外文翻译---供应链管理环境下的库存优化.doc

外文翻译 题目：供应链管理环境下的库存优化 摘要：传统供应链模式下的库存优化由于缺乏必要的信息，在模型的求解过程中难以得到符合实际要求的最优解。本文分析了传统企业库存优化与供应链管理环境下库存优化的运作机理，提出在供应链管理环境下可以借助多层BP神经网络改进传统库存模型，以得到更为满意地最优库存策略。并依据某一钢材现货公司的库存情况给出具体的应用。 关键词：供应链 供应链管理 库存 BP神经网络 优化 1.引言 供应链管理（简称SCM）是当今的一个热门话题。这个词来自关于作为一个特定的公司是如何组织联系在一起的一幅图片。供应链管理的想法是采用整体的方法来管理整个信息流，材料和来自于原材料供应商的服务通过工厂和仓库直到最终的客户。成功的供应链管理需要有一个一体化的系列活动纳入一个紧密无间的过程。但是，在供应链的每一个环节必然有一些延误和一些不确定性，因此必须保持必要的库存。相反，对企业来说存货实际上是一种浪费。国内外专家在库存优化领域已取得了很大的研究，做了许多库存优化的模型。所有这些模式在供应链管理的思想应运而生之前已经取得了，但这些模型没有考虑上游和下游企业。这些作为稀缺的信息优化模型利用概率模型 随时准备处理与一般非线性系统的相关问题； 生物物理影响。 因此，对于非线性问题，人工神经网络是一个很好的分析工具。本文将提出在多层次的BP神经网络的帮助下，来改进传统的库存模型以获得更令人满意的优化库存。 2.传统库存优化模型的局限性 上游和下游企业形成之前的战略联盟关系，只有一个单一的物质流。运行机制如下图所示： 基于传统供应链的运行机制(如图所示) ，由于缺乏必要的信息，库存决策优化模型必须利用概率适应。 在这个模型中： E[T(y)]：价值期望的总费用清单； c：每种产品制造（或购买）的费用；h：每个产品的库存成本；p：缺少每个产品的惩罚成本；x:开放的股票；y：该股在开放时所得；ξ：在这个时期，它为随机变量；φ（ξ）:概率密度函数。 为了尽量减少价值期望的总费用清单的价值，即：使价值期望的总费用清单最小，必须使。通过推导制定的方法得到参数的论点，我们将得到：；如果提供每种产品制造（或购买）的费用，每个产品的库存成本，缺少每个产品的惩罚成本的价值，我们能获得该股在开放时所得的最佳的价值股票，还可以得到在这个时代的最佳的库存策略。 正如上面提到的，这种传统模式下取得的资料不足，涉及到许多相关的应用范围，所以这是必不可少的前提假设，因此这种模式是难以符合实际应用的。现在的主要问题集中在随机变量的概率密度函数中。从上述分析我们知道影响随机变量的因素是多变量非线性关系；如：产品的价格，销售季节的变化，内部收益率的总和。当然，对于一个特定的企业、影响因素可能是可变的。因此，在这个时期的随机变量可能不符合一个确定的概率分布，以及以这种方式获得库存的最优战略可能不符合现实的要求。 3.基于机械供应链管理上的模型改进 直接和深远影响到企业的供应链变化的思考的决策模式: 改变传统模式，阻止纵进入横向IT和物流技术的发展，基于内联网\联网，互联网和电子数据交换技术，企业可能有能力实现翻译。在供应链管理的基础上机械业务的企业如下所示： 根据上图中，属于一个具体供应链企业可以分享一些重要的信息在传统供应链每个企业商业秘密。 3.1多层BP神经网络 （1）BP神经网络的摘要概括 人工神经网络，人工神经网络是一种信息处理模式启发，通过密集的相互联系，哺乳动物大脑处理信息的平行结构。换言之，人工神经网络的集合的数学模型，模拟的一些观测特性的生物神经系统，并利用类比的自适应生物学习。神经网络模式的关键因素是新型结构的信息处理系统。它是由大量的高度联结处理单元，类似于捆绑在一起，以加权联系，类似于突触。这一模式的优势寻找一个合适的预测模型库存清单。 有众多不同类型的人工神经网络和BP神经网络，这是进行了反向误差算法的训练。根据简单的结构和大量的应用，人工神经网络目前最流行神经网络。BP神经网络 通常BP神经网络的层次是有组织的。层是由若干包含一个激活功能的相互关联的节点组成。模式通过“输入层”提交给网络，“输入层”通过一个系统连接的加权对一个或更多的隐藏层进行实际加工。隐藏层然后链接到一个‘输出层’，在那里输出所显示的图形如下： BP神经网络的其他两个要素是传播fi，gi功能和神经元之间的互连权重，即重：Wij，sij，和阈值的价值：θi，βi。这些元素之间的关系程度由方程式如下: BP神经网络包含一些通过输入模式来修改权的连接的某种形式的学习规则。虽然有许多不同类型的学习规则，但三角洲规则是BP神经网络用的最常见的学习规则。在三角洲规则里， 学习是出现在每个周期或时代的通过产出流动激活以及重量调整误差，向后传播的