文摘

造船是一个复杂的过程,需要充足的供应商。知道如何选择船舶供应商根据客户需求是一个关键的任务。一个动态的自我优化评价模型船供应商提出了本文通过一种改进的粒子群优化。实验表明,新方法不仅可以完成智能评价船舶供应商,避免冗余专家的依赖还根据每年的情况动态调整评价函数和维护评价模型的实用性。

1。介绍

造船是一个复杂的过程。很难航运完成造船工厂根据客户的需求,因为生产周期长,造价高,多种设备和配件,更高质量的需求,等等。采购量是巨大的,采购成本占总造价的70%。供应链的管理是必要的协调一些流程,如采购、存储、产品等等,在造船先进的信息技术和管理哲学。造船供应链中的供应商的选择成为一个关键和决定性因素来构建更高级的系统船舶供应(1]。有一些缺点在当前的评估方法对船舶供应商。首先是估算模型的建立需要冗余的评估专家的帮助。另一个是精度降低没有足够的维护和支持专家的程度。本文提出了一种新的数学评价模型首先考虑多个属性来估计船供应商的实力。第二个归因是改进的粒子群优化避免落入当地最好的价值。最后一个是自我优化评价船舶供应商基于改进粒子群算法优化,提出了解决运输的问题供应商SOSSESIPSO(短)。

本文组织如下。节2,简要回顾供应商链的研究,以下部分提供了组件的船舶供应商评价体系的评价函数。部分3介绍了运输供应商的评价函数的数学模型。两个实验部分所示4,最好是选择最好的参数与性能,和另一种方法是证明自我优化的优化效果评价体系的船舶供应商。部分5讨论论文的总结,指出了未来的研究方向。

2。相关研究

供应商的评估研究始于1966年。迪克森GW首先分析了供应商选择系统(2]。Vahdani Zandieh建立了一个线性规划模型与目标成本在1989年(3]。Bakeshlou等人发现,数学规划模型优于评价模型和单一模型比多维模型通过研究过去的文章(2000年4]。卡特和考夫曼提出了混合和圆的非线性规划模型来解决支持限制下的巨大需求的供应商5]。郭等人开始研究供应商评价的层次分析法(6]。青等人提出了船舶供应商的评价模型基于层次分析法和三角模糊数(7]。温家宝等人提出了一个评价模型的综合评价方法2011年船舶设备供应商(8,9]。方用人工神经网络来评估每一船舶供应商和郝邓设计评估船用柴油机制造商分别基于GA-BP神经网络。方设计RBF神经网络评价模型评价造船供应商(10]。

从上述分析中,一些研究人员选择业务分析或统计在2011年之前解决这个问题。这些方法需要冗余的帮助从专家和实际结果受到专家们的经验。自2013年以来,许多学者试图采用人工智能算法来促进智能的船舶供应商评估模型。效果不满意,尽管人工智能方法避免船舶供应商评估模型过多的参与的专家。

2.1。船舶供应商评价数学模型

船舶评估供应商的要求有很大的不同在整个生命周期的船从生产到灭绝,由于对象在每个阶段不同的需求。针对造船业的特点和船用设备供应商的需求,6个属性影响船舶供应商的选择与专家,通过深度访谈研究结果,数据搜索,和专家审查在这项研究中11- - - - - -13]。评估船舶供应商可以实现从六个属性,包括企业实力、财务状况、企业声誉、产品质量、服务质量和成本控制14]。每个属性的估计可以由不同的sub-attributes。

数学模型来访问船供应商从六个部分如表所示1。数学表达式所示公式(1),这是一个目标函数在船上供应商评估数学模型。

这六个属性应该是由六个参数表示 ,分别。这些参数 表达六部分的重要程度评价函数和值的比例很大程度上如此。六个参数的值在0和1之间的情况下6个参数的总和 等于1,公式(2)所示。

这些sub-parameters加在一起是1在每个属性 ,这个公式表示如下所示。

的 应满足如下所示的关系。换句话说,更多的价值,更重要。

2.2。企业实力

在船上供应链,铅的时间内未能发货(船舶产品交货日期)或未能满足客户的订单数量将带来障碍的有效操作船舶供应链。在船上供应链、交货率、订单满足率和订单交货时间可以反映交付情况。手持订单,订单交货时间,订单提前时间,交货期内交货率,专利数量和资格认证的数量反映了企业的实力。

手持订单指宣布的造船订单的数量,可以从数据中获得。

保证完整的命令是航运公司的最低要求供应商,但对于一些稀疏提供商品,订单满足率难以维护,因此更有必要对供应商提出要求。订单交货时间率反映了船舶供应商交付的可能性。

订单交货时间越短,越强的供应链响应客户需求的能力,库存越少需要举行。使用订单提前时间作为评价标准,交货时间的百分比小于这个交货时间的总交货时间测量。

交货期是航运业中指定的交货期,主要反映供应商的交货能力从时间的角度来看。

一个企业的专利数量由软件著作权,实用新型、外观专利和发明专利。专利的数量成正比的实力企业。

资格认证是指一个州立承认的认证机构认证合格评定活动,一个组织的产品、服务、管理体系符合相关标准,技术规范,或强制性要求。资质的企业获得相关产品越多,越标准化企业和较强的实力。企业实力的公式如公式(5)所示。

的是更重要的比 ,尽管在交货期内交货率小于订单交货及时率。资格是由公式(6)表示。

2.3。财务状况

船舶材料采购所需的资本通常很大,和良好的财务和声誉地位是一个重要的保证采购的顺利进行。资产负债率、净资产收益率和资产周转率是反映财务状况。

资产负债率是用来衡量供应商的长期偿付能力,反映了企业是否可持续发展的能力。这是一个非常重要的评价指标,长期合作。

返回在净资产反映供应商的净资产的盈利能力和体现其经营业绩和盈利能力,比销售更富有表现力的保证金和其他指标。

资产周转率反映供应商的资金周转能力在某种程度上,这是一个核心指标,反映了公司的运营能力。

这些属性之间的限制关系公式(7)所示。

2.4。企业的声誉

良好的企业声誉是合作的前提。只有一个好的名声可以赢得合作伙伴的信任,和良好的企业声誉也反映了企业的经济实力在一定程度上。企业信誉的业务可以从三个方面,包括司法风险,公司的业务风险,由企业获得的奖项数量。企业商业风险的数量包括行政处罚、环境处罚、异常操作,异常的税收,严重违反了法律和承诺。司法的数量风险包括法院公告,法律诉讼,法院公告,和执行人员的数量。

2.5。产品合格率

产品合格率是指合格产品的比例在一定期限内购买总额。更高的产品合格率不仅可以有效降低修复并返回,而且更重要的是,有助于提高船东的满意。

产品溢价率指的是优质产品的数量和产品的总量在一定时期内。一些精密仪器不仅需要合格的产品,但同样质量的产品。因此,溢价率可以反映出高水平的供应商的产品,小于产品合格率公式(8)所示。

产品质量认证系统可以参考相关的质量认证标准和直接采用权威部门的认证结果给予一定的评级水平。级别越高,越完善的认证体系。

产品保证是一个制造商的保修服务一定数量的年为了保护买家的利益。一般来说,产品保修期越长越多,制造商将承认其产品的质量。

船舶生命周期的整个过程是船的使用在市场上替换或从市场上消失。平均生命周期的平均生命周期的船只,这是市场经济生活的运动。

2.6。服务质量

许多品种的特点和长周期船舶产品需要ship-supporting企业有高水平的服务保持船的正常运行。指标反映船舶供应商的服务水平包括历史交付记录,售后服务满意度和服务改进功能。

售后服务满意度对大多数企业来说,是一个重要的指标来衡量供应商的服务水平,旨在反映供应商的质量管理能力后交易。

服务改进能力:售后服务满意度的评价供应商的“过去”,而服务改进供应商的能力是一个预测未来的服务水平。作为长期合作伙伴,供应商的未来发展更重要。

产品开发服务功能是修改或完善相关产品,以满足企业的需求针对造船企业或客户的特殊需要。

2.7。成本控制

价格竞争的焦点是造船竞争,和高成本的材料已成为难点需要解决的全球造船业。具有竞争力的供应商应该有竞争优势的价格,订购成本、运输成本和存储成本。

产品价格是指一个企业的成本需要支付每一单位的产品,这是最直接的关键指标反映了企业的采购成本。

订单成本有一个线性关系与运输体积,即实际成本,可以根据相关标准计算。

相关的运输成本是线性体积,距离和运输方式。如果供应商能提供运输服务,可以节省大量的成本为航运企业。

船舶产品的原材料和零部件,如钢铁、大型项目,需要大量的空间和足够的人力来存储。因此,存储成本是一个重要的因素在评估过程中船舶供应商。这些属性在成本控制满足公式(9);换句话说,订单是由产品价格和运输成本至少成本和存储成本。

2.8。数据收集和初始化

从网上获得一些数据,如企业管理风险,订单号码,等等(15]。这些数据的积蓄用于船舶供应商评价实验是通过履带的数据。一些信息缺乏适当的信息来源最初指定的船舶供应商链管理的专家。这些数据分为5°包括很好,很好,中间,坏,根据评价结果很糟糕。这些评估应该标准化,以相互比较的过程中优化和评估由于专家模糊评价。有效的值如表所示2。

3所示。智能评价模型对船舶供应商

3.1。粒子群优化

粒子群优化(PSO)算法是一个成功的案例,从biosimulation进化,是一个重要的应用程序来解决优化问题。进行1995年,教授埃伯哈特和施设计了PSO算法通过模拟鸟类的搜索活动(16]。一些算法解决方案可以解决一些问题或现象不能被解决通过PSO算法在现实社会。PSO的优势包括更高的速度优化和容易实现在应用程序主要与遗传算法相比,这是一个成功的优化算法。的主要缺点是困难的选择研究参数,这使得结果容易陷入局部优化。一些研究人员取得了巨大的创新优化算法根据各种应用领域。张提出了一种自适应BBPSO通过添加一个自适应扰动变量来提升各种群(17]。歌等人报道,基于成本的特征选择问题可以解决多目标算法(18]。适应合作共同进化粒子群优化算法通过歌曲来解决多目标优化(19]。这些粒子群优化优化不同的方法已经成功地应用在许多领域,取得了很多重要的结果。

3.2。自我优化船舶供应商评估算法

自我优化评估船舶供应商基于改进粒子群算法优化(SOSSESIPSO)提出了有效提高船舶供应商的评估质量,避免过度依赖一些专家。

评估船舶供应商可以实现从六个属性,每个属性包括多样化的sub-attributes。公式(10)显示了评估过程在每个属性根据不同的属性。

参数表达的重要程度jth sub-attribute在我属性。这些参数的值在0和1之间的条件下这些参数的总和 等于1在每个属性的评价。公式表示显示为公式(11)。

参数n是sub-attributes的数量在每一个属性。训练过程是最小的目标函数之间的区别SOSSESIPSO评估价值和实际价值,这表明在研究过程的优化方向。公式如下所示。

的R(x)表达真正的评估企业的价值x在公式(12)。的计算R(x)是通过调查结果的分析和确认R(x)是由专家完成。

整个优化过程的船舶供应商评估算法如图1。

4所示。全局优化和局部最优

有两个重要元素,全局优化和局部最优,在粒子群优化算法。全球最佳最好的值粒子群优化过程和当地最佳的最高价值是每个粒子的优化过程。比较范围是不同的,虽然两值最优。全球最佳整个粒子群,但只有一个局部最优的数量是不同的,等于粒子群的数量。这两个元素的功能发挥重要作用的优化质量和速度和确定优化结果。

研究改进的粒子群优化算法通常集中在本地最佳,因为他们过分关注个人最佳,使优化结果很容易落入局部缺陷。基于动态k - means改进粒子群优化算法,以克服缺陷的局部最优粒子群优化。这些规则决定的k是多方面的,虽然一些研究人员应用k - means改进粒子群优化。本文计算的具体方法局部最优是平均的局部最优k最近的目标粒子的粒子,和k是一个动态值而不是一个固定值。的具体价值k由不同的利率在当地解决粒子,可以计算公式(13)。

之间的不同利率目标粒子,每个粒子在最近的k粒子应该计算。如果差异率小于一个具体的百分比确定的实验中,粒子将被认为是在平均范围来计算目标的局部最优粒子显示(14)。具体的百分比是动态的而不是静态的。在这个实验中,具体的百分比是10%。的值k是总金额的10%的粒子群,应四舍五入。

全球SOSSESIPSO最佳值是最小值绝对差的企业实力,财务状况,企业声誉、产品质量、服务质量和成本控制。

5。算法初始化

一些属性用于船舶供应商评价系统设计的商业数据的分析对船舶供应商公司在互联网上或分布式的信息工厂关于船舶供应商。交办的其他属性是一些专家关于船舶供应商链根据他们的工作经验或研究成果。

这些属性应该首先初始化为了让这些属性相互比较容易。完成初始化方法的船舶供应商数据是采用均值和方差。从公式(15)公式(17),DSLU显示了初始化过程。

参数代表的价值jth sub-attribute在我属性。年代_我的标准偏差我th属性和的平均值我属性。

6。实验和讨论

这艘船供应商的评估过程已经明确提出,在以下部分,实验SOSSESIPSO将阐述清楚。一个实验参数是选择最好的表演,和另一个是确认改进的粒子群优化的性能比未被利用的。

6.1。培训绩效

两个实验将被设计来验证优化结果自我优化评价算法的船舶供应商。第一个实验是比较不同参数组合的表演(C1 = C2 = 2, C1 = C2与兰德= 1.5 = 0.3或兰德= 0.5),并选择最优属性与500代前的最佳性能。第二个实验验证,改进的粒子群优化的性能比未被利用的一个优化的评估结果对船舶供应商。

这些参数 初的评估优化的船舶供应商分配随机从0到1的协助下,专家和20个粒子粒子群中。实验平台是一些个人电脑与一个国际米兰(R)核心™i5 - 3230 m CPU, 2.60 GHz, 16 GB的RAM。完成项目工作的实验是在Python的帮助下实现的。

分析的优化性能通过训练过程,25全球最优粒子群最佳的健身选择每20代从1到500代每一个参数组合如图2。

数据2(一个)和2 (b)显示的性能评估优化船舶供应商当参数C1 = C2 = 1.5和兰德= 0.3或兰德= 0.5。评估价值明显减少来自37个约23之前如图380代2(一个)。随着优化的继续,评价结果是约研究权力是在一个稳定的情况下没有进一步下降。当C1 = C2 = 1.5和兰德= 0.5,之前下降情况的评估值是340代;然而,一些反弹现象很明显在下降过程中。优化结果不清楚下降340代之后,这项研究结果是24左右。

的优化条件时SOSSESIPSO C1 = C2 = 2图所示2 (c)和2 (d)。230代之前,SOSSESIPSO的学习效果没有明显区别兰德= 0.5和兰德= 0.3,和最好的健身评价函数的平均值约为25。兰德= 0.3时,学习效率加速从230代500代,异常现象的有限的考虑,而评估价值降低了从26 - 12。兰德的研究效率兰德= 0.3 = 0.5是低于230代和评估价值达到19后一些曲折现象。

因为最好的健身时参数的优化速度兰德最初分配给0.3高于兰德被初始化为0.5在优化过程中不考虑C1和C2和振荡的范围前者小于后者,兰德分配到0.5是考虑淘汰。从上述分析和图2从(a)到(d),我们可以得出这样的结论:SOSSESIPSO是否C1 = C2 = 1.5或C1 = C2 = 2可以优化船舶评估供应商在某种程度上和C1 = C2 = 2的优化速度快于C1 = C2 = 1.5。因此,这些参数组合(C1 = C2 = 2和兰德= 0.3)被选中作进一步优化。

SOSSESIPSO的表现不满意,当参数C1不等于C2与C1相当于C2的分析实验。这些参数C1 = C2 = 2和兰德= 0.3将考虑在接下来的实验中被选中,因为培训结果优于其他参数组合当C1 = C2。

7所示。优化比较

接下来的实验是retestify改进算法的性能。的比较表现自我优化评价体系对船舶供应商基于改进粒子群优化和改进的粒子群优化参数C1 = C2 = 2和兰德= 0.3之前1000代图所示3。

这些自我优化的性能评估系统不不同显然在220代最优结果并不明显,这些最佳值约30反弹。改进的粒子群优化的优化速度是快于未被利用的算法从220代。同时,后者的性能不稳定,波动是伟大的,尽管最佳值的变化趋势正在下降。全球最佳的两个自我优化评价系统根据不同的算法:7和15日分别,当训练达到1000代。

从上述分析中,基于动态k - means粒子群优化能有效提高船舶供应商的能力评估函数的优化效果和速度都优于未被利用的算法。粒子群优化基于动态k - means算法使船舶供应商评价体系有自我优化能力没有专家的帮助。

8。结论

新的粒子群优化实现自我优化评价船舶供应商,避免了过多的专家的帮助。实验表明,改进的粒子群优化可以轻松到达最好的优化应用程序的性能是优于未被利用的粒子群优化的优化。

该方法的局限性是标准的改进粒子群优化算法而不是最新的,已通过不同的方法改进。在未来,我们将许多优秀的PSO算法应用于完善SOSSESIPSO算法和分析优化结果。最终的目的是实现智能船舶供应商评估。

数据可用性

所有生成的数据或分析在本研究中包括这篇文章。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢天津海事学院的行政和财政支持这项研究。作者特别承认yu lin他和剑史的有价值的讨论和与实验的援助。