基于BP人工神经网络的供应商评价研究.docVIP

基于BP人工神经网络的供应商评价研究 　　摘要： 供应商评价的最终目的是为了让企业选择值得信赖的供应商作为合作伙伴，从而在激烈的竞争中构建高效的供应链体系。本文构建了一种基于BP人工神经网络原理的企业供应商的评价模型，以MATLAB软件为平台进行学习，提高了供应商选择过程的客观性。 　　Abstract: The final goal of the appraisal of suppliers for a firm is to select trusty suppliers to be the partners and to build an efficient supply chain system in the fierce competition consequently. This paper creates an evaluation model on the appraisal of suppliers for firms Based on BP artificial neural network. Using MATLAB as a platform to train the created BP artificial neural networks, so the objectivity in the process of selecting suppliers is improved. 　　关键词： 供应商；BP人工神经网络；MATLAB 　　Key words: suppliers；BP artificial neural networks；MATLAB 　　中图分类号：F25文献标识码：A文章编号：1006-4311（2011）02-0028-03 　　 　　0引言 　　随着复杂的经济环境变化，人们对供应链环境下供应商管理与评价的要求越来越高了，没有满意的供应商就不可能生产出低成本、高质量的产品，也就不能满足客户的要求。因此，企业必须掌握好供应商的评价与管理，从而建立成功的合作伙伴关系，最终提高自身的核心的竞争力。 　　1传统的供应商评价方式 　　供应商评价的方法很多，可以概括为精确性的数学分析方法和非精确性的经验法，包括：加权评分法、直接判断法、层次分析法、数据包络法、模糊评判法、灰色系统法等等。 　　以往的许多供应商评价方法都属于多目标评价，以确定评价指标的相对隶属度（指标权重）为基础，通过权重计算供应商的综合得分作为评价依据，在各个指标的之间的权重衡量上，容易出现主观的人为因素，除此之外还存在的问题包括：指标属性间的关系绝大多数为非线性关系，一般的方法很难反映这种关系，以及评价规则又常常相互矛盾，有时无条理可循，通常难以准确地表征各指标间的相互关系，更无法用定量关系式来表达它们之间的权重分配，所能准确提供的只是各指标的属性特征以及同类系统的以往评价结果。因此，如何尽可能地消除评价过程中的主观随意性，是供应商评价问题的研究热点之一。 　　2BP人工神经网络（BPANN）及其学习机制 　　由于神经网络方法本身具有非线性映射、自学习和联想记忆等特点，能通过样本训练的方法获取各个指标之间的关系，无需人为直接确定权重，在利用专家知识的同时，又减少了评价过程中主观因素的影响。这些特点使得神经网络成为一种有效的智能化评价方法，为供应商评价问题开辟了一条新的道路。BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前人工神经网络中应用最为广泛的一种[1]。1989年，Robert Hecht Nielsen证明了三层网络可模拟任意复杂的非线性问题，三层BP网络能够形成任意复杂区域，可以完成任意的n维到m维的映射[2]。它包括一个输入层，至少一个隐含层和一个输出层。其拓扑结构图1所示，可以看成是一个从输入到输出的高度非线性映射。输入层有n个神经元，隐含层有m个神经元。输入向量为X=x，x，…，x；期望输出（教师值）向量为Y=y，y，…，y，输出向量为Zk输入层至中间层的权值为Wij，隐含层至输出层的权值为Wjk，θj和θk分别为中间层和输出层的阈值，k表示用来学习的样本数量。 　　BP人工神经网络学习步骤如下： 　　①给每个权值和阈值赋予在区间（-1，1）内的随机数，即初始化。 　　②输入一个学习样本X，T，k∈{1，2，…，N}，N为学习样本数。 　　③计算隐含层节点的输出向量。Y=fWX-θ，j∈1，2，…，n，其中f为传递函数。 　　④计算输出层节点的输出向量。Y=fWY-θ，k∈1，2，…，m。 　　⑤计算隐含层节点与输出层节点的连接δ=T-Y×Y×1-Y，K∈1，2，3，…，m 　　⑥计算输入层和隐含层节点间权值修正量δ=Y×