改进SA-BP神经网络模型在安全库存上的预测研究

徐志阳 张琪

【摘要】为了更加精准地预测企业的最低安全库存水平线，本文提出了利用模拟退火算法改进BP神经网络预测模型的设计思路。通过对A汽车企业配送中心的实际业务情况特定物料的安全库存进行研究，筛选出其中对安全库存影响较大的五个因素。建立了基于SA-BP神经网络的安全库存预测模型，并在模型仿真做出比对实验后采取分组实验交叉验证的方法，得出结论证明SA-BP神经网络模型在最小安全库存预测上比BP神经网络具有更优异的准确性和高效性。 【关键词】预测 安全库存 BP神经网络 模拟退火算法 一、问题的提出 在查阅大量的预测领域内的相关文献后发现，随着BP神经网络的现世与发展，其非凡的学习能力、非线性等特质已经渐渐地被挖掘成为安全库存预测领域的实际应用指导准则。但通过一些专家学者的研究经验来看，神经网络算法虽然可以较好的解决预测问题，但由于容易陷入局部最小值和收敛速度的缺点，真正应用到企业后发现它的准确性并不高。

为了尝试解决这个问题，首先，本文致力于通过对汽车配件供应链现状的研究，寻找影响汽车配件安全库存的关键影响因素。根据实际的调研需求，对比国内外安全库存预测方案，选择由模拟退火算法（sA）优化神经网络的方式来建立预测模型，并通过模型的训练和测试结果来验证该模型的有效性。研究过程中发现，通过sA算法具有可以改进神经网络的参数从而有效避开局部最小值，同时保持其快速收敛的特性。 二、影响因素分析 （二）库存成本控制的关键因素 在目前国内外对安全库存的主要研究中，往往只考虑缺货成本、需求频率和提前期这几个较为明显的影响因素。而在实际运营过程中，依然有很多各式各样的因子影响着安全库存，并且具有强相关的非线性关系，而BP神经网络由于具有对非线性函数进行任意n到m的映射关系，因此选择神经网络能够更好地预测企业的安全库存。针对A企业的具体情况，本文选择了采购提前期、出库频率、缺货成本、储存成本、质量等级等五个因素作为网络的输入，从而进行安全库存的模型预测。

对安全库存影响因素和实际需求之间的相关性研究如表1所示。可以看出5个输入层变量在相关性分析下有着很明显的不相关性，因此可以考虑作为样本数据来源。 三、安全库存预测模型设计 （一）BP神经网络结构设计 BP网络是一种多层前馈神经网络，是目前应用最广的一种神经网络，BP网络的模型结构如图1所示。BP网络是一种具有三层或三层以上的神经网络，包括输入层、中间层（隐含层）和输出层。上下层之间实现连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活函数从输入层经个中间层向输出层传播，在输出层的各神经元获得网络输入响应。本文选择最常用的激活函数为（0，1）即s型函数，公式如下：

（二）隐含层节点数的确定

BP网络隐含层的神经元节点数的选择对网络的性能影响很大。确定最佳隐含层节点数的一个常用方法为试凑法。利用隐含层节点数的经验公式，计算出隐含层节点数的粗略估计值，将其作为初始值，在此基础上逐渐增加或减少隐含层节点数，在同一样本集内，设定同样的目标误差，从中选取网络性能较好且隐含层节点数较小的网络，该网络的隐含层节点数即为所求。先设输入神经元个数m=5，对应的输出神经元个数n=1，通过计算，得隐层数为3到13。隐含层节点数的设置对模型的效果非常重要，为了找出最优个数，本文分别尝试将节点数设为3到13，每组都分别得到仿真结果。

实验发现当节点数为5时，经过4000次的训练后，仍达不到预测精度的要求，网络性能无法达到应用程度。而当节点数为12时，目标误差可以精确到适用范围。在使用经验法后可以发现，大于10的隐含层节点数，网络虽然能够达到设定的精度值，但这时增加节点数，神经网络的性能改善程度很小，却带来了训练次数的翻倍增加，相应的输出能力变弱。因此，我们选择10作为隐含层节点数。

（三）sA BP神经网络

基于模拟退火算法优化的神经网络，结合模拟退火算法的概率突跳特性与BP神经网络的非线性，用以解决在安全预测模型中，算法收敛速度慢，容易陷入局部极小值的问题。采用模拟退火算法代替网络的反向传播过程，使得搜索点从一个初始点的温度出发，不断迭代计算，逐步逼近最优解，结合模拟退火算法的优点来修正网络的权值和阈值。

（1）误差精确范围。主要是依据问题的要求来进行设置。当要求的精确度比较高时，可以将该误差设置成0.001，但是这种设置状况下就不能确保很高的泛化能力。故在安全库存的预测模型中设置了五个输入值。设置误差为0.01。

（2）模拟退火过程。对于初始对温度的控制是一个难度比较大的过程。从概念上来看，初始温度需要足够高，才能更好地避开局部误差值。将温度初始设置在使用sA算法时获得的极小值的1000倍。

（四）sA BP神经网络训练结果

通过Matlab单独使用SA BP神经网络算法测试数据后，可以得出，当迭代次数达到2677次后，训练样本的误差接近0.01并趋于稳定。

虽然在仿真实验中已经可以看出该混合算法在安全库存预测领域具有解决一定问题的能力，但为了准确、科学地分析sA BP神经网络库存需求预测模型的可应用性，还需做出数据上的比对才能得出结论。

（五）预测结果对比分析在BP神经网络模型多次实验中我们发现输出结果容易出现一种误差极值现象，从图2上来看是这一波动幅度较为剧烈。最大值可以达到5.24%，最小值却只有0.64%。一个算法的优化性能最主要的不是看其偶尔的显著的优化效果，更多时候相对稳定的优化效果更能体现出算法的实用意义。相比而言，SA BP模型经过多次预测的平均误差大多在1.68%左右稳定波动。算法改进前后的误差对比较为明显，同时，由于模拟退火算法自带参数矫正的优点，改进后的BP算法所受到样本噪声的影响也随之变小了。

四、結论

一方面，BP神经网络是在预测领域中应用最普遍的神经网络算法模型之一，该算法理论上有着和任意一个非线性函数拟合的能力，这使得该算法在应用时具有良好的通用性，但是由于其是基于梯度下降的有教师学习，所以应用时容易陷于局部极小值并且具有收敛速度过慢，泛化能力弱等问题。

另一方面，为了解决收敛速度这一问题，本文提出了一种基于模拟退火算法的sA-BP混合算法，在神经网络学习过程中，其拥有可以加强动态调整参数和不问断改善误差收敛界限值的优越性。由最后进行的仿真对比实验表明，用该模型所得的测试结果平均误差在要求的范围之内。改进后的算法实现起来更为容易，其有效减少了神经网络的训练时间，提高了网络的整体收敛速度，实现了安全库存预测对资源配置的科学性，从而更加合理的控制库存成本，在应用层面上也能够促进企业更好更快的发展。