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Word文档下载推荐.docx
《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Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《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Word文档下载推荐.docx(16页珍藏版)》请在冰豆网上搜索。
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。
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分析进行的SD模拟选定系统状态变量为输出结果,而输入有关SC行为的数据需要进行正确的分类和比例处理。
一个训练有素网络在实际运行条件有两个:
一是数据库,因为使用这种方法时有关SC储存的行为模式不断变化;
二是计算机系统,通过这种方法与ERP系统集成来发现任何变化,去在纠正错误调整行为的基础上进行预测。
2.3特征值分析。
如果检测到NN在SC设置的变动而产生不良行为,我们要进一步调查这些当前设置和确定的参数、变量。
目前部分描述特征值、敏感性、协方差和弹性分析,图2说明特征值在复平面上的位置而定的线性系统的行为。
其实部决定模式的稳定性,负实部是变动的目标模式。
图2:
特征值在复平面和动态系统中表现行式
2.4灵敏度分析
线性规划后需要进行灵敏度分析,以确定模型的稳定性。
我们通过改变控制参数的值来进行评估,如果我们能够避免或减少因未知因素而导致的SC的灵敏度分析,并控制一些参数进行检验。
例如,当生产周期变长时及时调整库存政策,更改调整库存水平的政策,通过培训或一系列会议来协调不同的设施和生产人员;
另一方面,通过引进新设备来改变生产周期,或实话六西格玛管理也可以大大缩短生产周期。
3.案例研究
在本节中我们将探讨上述方法在SC行为分析中的应用。
以一家电子制造公司LSMC为例。
用LSMC的名字来避免保密问题,LSMC正面临着产品成品库存和所需能力持续振荡问题。
由于其产品大部分是技术用小工具和个人电脑的配套产品,其销量直接关系着公司在PC市场上份额在过去十年中非常强劲。
如果LSMC一直保持其市场份额,它经历了越来越大的竞争压力和需求波动,这已经影响其SC的性能。
该公司用500多个供应商,他们认为供应商提供优良质量、时间和有竞争力的价格对公司的目标的实现意义重大。
为LSMC提供产品的原始设备制造商如戴尔、Gateway和OEM。
自1998年以来,以戴尔为首许多原始设备制造商已经改变他们的积极存货策略而采用BTO和JIT策略。
因此LSMC及其利益相关者在协调整合和共享信息供应水平、制造能力和库存都面临着更大的压力。
此外,由于PC市场快速的动态变化,个人电脑和其他配套产品生命周期短,而这容易造成库存过剩。
而PC需求波动和PC市场是不可预测的,LSMC有时也无法跟上需求。
别一个有LSMC的问题就是激烈的竞争。
竞争对手推出高性能的新产品可以潜在的吞噬着LSMC的市场份额,这就迫使LSMC推出更多的品种和改善产品,以保持其现在和潜在的市场份额,而这就大大加剧了SC的问题。
与此同时生产能力也是一个制约因素,其增加了SC的复杂性,因为其需要长期拖延和巨大的投资。
3.1建模。
在建模期间LSMC不同部门参与了采访,包括信息技术部高级经理、制造战略规划经理、SC部门工程师和规划师。
此外还对数据进行了分析,从而确定所有相关的参数和模式。
这些模型中主要的概念定义如下:
1.是产品生命周期;
LSMC不断推出新一代产品,使产品生命周期不断下降。
2.实际容量相对于生产能力而言,这个比例有波动且振幅呈现上长升趋势,这表明,SC稳定性不高。
3.客户订单的变化。
LSMC以客户订单生产,合同期从60天缩短不到一周。
4.原材料库存。
由地客户订单和变化和产品生命周期加快,LSMC增加原材料库存。
5.平均利润率。
原始设备制造商推出面向中低端用户的代价优质产品,LSMC变推出低端新产品以保持市场份额,平均利润率随着时间的推移不断下降。
6.零配件库存。
LSMC设法保持最低限度这个清单,根据BTO,在产品配置和结构的复杂性,预计该库存在不久的将来开始增加。
7.在LSMC稳步上升时,其原始设备制造商已经减少。
8.随着LSMC持续增长,OEM库存大幅减少。
9.如果需求小于预期,LSMC将不得不持有更多的产成品库存。
如果减少库存而一旦需求增加,那边它就会失去潜在的收入。
因变量变化导致出现下面两个重要问题:
一是产品库存的波动,需求能力振荡幅度较大;
二是实际能力相对于预期能力而言,幅度偏差越来越大。
用SD模型来探究LSMC的SC如图3所示,包括以下七个循环:
1.LSMC市场份额取决于其生产能力,随着订单数量的增加也使市场份额上升,如果LSMC不能满足顾客需求,他们就会流向其竞争者。
2.市场份额的增加带来LSMC的扩张,这是因为当市场份额增加时,更多的收益得以实现,因此就会在满足持续增长的生产能力方面投入大量资金。
3.竞争带来利润的增加和利润的减少。
当收入增加时,利润就增加。
这就导致其竞争者进入该市场,从而减少LSMC市场份额、营业收入和利润的下降;
当利润水平很低且市场已经饱和时,将会有很少的竞争者进入该市场。
4.LSMC的扩张。
伴随着生产能力的提升,公司将生产更多的产品。
这将会有更多的资金投入科学研究以生产更好的产品。
正因为如此,LSMC将有能力生产低于竞争者的低价产品,而这将有利于公司的长远发展。
5.LSMC产品生命周期。
LSMC试图推出新产品进入市场来击败其竞争对手;
以较大的折扣卖掉其过时的产品,尽管这会导致潜在收益的损失。
伴随产品生命周期的缩短,因反应较慢导致的订单会大大减少。
6.影响LSMC市场份额的竞争因素。
由于OEM市场竞争增加和PC市场业绩增长的原因,在OEM行业消减成本已经成为趋势。
原始设备制造商的工和就是尽可能减少他们的库存。
此外由于PC市场的增长,计算机芯片市场也一直稳健增长,这也导致不现的LSMC竞争对手进入该市场。
7.LSMC市场细分。
由于产品生命周期的缩短,LSMC有高端市场和低端市场两个市场。
要减少库存造成的损失公司必须要进行较大的折扣,这一政策有助于增加产品生命周期。
图3:
LSMC动态模型循环示意图
3.2神经网络的应用
神经网络模式在进行SD模拟结果分析时,最重要的生成所需要的数据,我们确定17个为仿真模型的输入变量,它们如下:
1.产品生产周期。
2.订单处理最短时间。
3.完成组装时间。
4.积压调整时滞。
5.目前需求时间测定。
6.延迟能力收购。
7.安全库存覆盖范围。
8.预测范围。
9.积压转换。
10.线范围。
11.每笔组件产量。
12.调整库存时间。
13.预装配库存调整时间。
14.调整成品库存时间。
15.更新订单时间。
16.竞争对手的吸引力。
17.市场需求。
每个变量是不同价值的组合,该系统考虑过去两个月输出变量的趋势,对800多种产品不同组合时行预测分析。
用NN进行模式分析,我们研究模拟图并对SC行为进行聚类分类。
受波动和误差的影响,相对于原始水平下降趋势
受波动和误差的影响,相对于原始水平上升趋势
受波动和误差的影响,与原始水平持平所呈现的下降趋势
受波动和误差的影响,低于原始水平所呈现的下降趋势
图4:
所观察到的完成货物库存时呈现的行为
3.3特征值分析SC行为
用X下作为基变量,那么模型中的变量如表1所示:
表1:
用Levenberg-Marquardt方法对不同架构进行训练和修正错误
由于分解,在静态时函数呈现非线性关系。
如LSMC的吸引力水平如图5所示,它是分段线性函数,而图6显示库存变化率行为变化,这是基于高层次上分析手段。
图5:
吸引力不同水平
图6:
库存非线性形为
正如前面所提到的模型,用特征值分析可以得出其为线性关系。
图8显示了图6模型线性化的版本,图9图11为在特定时间内每个动态变量特征值。
它表明从均衡SC在6个月内增加10%很困难。
图7:
通过奇异值分析看12个模型中等式表达式
由于系统设置的振荡而显示系统的行为,在SC系统处于平衡状态,但它未及时显示振荡行为,该特征值识别系统的稳定性,因此由于特征值分析支持,可以对这些振荡行为量化。
3.3.1敏感性分析
现在通过模型分解和对线性设置,我们可以尝试通过控制参数来看看是否能够避免或减轻不良行为,可以尝试在成本和实施时间顺序与控制参数。
图8:
图6中模型的线性化表达式
例如及时调整库存政策可以改变产品生命周期,而这需要培训以协调在不同的设备和生产人员的这些变化;
另一方面通过购买设备和实施六西格玛管理来改变生产周期,于是选择TAAI及时调整产品库存TAFGI和预装配调整时间PAT来试验敏感性分析。
因为如果大量时间来调整生产库存的变化,它会显示整个系统上振荡结果。
最好的组合减轻不必要的设定:
TAAI至4周、TAFG到8周、PAT至4周,这个变化不仅减轻震荡,也使系统更加健壮,如图10所示。
导致生产振荡原因,LSMC需求和能力是内在行动,包括时间更新、PAT、TAA和TAFIG生产库存。
这个结果没有预料LSCM管理,他们SC的问题主要原因是外生的。
图10:
通过调整TAAI、TAFGI和PAT分析来消除产品库存
3.3.2特征值弹性
不同时期弹性不同,渠道积压时LSMC增加其产量,然而在积压时订单履行率下降,客户有可能选择LSMC竞争对手的产品,这导致对LSMC产品需求的减少。
但是生产部门已经收到一个信号,他们增加产量建立安全库存。
如库存超过积压,LSMC将消减生产,这有因产品没有积压便提高订单履行率提高到正常水平。
然在生产下降时,积压会再次发生,也就是说生产库存振荡将持续一段时间才达到一个稳定的水平。
此外所有特征值都具有负实部,这表明该系统最终会达到稳定状态。
图11:
LSMC动态随机循环振荡
从这种分析和研究循环将导致SC模式的振荡,其结论是减少或停止振荡政策应该涉及图11循环。
一个政策可以容易实现就是建立一个安全库存,减少积压,这种安全库存可以减轻振荡,这可以在图12观察到,使用安全库存可以避免振荡。
图12为减轻振荡所考虑的安全库存
4.结论与展望
本文演示一种方法来预测和分析因外部和内部因素影响的供应链变化行为,特别是在动态、竞争、和以客户为中心的经营环境中,SC行为变化显著。
现在可用的SCM工具不支持这种能力。
我们使用SD仿真模型来分析供应链系统的动态行为。
然后通过神经网络和特征值分析,检测和分析的行为变化和振荡,并找到导致这些变化的原因。
由于SC仿真模型是复杂的、非线性的,它必须要分解为非线性关系,使用特征值分析。
分解这样一个复杂的模型要具有可追踪性并产生可线性化,因此容易分析有关因素,并找使用线性优化方法。
对于今后的工作,我们建议应该描述支持决策系统的步骤,这样便可以利用这进行自动化分析。
附录
Akaike,A.,Statisticalpredictoridentification.Ann.Inst.Stat.Math.,1970,22,203¨
C217.Angerhofer,B.J.andAngelides,M.C.,Systemsdynamicsmodellinginsupplychain
management:
Researchreview,inThe2000WinterSimulationConference(WSC02),SanDiego,8¨
C11December2000,pp.342¨
C351.
Barron,A.,Predictedsquarederror:
Acriterionforautomaticmodelselection.Self-OrganisingMethodsinModelling,pp.87¨
C102,1984(MarcelDekkerInc.:
NewYork).
Bruniaux,R.,Pierreval,H.andCaux,C.,Simulatingsupplychainswithsystemdynamics,inSimulationinIndustry¡
¯
99,11thEuropeanSimulationSymposium(ESS¡
99),ErlangenNuremberg,Germany,26¨
C28October1999,pp.209¨
C213.
Bruzzone,A.andOrsoni,A,AIandsimulation-basedtechniquesfortheassessmentofsupplychainlogisticperformance,inThe36thAnnualSimulationSymposium,Orlando,FL,30March¨
C2April2003,pp.151¨
C161.
Bose,S.andPekny,J.F.,Amodelpredictiveframeworkforplanningandschedulingproblems:
acasestudyofconsumergoodssupplychain.Comp.Chem.Eng.,2000,24,329¨
C335.
Carpenter,G.,Neuralnetworkmodelsforpatternrecognitionandassociativememory.Neu.Netw.,1989,2(4),243¨
C257.
Choy,K.L.,Lee,W.B.andLo,V.,Designofanintelligentsupplierrelationshipmanagementsystem:
ahybridcasebasedneuralnetworkapproach.Exp.Syst.Appl.,2003,24
(2),225¨
C237.
Croom,S.,Romano,P.andGiannakis,M.,Supplychainmanagement:
ananalyticalframeworkforcriticalliteraturereview.Euro.J.Purch.SupplyManage.,2000,6
(1),67¨
C83.
Demuth,H.andBeale,M.,NeuralNetworkToolboxforMATLAB,1998(TheMATHWORKSInc.:
Natick,MA).
Eubank,R.,SplineSmoothingandNonparametricRegression,1988(MarcelDekker,Inc.:
Forrester,J.,IndustrialDynamics,4thed.,1965(MITPress:
USA).Higuchi,T.andTroutt,M.D.,Dynamicsimulationofthesupplychainforashortlifecycleproduct-LessonsfromtheTamagotchicase.Comp.Oper.Res.,2003,31(7),1097¨
C1114.
Lancioni,R.,Smith,M.F.andOliva,T.A.,TheroleofInternetinsupplychainmanagement.Indust.Market.Manage.,2000,29,45¨
C46.
Lau,H.C.W.,Hui,I.K.,Chan,F.T.S.andWong,C.W.Y.,Monitoringthesupplyofproductsinasupplychainenvironment:
Afuzzyneuralapproach.Exp.Syst.,2002,19(4),235¨
C243.
Lau,A.H.L.andLau,H.,Effectsofademand-curve¡
sshapeontheoptimalsolutionsofamulti-echeloninventory/pricingmodel.Euro.J.Oper.Res.,2000,147(3),530¨
C548.
Lertpattarapong,C.,Applyingsystemdynamicsapproachtothesupplychainmanagementproblem.Master¡
sthesis,MIT,2002.
Leung,H.C.,NeuralNetworksinsupplychainmanagement,in1995IEEEAnnualEngineeringManagementConference,28¨
C30June1995,pp.347¨
C352.
Li,D.andO¡
Brien,C.,Integrateddecisionmodellingofsupplychainefficiency.Int.J.Prod.Econ.,1999,59,147¨
C157.
Brien,C.,Aquantitativeanalysisofrelationshipsbetweenproducttypesandsupplychainstrategies.Int.J.Prod.Econ.,2001,73,29¨
C39.
Mackay,D.,Probablenetworksandplausiblepredictions¡
ª
areviewofpracticalBayesianmethodsforsupervisedneuralnetworks.Network:
ComputNeu.Sys.,1995,6,469¨
C505.
Minegishi,S.andThiel,D.,Systemdynamicsmodelingandsimulationofaparticularfoodsupplychain.Simul.Prac.Theory,2000,8(5),321¨
C339.
Moody,J.,Theeffectivenumberofparameters:
ananalysisofgeneralizationandregularizationinnonlinearlearningsystems.InAdvancesinNeuralInformationProcessingSystem4,editedbyMoodyJ.,HansonS.andLippmannR.,pp.847¨
C854,1992(MorganKaufmanPublishers:
SanMateo,CA).
Moody,J