基于BP神经网络的供应链绩效评价方法.ppt

基于BP神经网络的供应链绩效评价方法.ppt

《基于BP神经网络的供应链绩效评价方法.ppt》由会员分享，可在线阅读，更多相关《基于BP神经网络的供应链绩效评价方法.ppt（16页珍藏版）》请在冰豆网上搜索。

LOGO基于基于BP神经网络的供应链神经网络的供应链绩效评价方法绩效评价方法解读解读目目录结构构评价方法介绍评价方法介绍评价模型介绍评价模型介绍结论结论引言引言目目录引言引言供应链绩效评价是指围绕供应链的目标，对供应链整体、各环供应链绩效评价是指围绕供应链的目标，对供应链整体、各环节节（尤其是核心企业运营状况以及各环节之间的运营关系等尤其是核心企业运营状况以及各环节之间的运营关系等）所进行的所进行的事前、事中和事后分析评价。

评价供应链的绩效，是对整个供应链的事前、事中和事后分析评价。

评价供应链的绩效，是对整个供应链的整体运行绩效、供应链节点企业、供应链上的节点企业之间的合作关整体运行绩效、供应链节点企业、供应链上的节点企业之间的合作关系所做出的评价。

系所做出的评价。

供应链绩效指标具有模糊性和不确定性的特点，绩效指标数量供应链绩效指标具有模糊性和不确定性的特点，绩效指标数量较多，彼此之间存在非线性关联性。

针对这样一个复杂的评估系统，较多，彼此之间存在非线性关联性。

针对这样一个复杂的评估系统，本文讨论利用神经网络技术来对动态供应链绩效进行综合评价。

神经本文讨论利用神经网络技术来对动态供应链绩效进行综合评价。

神经网络具有联想推理、高速并行处理、自适应识别和模拟人类思维的能网络具有联想推理、高速并行处理、自适应识别和模拟人类思维的能力，经过科学训练和学习，能够找出输人和输出之间的非线性映射关力，经过科学训练和学习，能够找出输人和输出之间的非线性映射关系，从而用于智能推理和预测。

系，从而用于智能推理和预测。

评价方法介价方法介绍BPBP算法的学习过程是一个反复迭代的过程，由正向传播和反向传播组算法的学习过程是一个反复迭代的过程，由正向传播和反向传播组成，其算法的基本思想是根据网络输出层的误差，从输出层开始反过成，其算法的基本思想是根据网络输出层的误差，从输出层开始反过来调整网络的权值和阀值，最后使得输出的均方误差最小。

本文采用来调整网络的权值和阀值，最后使得输出的均方误差最小。

本文采用三层三层BPBP网络对供应链绩效进行预测，其中隐含层和输出层均使用网络对供应链绩效进行预测，其中隐含层和输出层均使用SigmoidSigmoid函数函数。

在训练在训练BPBP网络时本文采用带动量因子的梯度下降法，带动量因子的梯网络时本文采用带动量因子的梯度下降法，带动量因子的梯度下降法是指沿着最快的使误差最小的方向进行，该方法是在反向传度下降法是指沿着最快的使误差最小的方向进行，该方法是在反向传播法的基础上，在每一个权重和阈值的变化上加上一项正比于前次权播法的基础上，在每一个权重和阈值的变化上加上一项正比于前次权重和阈值变化量的值（即动量因子），并根据反向传播法来产生新的重和阈值变化量的值（即动量因子），并根据反向传播法来产生新的权重和阈值的变化。

权重和阈值的变化。

一、一、BPBP神经网络的基本理论神经网络的基本理论评价方法介价方法介绍Step1Step1创建具有创建具有nninin个输入，个输入，nnhiddenhidden个隐藏单元，个隐藏单元，nnoutout个输出单元的个输出单元的BPBP网络；网络；Step2Step2初始化所有的网络权值初始化所有的网络权值为小的随机值（例如为小的随机值（例如-0.05-0.050.050.05）；）；Step3Step3对于第对于第mm个训练样例个训练样例，把输入沿网络前向传播，并计算网络中每，把输入沿网络前向传播，并计算网络中每个单元个单元uu的输出的输出oouu，使误差沿网络反向传播；，使误差沿网络反向传播；Step4Step4对网络的输出单元对网络的输出单元kk，计算它的误差项，计算它的误差项，；Step5Step5对网络的隐藏单元对网络的隐藏单元hh，计算误差项，计算误差项，；Step6Step6利用误差项更新每个网络权值利用误差项更新每个网络权值，,其中其中；Step7Step7重复重复Step3Step3到到Step6Step6，直到满足停止条件（最小允许误差）。

，直到满足停止条件（最小允许误差）。

算法过程如下所示：

算法过程如下所示：

评价方法介价方法介绍供应链平衡计分卡是帮助供应链平衡计分卡是帮助公司公司监测监测供应链绩效供应链绩效并通过公司目标进行比并通过公司目标进行比较的较的管理工具管理工具。

它既可以被应用在公司本身。

它既可以被应用在公司本身供应链供应链的的管理管理，也可以用，也可以用来监管来监管供应商供应商表现。

本文把传统的四维平衡记分卡模型扩展为五维平表现。

本文把传统的四维平衡记分卡模型扩展为五维平衡计分卡模型，即选取财务、顾客、供应链业务流程、供应商、创新衡计分卡模型，即选取财务、顾客、供应链业务流程、供应商、创新与发展五个目标设置对应的绩效评价指标体系。

本文根据五维平衡计与发展五个目标设置对应的绩效评价指标体系。

本文根据五维平衡计分卡模型对动态供应链绩效评价指标进行选取，作者选取了分卡模型对动态供应链绩效评价指标进行选取，作者选取了1515个经典个经典样本指标来架构绩效评价体系，同时给出了在一个评价周期内，各个样本指标来架构绩效评价体系，同时给出了在一个评价周期内，各个评价指标的度量方法，如表评价指标的度量方法，如表11所示。

所示。

二、动态供应链绩效指标体系二、动态供应链绩效指标体系CompanyLogo评价模型介价模型介绍作者首先总体概括了一下本文所用作者首先总体概括了一下本文所用BPBP神经网络模型的理论神经网络模型的理论过程，其次介绍过程，其次介绍BPBP网络结构中各参数的确定，之后是对供网络结构中各参数的确定，之后是对供应链绩效指标的预处理过程，最后是利用实际数据的仿真应链绩效指标的预处理过程，最后是利用实际数据的仿真过程。

过程。

评价模型介价模型介绍建立建立BPBP网络模型，需先训练一个网络模型，需先训练一个BPBP神经神经网络，经过重复调整权值及减小输出层网络，经过重复调整权值及减小输出层误差直到达到目标，则训练停止，这时误差直到达到目标，则训练停止，这时神经网络的权值能够确定下来并且结构神经网络的权值能够确定下来并且结构也已稳定，就可以处理新的数据并得到也已稳定，就可以处理新的数据并得到相应的综合评价结果。

基于相应的综合评价结果。

基于BPBP网络的动网络的动态供应链绩效评价处理过程如图所示：

态供应链绩效评价处理过程如图所示：

1.1.基于基于BPBP网络的动态供应链绩效评价过程网络的动态供应链绩效评价过程评价模型介价模型介绍

（1）

（1）具有一个隐含层的三层具有一个隐含层的三层BPBP神经网络，理论上可以以任意精度逼近一个从输入神经网络，理论上可以以任意精度逼近一个从输入到输出的映射关系。

因此，作者选用三层到输出的映射关系。

因此，作者选用三层BPBP网络作为动态供应链绩效评价系统网络作为动态供应链绩效评价系统的基本结构。

的基本结构。

（2）

（2）输入层节点的数目应与供应链绩效评价的绩效指标个数对应，因此输入层节点的数目应与供应链绩效评价的绩效指标个数对应，因此BPBP网络输网络输入层节点数为入层节点数为1515；对于输出层，输出节点的选择应该对应于评价结果的等级，；对于输出层，输出节点的选择应该对应于评价结果的等级，本文将输出结果分为优、良、中、差四个等级，因此本文将输出结果分为优、良、中、差四个等级，因此BPBP网络的输出节点数应为网络的输出节点数应为44个。

个。

（3）（3）隐含层节点数可通过训练结果的网络逼近能力和泛化能力等方面的对比选优隐含层节点数可通过训练结果的网络逼近能力和泛化能力等方面的对比选优确定。

通常认为训练样本数目与神经网络的拓扑之间存在一个关系式，即：

确定。

通常认为训练样本数目与神经网络的拓扑之间存在一个关系式，即：

2.2.BPBP网络结构的确定网络结构的确定评价模型介价模型介绍在这在这1515个关键绩效指标中既有定量指标又有定性指标，对于定量指标，根据个关键绩效指标中既有定量指标又有定性指标，对于定量指标，根据统计学数字和专家经验对输入的绩效指标分别予以量化及归一化处理类，这统计学数字和专家经验对输入的绩效指标分别予以量化及归一化处理类，这些指标又可以分为些指标又可以分为“正向正向”指标（越大越好）和指标（越大越好）和“逆向逆向”指标（越小越好），指标（越小越好），对于对于“正向正向”指标（市场扩大率）的归一化，可按照式（指标（市场扩大率）的归一化，可按照式（11）进行；对于）进行；对于“逆逆向向”指标（如响应时间）的归一化，可按照式（指标（如响应时间）的归一化，可按照式（22）进行。

）进行。

（11）（22）对于定性绩效指标（如客户满意度等），可先将其转化为数值指标，然后再对于定性绩效指标（如客户满意度等），可先将其转化为数值指标，然后再按上述方法进行规一化处理。

按上述方法进行规一化处理。

3.3.供应链绩效指标的预处理供应链绩效指标的预处理评价模型介价模型介绍经调查得某供应链在经调查得某供应链在20072007年年1-121-12月的绩效指标取值和绩效综合评价结果，月的绩效指标取值和绩效综合评价结果，并对这些原始数据按照归一化方法进行预处理，得到的规范化绩效指标量化表，并对这些原始数据按照归一化方法进行预处理，得到的规范化绩效指标量化表，如下表所示：

如下表所示：

4.4.仿真算例仿真算例评价模型介价模型介绍根据前文所确定的根据前文所确定的BPBP网络结构的输入层、隐含层和输出层的节点数分别为网络结构的输入层、隐含层和输出层的节点数分别为1515、66和和44。

学习速率。

学习速率设为设为0.10.1，动量因子，动量因子设为设为0.60.6，权值，权值的初始值取为的初始值取为-1-1，+1+1之间的随机数，最小允许误差为之间的随机数，最小允许误差为0.0010.001。

根据建立的。

根据建立的BPBP神经网络利用神经网络利用MATLAB7.0MATLAB7.0的神经网络计算工具箱，输入表的神经网络计算工具箱，输入表44的训练样本对的训练样本对BPBP网络进行训练。

下网络进行训练。

下图为利用表图为利用表44所示的样本训练时训练次数与输出误差的关系图。

所示的样本训练时训练次数与输出误差的关系图。

评价模型介价模型介绍从上图可以看出，当训练次数约为从上图可以看出，当训练次数约为4040时，时，BPBP网络已经进入稳定状态，此时网络已经进入稳定状态，此时对对BPBP网络的训练结束。

网络训练完毕后，就可以用来对下一评估时刻的供应链网络的训练结束。

网络训练完毕后，就可以用来对下一评估时刻的供应链绩效进行预测。

针对上述供应链，经调查得到该供应链在绩效进行预测。

针对上述供应链，经调查得到该供应链在20082008年前年前22个月的绩效个月的绩效指标取值结果，如表指标取值结果，如表55所示。

所示。

把上述各指标归一化之后输入训练好的把上述各指标归一化之后输入训练好的BPBP网络，得到相应的输出向量分别为网络，得到相应的输出向量分别为（0.0023（0.0023，0.99750.9975，-0.0018-0.0018，0.0073）0.0073）和和（-0.0084（-0.0084，0.00290.0029，0.98830.9883，-0.0048）0.0048）。

据此可判断该供应链在。

据此可判断该供应链在20082008年年11月、月、22月的绩效综合评价为月的绩效综合评价为G2G2和和G3G3，即，即绩效等级为良好和中等，与供应链绩效实际调查结果一致，说明本节提出的基绩效等级为良好和中等，与供应链绩效实际调查结果一致，说明本节提出的基于于BPBP神经网络的供应链绩效评价方法是有效的。

神经网络的供应链绩效评价方法是有效的。

结论本文详细讨论了利用本文详细讨论了利用BPBP神经网络来对动态供应链绩效进行综合评价的神经网络来对动态供应链绩效进行综合评价的方法。

本文首先给出了依据五维平衡计分卡模型得出的绩效评价指标方法。

本文首先给出了依据五维平衡计分卡模型得出的绩效评价指标的量化