求。我们的模型考虑从几个角度的稳定性模型,如供应商的重要性、可靠性、减少损失,总运输能力的货代和其他限制选择。等目标函数最小化总成本和总损失,减少运输和存储成本,建立和提高能力也是为了获得一个不断优化的供应链模型。实验结果表明,我们的订购和运输计划(1)可以减少多个挤压库存如下 ;(2)总成本降低0.5%,而总损失率第二个问题从0.48%降低至0.437%,和原材料的比例显著增加,C减少(我们测量通过烧蚀实验);(3)单周产能提高0.79%相比,现有的优化模型。实验结果验证模型的正确性,证明我们的模型的泛化能力强。基于优秀的实验结果,主要原因是由于(1)我们用来guest-weight指标的主成分分析,增强了模型的客观性和导致模型的泛化能力的改善(2)我们有效地结合了ARIMA模型和LSTM模型以确保精度高的模型对不同的供应商,从而也提高了模型的鲁棒性

在未来,我们将专注于改善我们的模型在以下两个方面:(1)对个别供应商的单周预测超过一个货代的运输能力,我们的方法是先把它当作最大的,也就是说,.6000/周,剩下的被分配到其他空闲代理损失率最低的那个星期使用贪婪算法。你可以推迟到下周,或者把它当作两个供应商和与其他供应商一起找到最佳的解决方案。(2)的方法预测未来24周的供给,当有足够的时间,培训LSTM网络的数量可以增加实现更加适合不规则波动更接近现实。

数据可用性

使用的数据来支持这项研究的结果可以从相应的作者。

的利益冲突

作者声明没有作者之间的利益冲突。