基于BP神经网络的零部件供应商评价研究

郭倩茹，唐阳山

基于BP神经网络的零部件供应商评价研究

郭倩茹，唐阳山

（辽宁工业大学 汽车与交通工程学院，辽宁 锦州 121001）

如今生产一辆汽车需要上万个零部件，为了更好地提高汽车制造企业的生产效率降低成本，选择一套合理的零部件供应商评价体系和正确的评价方法尤为重要。研究了供应商管理的相关文献针对供应商评价体系做出了优化，设置了6个一级指标分别为产品竞争力、供应商生产能力、服务能力、创新能力、运营能力及供应商环保能力，20个二级指标。使用Dematel方法对各评价指标建立权重，利用BP神经网络构建供应商评价模型，对20个仪表盘供应商数据进行仿真，通过神经网络的训练结果对供应商进行评价排序。

零部件供应商；BP神经网络；Dematel；评价体系

如今汽车行业竞争激烈，零部件种类繁多,对相关的汽车制造企业来说，选择优秀的零部件供应商能加大提高生产效率。因此如何对供应商进行合理科学的分类，以及建立可行的供应商评价模型，成为了重要的研究课题，同时对汽车行业的发展产生深远的意义[1]。在2007年后，学术界对我国汽车制造产业相关领域的研究日益深入，研究方式包括层次分析法等。郑敏通过模糊层次分析的方式，以运营情况、成本把控、质量优化、交货、时效、技术能力5个方面作为切入点，对吉利公司供应商选择体系建立评价模型[2]。

本文研究的零部件供应商评价方法，是通过Dematel决策实验法对20个二级评价指标进行权重的计算，再运用Matlab软件对供应商建立BP神经网络评价模型，从而对供应商进行排序评价，选择出最优质的供应商。

1 评价体系搭建原则

(1)客观科学性。要尽量确保指标体系客观公正，保证数据来源的准确性。在设置指标权重值时需要根据科学的理论方法进行计算，才能够可靠地反映出评价供应商的水平和能力。

(2)系统性和操作性。需要考虑所设置指标的有序性和整体性，从各方面反映出供应商评价的特征。从而进行实际的操作与应用。

(3)定性和定量方法结合。由于相关的定性指标不能通过一些数据直接地进行定量描述，因此，需要将定性和定量的指标方法相结合来共同构建汽车零部件供应商评价体系[3]。

2 Dematel法计算指标权重

2.1 Dematel法介绍

Dematel方法也叫决策实验室法，是一种运用图论和矩阵工具分析问题的系统方法。通过各要素直接的逻辑关系和直接影响矩阵，能够计算出每个要素对其他要素的影响度和被影响度，来计算原因度和中心度作为模型的依据，以此来确定要素直接的因果关系并计算出权重。系统各要素的图示法展示如下图1所示。

图1 Dematel法系统各要素展示图

由上图所示，A, B, C, D, E为各个要素，数字表示影响强度。其中A对B产生影响且影响强度为10，其他要素类似，最终能分析出各要素在整个系统中的重要性程度。Dematel法的分析有以下几个步骤：

(1)提供关系矩阵，即为对评价指标的专家调查问卷分析，其中对角线数字为0；

(2)通过对原始矩阵的归一化处理计算得到规范影响矩阵；

综上所述，在高中信息技术教学中运用翻转课堂，对教学方式的提升有着积极的促进作用，能够有效培养和提高学生的自主学习能力。同时，激发教师与学生对新知识体系的理解和认知，在信息技术的支持下实现翻转课堂教学模式的教学目标，促进新课改的稳步发展，突破传统教学模式的固定思维。通过实现学生的全面发展，对学生的实践能力及创新能力进行有效培养和提高，为社会的快速发展奠定了重要的教育基础。

(3)通过公式：综合影响矩阵T=规范直接影响矩阵×（单位矩阵-规范直接矩阵）的逆矩阵；

(4)利用SPSS软件结合矩阵T，计算出影响度D，被影响度C等，其中D为T矩阵各行要素和，C为T矩阵各列要素和。

(5)结合D+C即为中心度，其代表要素的重要性，针对其进行归一化处理，最终计算得到各要素的权重情况。

2.2 Dematel法权重应用过程

本文构建的评价指标体系为6个一级指标与20个二级指标。其中一级指标分别为产品竞争力、供应商生产能力、服务能力、创新能力、运营能力及供应商环保能力。

结合对评价指标重要性的专家调查问卷的数据构建判断矩阵，对角线值设置为0，进行Dematel法计算得到原始数据的关系矩阵，展示各要素之间的逻辑影响关系；Dematel首先对关系矩阵处理得到规范直接影响矩阵，再通过计算得到综合影响矩阵T如表1所示。

表1 Dematel法综合影响矩阵

C1C2C3C4C5C6 C10.0090.0460.3180.2140.3690.333 C20.0460.0090.3180.2140.3690.333 C30.0080.0080.0090.0180.1270.132 C40.0110.0110.1270.010.2180.153 C50.0070.0070.0190.0120.010.084 C60.0070.0070.0190.0160.0290.01

表1中C1～C6为评价体系当中6个一级指标。利用综合影响矩阵T计算各类指标值，包括C, D值，中心度D+C值等。利用中心度的意义，并对其进行归一化处理，得到各要素的权重值如表2所示。

表2 Dematel法一级指标要素权重值

影响度D值被影响度C值中心度D+C值权重 C11.290.0881.3780.189 C21.290.0881.3780.189 C30.3010.811.1120.153 C40.530.4841.0140.139 C50.1371.121.2570.173 C60.0881.0451.1330.156

使用同样的计算方法分别计算出20个各二级指标对应的权重值，再与对应的一级指标权重值相乘得到最终的评价体系的权重，对指标权重结果求和为1，因此该权重结果合理。

3 BP神经网络构建评价模型

3.1 神经网络模型各参数的确定

BP神经网络是三层感知器，包含了输入层、输出层和隐含层[4]。其中输入层节点要与本文构建的评价体系相匹配，前文提到设计的评价体系有20各二级指标，因此输入层节点数确定为20。输入数据为某汽车制造企业能提供某一级零部件的20个供应商S1-S20，将数据归一化处理在[0,1]之间，因此最终输入数据为20×20的矩阵。

隐含层节点数能够更好地反映出输入数据和输出数据之间的函数映射关系，目前常用的计算隐含层神经元数目的方法为凑试法，对同一个训练样本，从小到大依次设置隐含层节点数，从中找出误差最小时对应的隐含层神经元数量。凑试法中的初始值如以下公式所示[4]。

(2)

(3)

式中：是隐含层节点，为输入层节点，l代表输出节点数；是1～10之间的常数。

输出层的数据为Dematel方法计算出的权重结果与20个供应商数据的加权平均值，即为供应商综合评价值，为20×1的矩阵，因此输出层节点数取1。

3.2 神经网络模型程序设计

本文使用Matlab软件中神经网络工具箱进行模型建立，所设计的神经网络程序算法中，隐含层激活函数采用S-logsig函数，输出层激活函数采用tansig函数，训练函数采用trainlm，学习函数采用神经网络系统默认值一般在[0.01,0.1]。

图2为神经网络模型Matlab结构图[3]。

图2 供应商选择评价模型的Matlab结构图

其中程序算法关键语句：

net=newff(repmat(traindata(:,1:20)',1,2),repmat(traindata(:,21)',1,2),hide(i),{'logsig','tansig'},'trainlm');

3.3 BP网络神经元训练

根据前文隐含层节点数计算公式，将隐含层神经元数的范围确定在[4.14]之间的整数。在设计的程序算法基础上，运行程序并统计和分析每一次训练数据的误差。对各隐含层节点数进行数据的训练，运行Matlab程序最终得到不同的隐含层节点数误差的结果如表3所示。

由表3所得，当隐含层神经元为13时均方误差为最小值0.000 07，神经网络结构图见图3。

表3 供应商隐含层神经元训练对比表

神经元数均方误差训练次数 40.000 231000 50.001 15 60.000 26 70.002 85 80.000 46 90.000 18 100.000 51 110.000 16 120.000 69 130.000 07 140.000 23

图3 神经网络评价模型网络结构图

3.4 BP神经网络学习率训练

由上述训练可知，此时当隐含层神经元为13时，对原始数据进行网络训练，将所得的误差结果进行统计分析如表4所示。

表4 供应商学习率训练表

学习率均方误差训练次数 0.010.000 031000 0.020.005 43 0.030.003 12 0.040.001 28 0.050.000 04 0.060.000 02 0.070.000 15 0.080.001 42 0.090.004 52 0.10.000 95

由表4可知，当学习率取0.06时整个原始数据的均方误差最小。

4 BP神经网络仿真结果

4.1 神经网络预测样本与回归分析结果

为了保证神经网络训练结果的可靠性，设计的程序算法从20个输入样本中随机选16个数据样本作为训练集“triandata”，剩下的4个样本作为测试集“test_ind”；将20个输出样本对应取16个样本和4个样本分别作为输出样本“train_P”和“test_P”对训练结果进行检验和误差分析。

将计算后得到的规范化样本数据导入Matlab软件，利用搭建好的BP神经网络程序训练样本数据，最终得到的训练结果如图4所示。

图4 神经网络预测样本误差决定系数图

(4)

(5)

图5 BP神经网络模型回归分析

由图5可知，神经网络运行结果中回归分析系数均接近于1，根据原则此时神经网络模型具有良好的非线性映射能力和学习能力[5]。

5 BP神经网络结果分析

根据上述原则，计算出的20个综合评价值即为样本中的真实值即期望值，所得20个供应商中排名为S14、S20、S16。训练结束后，对随机选出的测试集样本（S10，S13，S14，S16）归一化后的数据进行仿真，将输出与样本期望值进行比较[6]。

表5 仿真模拟结果绝对误差分析表

预测样本号综合评价值预测值误差绝对值 S100.45940.46010.0007 S130.48760.48800.0004 S140.57100.54390.0271 S160.53750.53510.0023

由表5可知，在4个随机选取的预测样本号中期望值最高的是S14、S16。剩下16个训练样本中测试结果可知得分最高是S20。训练之后的供应商得分排序与期望值排序一致，该模型具有很好的泛化拓展能力，因此能够对零部件供应商进行评估。

6 结语

本文在建立好供应商评价体系的基础上，对各个评价指标的重要性进行了专家问卷调查[7]，通过Dematel方法计算各个指标的权重。利用BP神经网络良好的数据拟合能力，建立了供应商选择评价模型。同时以某汽车制造企业零部件供应商数据为样本，对样本的输入输出进行归一化处理，用MATLAB软件构建BP神经网络，用控制变量法确定相关网络参数，对神经网络进行了训练和仿真，，选择出符合要求的供应商；并对评价模型结果进行误差分析，得出最佳的评价方案。

[1] 鲁静. 汽车制造企业供应商选择与评价研究[D]. 锦州:辽宁工业大学, 2014.

[2] 郑敏. 吉利公司供应商管理研究[D]. 兰州: 兰州理工大学, 2020.

[3] 秦晓芳. BP神经网络理论下供应商选择评价模型构建[J]. 商业经济研究, 2015(27): 24-25

[4] 罗宇豪. 基于熵权层次法和BP神经网络的A公司供应商选择与评估[D]. 南宁: 广西大学, 2020.

[5] 史成东, 陈菊红, 张雅琪. 基于BP神经网络和DEA的物流供应商选择[J]. 工业工程, 2010, 13(4): 112-116.

[6] 吕云龙. 基于FA& BP神经网络的B公司设备供应商选择评价研究[D]. 徐州: 中国矿业大学, 2019.

[7] 黄雍. MH公司供应商管理研究[D]. 西安: 西北大学, 2019.

Research on Component Supplier Evaluation Based on BP Neural Network

GUO Qian-ru, TANG Yang-shan

（School of Automobile and Traffic Engineering, Liaoning University of Technology, Jinzhou 121001, China）

Nowadays, tens of thousands of parts are needed to produce a car. In order to better improve the production efficiency of automobile manufacturers and reduce costs, it is particularly important to select a reasonable evaluation system and correct evaluation method for parts suppliers. The relevant literature of supplier management is studied to optimize the supplier evaluation system, including 6 first-level indicators and 20 second-level indicators. Dematel method was used to establish weights for each evaluation index, BP neural network was used to build supplier evaluation model, supplier data were trained, and suppliers were evaluated and ranked by the simulation results of neural network.

parts suppliers; BP neural network; Dematel; evaluation index system

10.15916/j.issn1674-3261.2022.04.012

F224

A

1674-3261(2022)04-0270-04

2022-01-10

郭倩茹(1997-)，女，新疆塔城人，硕士生。

唐阳山(1972-)，男，辽宁鞍山人，教授，博士。

责任编辑：刘亚兵