基于BP神经网络对供应商选择与评价的研究

李泽尧，朱玉杰，刘 黎

(东北林业大学 工程技术学院，哈尔滨 150040)

供应链是基于核心企业，把资金流、信息流、物流牢牢的控制起来，从原材料的采购开始，制造成再制品或者消费品，由供应商、制造商、分销商、零售商、直至将产品送到客户手中的一个完整的功能性网链结构[1-2]。ANN模型是通过网络内部学习训练获得知识，从而解决了问题。人工神经网络的理论基础是生物学中的神经网络。由于训练方法的不同，学者们把人工网络分成了两大类：自我组织类型和逆向传播类型神经网络。逆向传播类神经网络被简称为BP(Back Propagation)[3]，这种神经网络是一种多层前馈型的基于误差反向传播的神经网络，目前在神经网络领域应用最多的就是BP神经网络算法，正是因为它成熟的训练方法和良好的逼近能力才会得到广泛应用的[4]。

1 构建供应商选择与评价指标体系

根据系统全面性原则、目的性原则、科学实用性原则、定性与定量结合的原则、可拓展性原则[5-6]，依据企业提供的真实数据，见表1。

表1 供应商选择与评价指标

2 建立基于BP神经网络的评价模型

BP神经网络都是多层网络，它不仅包括输入层和隐含层还有输出层。而且输入层和输出层节点也并不只有一个，隐层的节点数也有一层和多层之分[7-8]。如图1所示。

令LA层节点ai到LB层节点br间的连接权为wirr，LB层节点br到LC层节点cj间的连接权为vrj，Tr为LB层节点的阈值，θj为LC层节点的阈值，则LB层中节点输出的函数为：

图1 BP神经网络的结构

(1)

LC层中节点的输出函数：

(2)

θjwir具体的BP网络学习过程如下：

(1)给wir,vrj,Tr,θj随机赋一个较小的值。

(2)对每一模式(A(k)，C(k))(k=l，2，…，p)进行下列操作：

①将A(k)的值ai(k)输入LA层节点，即成为LA层节点ai激活值，并按公式(1)和公式(2)依次正向计算。

②计算LC层节点输出值cj与期望输出值cj(k)的误差：

dj=cj·(1-cj)·(cj(k)-cj)。

(3)

③向LB层节点反向分配误差，令：

(4)

④调整LB层与LC层节点间连接权vrj及LC层节点阙值：

vrj=vrj+a·br·dj；

(5)

θj=θj+a·dj(0

(6)

⑤调整LA层与LB层节点间连接权wir及LB层节点阙值Tr：

wir=wir+β·ai·er；

(7)

Tr=Tr+β·er(0<β<1)。

(8)

⑥重复步骤②，直到对于j=l，2，…，n，k=1，2，…，p，误差EAV变得足够小。

(9)

其中EAV为训练的目标函数。

3 案例分析

基于对BP神经网络的主要思想的探究，以及BP神经网络在MATLAB中实际应用的理解，以美的集团为例，根据年鉴学习和集团行政部门提供的相关数据见表1，测试数据见表2，期望的输出值见表3。本文将利用MATLAB7.1.2.0(R2011a)软件提供的工具箱来实现对供应商的选择与评价。

表2 测试数据

表3 期望输出

将归一化的数据MATLAB中，网络类型为Feed-forward backprop(前馈)。输入的数据为shuru，训练函数traingd，输入层的节点数为输入向量的维数，也就是供应商评价指标的个数20，输出层节点个数为1，表示对供应商评价的结果。隐含层在上文已经算出在[6，16]之间，净反复训练取14最为妥当。从图2中可以看出，随着网络训练步数的增加，误差逐渐的像设定值拟合，当达到2 887时拟合成功。

训练结束后，运用MATLAB工具箱中的sim函数将归一化后的结果进行仿真，获得输出，得到的BP神经网络预测值[9]，如图3所示。

图2 训练误差图

从表4的预测值不难看出，各个样本的网络输出的预测值与供应商的期望输出值预测误差特别小，对于一般的预测模型而言，这种误差已经在控制范围内而且比较精准，能够得到很好的预测效果，同时也可以说明该模型对供应商的选择与评价具有一定的参考价值，通过样本训练得到的BP神经网络可以满足实际应用的要求。

基于以上训练结束，利用归一化测试数据对已经训练好的网络进行测试，即对已经建立好的函数进行仿真计算，从而得到S6、S7、S8三个供应商的网络输出，见表5。

图3 BP神经网络预测值

表4 神经网络预测结果

表5 BP神经网络输出

从表5中可以看出，三个备选的供应商中S6的预测值最高，其次是S8、S7。

4 结论和展望

本文分析了供应商选择与评价在供应链管理环境下的重要性，分析供应商选择与评价的影响因素，依据供应商选择与评价指标体系的构建原则建立了一个可以为小家电企业在行业竞争中处于优势的供应商选择与评价指标体系模型，利用MATLAB软件中的BP神经网络工具箱对模型进行了仿真优化，最后将该模型应用于美的集团的供应商选择与评价中，预测出了适合企业的供应商，验证了模型的有效性。该模型的建立，对这一类企业今后的供应商选择与评价工作的进行有一定的借鉴和指导意义。

本文虽然就基于BP神经网络对供应商选择与评价的研究取得了一定成果，但由于研究领域的细化和市场的变化，对供应商的选择与评价存在很多主观复杂因素，所以在今后的研究中希望有机会并有能力将各种形式的供应商全面细化，使供应商选择与评价研究细化精准，使研究结果更有指向性和针对性。

【参 考 文 献】

[1]林 勇，马士华.供应链管理环境下供应商的综合评价选择研究[J].物流技术，2000，19(5)：56-60.

[2]王浩艺，朱玉杰，刘 黎.基于约束理论的影响供应链快速响应瓶颈分析[J].森林工程，2014，30(2)：162-166.

[3]Dickson G W.Analysis of selection systems and decision[J].Journal of Purchasing，1996(5)：5-17.

[4]Lehmann D Shaughnessy O.Decision criteria used different categories of products[J].Journal of Purchasing Materials Management，1994(6)：9-14.

[5]Hatherall D.A，Purchasing in the pharmaceutical industry[D].UK：Lancaster University，1988.

[6]Weber C A.Current J R，Benton W C.Vendor selection criteria and methods[J].European Journal of Operational Research，1991，50：2-18.

[7]陈建州.物流供应商的评价与选择[D].武汉：华中科技大学，2005.

[8]柳 键.供应管理目标与供应商关系定位研究[J].商业经济与管理，2005(3)：20-23.

[9]陈以新.MATLBA的几则程序设计经验[J].计算机应用，1999，19(9)：54-56.