用系统动力学、神经网络和特征值来分析供应链绩民效-以实例论证.docxVIP

用系统动力学、神经网络和特征值来分析供应链绩效-以实例论证 L. RABELO*y, M. HELALy, C. LERTPATTARAPONGz, R. MORAGAx and A. SARMIENTOy 佛罗里达中央大学 工程与管理系统部 美国奥兰多佛罗里达中央大道4000号 摘要 由于内生变量和外生变量都影响改变供应链的行为，本文提出一种的新的方法来预测生产供应链。在用此方法进行预测识别时，由于方法允许的原因，可能导致负面的行为，为此建立供应链的动态模型，利用系统动力学进行仿真。用该模型对神经网络进行训练，使在早期，企业有能力作出反应并对相关行为进行预测。根据模型稳定性和可控性原则，特征值分析用于调查任何不可预见的行为，并消除或减少这些行为带来的影响。最后以一个电子制造公司案例来演示如何应用此方法给企业带来利益。 关键字：供应链模型 系统动力学 神经网络 特征值分析 引言 供应链管理（SCM）目标是多方面的，包括成本最小化、提高服务质量、加强合作伙伴之间的沟通，并增加供货方面的灵活性和快速响应。而一个优秀的供应链管理则依赖于销售、需求和库存水平的数据，这需要假定供给是可预见的，这个市场过去是由供应商主导的而非消费者。目前在争夺全球市场时企业之间竞争十分激烈，因此做法上推行以顾客为中心的战略、以及拉式理念在制造业的运用和注重质量认证的策略越来越被企业看中，而这些革命性的变化迫使企业提高供应链管理，以达到预期的竞争优势。 与SCM相关的一个问题就是SC行为的变化，由于受内部和外部因素的影响，SC行为是动态的和非线性的相互作用。在客户需求层面一些小的变化都可以引起SC大幅波动（牛鞭效应）和振荡反应。例如在服务行业，当货款利率突然下降会导致对货款需求的突然增加，银行可能无法满足，因此制造业和服务业必须准备应付任何不良后果。在本文中，我们引入三个SC行分析方法：一是抓住SC的动态；二是分析识别和分类不同情况下的系统参数；三是为SC设置自我修复能力，避免不良行为和后果。 为此我们利用系统动力学（SD）模拟该模型的性能及对SC的影响，用神经网络（NN）验证SD模型，以检测和识别各种SC参数(如库存水平)变化所带来的后果，然后我们使用特征值分析以减少不确定性。在物流和运输、市场营销、组织行为学、系统工程、战略管理方法的最佳实践中，仿真已经成为研究上述领域最有效的工具。特别是SD广泛应用于SC建模和分析。Forrester第一次运用SD研究SC行为问题（1965年），与许多人一样Towill、Bruniaux都强调使用SD模拟SC可以更好理解复杂的动态行为。 研究人员还考虑在供应链管理领域运用人工神经网络。如刘（2002年）描述建立神经网络的模糊逻辑性原则与环境的协同效应，以期待在多个SC合作伙伴生产的产品，从而最大限度的提升顾客满意度。梁（1995年）指出利用系统动力学、神经网络和特征值分析供应链形为已经应用到SC各个方面，但很少应用于整个SC系统。如上所述，我们没有在SD模拟结果方面找到类似的工作和方法，不只分析SD输出调整系统来实现时间稳定，这得益于NN积累和广泛使用。除此之外，特征值分析可以更好地理解系统如何随着时间演变，其是复平面上特征值的位置取决于预期的行为。例如特征值的实部决定了模式的稳定性，负实部而反应所寻求的目标模式，而一个正实特征值则导致指数增长，而纯虚特征值将导致永不会产生阻尼振荡，进而支持系统的检测和分析。 2.结构分析方法 本文所讨论结构示意图如图1所示。供应链环境代表外部和内在因素，实际上是一种行为模式设置，这是对NNS模式识别能力的使用基础；利用该系统预测供应链行为，如如果预测的结果表明为理想模式则不需要采取行动因为这就是实际经营的供应链，但是如果预测不准确，则需要进一步调查并采用特征值和弹性分析。一旦不受欢迎的行为被检测到，然后用敏感性和弹性分析来寻找最佳配置，进而将其运用于实践，以期在应用动作中发现所需的行为模式。 检测未被观测的形为 检测未被观测的形为 是 否 预测SC 行为 趋势监视系统 确定定？ 灵敏度分析 特征值分析 供应链环境 灵敏度分析 检测未被观测形为原因 最佳确认 供应链形为确认 图1：通过神经网络和特征值分析来控制供应链行为 2.1利用系统动力学建立SD仿真模型。 在模拟SC动态环境时，对NN过程的输入，其输出是各个状态变量的行为。系统动力学的核心理念是通过互动考虑一个系统中所有对象的因果变化关系。一个完整系统动态模型创建要求，代表一种管理政策，以控制和调节系统状态率、存量和流量模式。 2.2使用神经网络来检测SC行为的变化。 它们能够在未来映射神经网络的有效机制。它的使用非常实用，可以通过软件代理，也可以通过ERP记录与商业情报的调查结果进行沟通。NN分析进