基于ＢＰ神经网络的物流项目风险评估

秦立公　张丽婷　周熙登

摘要:风险评估是项目风险管理过程中最困难、最耗时的一个过程,采用BP神经网络技术建立了风险评估模型;并通过神经网络工具箱训练该网络模型,对物流项目风险进行评估。经测试数据验证,结果比较准确,具有广泛的实用性。

关键词:神经网络;BP算法;物流项目风险评估

中图分类号:F279.23文献标识码:A

Abstract: The risk assessment is the process of project risk management the most difficult and time-consuming a process, this paper, BP neural network technology to establish a risk assessment model; and training through the neural network toolbox of the network model, the logistics project risk assessment. By the test data to verify the results more accurate, with a wide range of practicality.

Key words: neural network; BP algorithm; the logistics project risk assessment

0引言

物流项目风险可以定义为:由于物流项目所处的外部环境和条件本身的不确定与物流项目组织或其他相关利益者内部在主观上不能准确预见或控制的影响因素的存在,使得物流项目的最终收益与初始期望产生背离,从而带来损失的可能性。其评估的方法主要有历史资料法、主观概率法、敏感性分析、决策树分析和层次分析法等,但这些方法具有很强的主观性,影响评价结果的准确性和客观性。而BP神经网络的方法对项目风险的评价,则能较好地克服主观性问题。

1基于BP神经网络的物流项目风险评估模型的建立

1.1BP网络算法原理

BP 算法又叫反向传播学习算法,它是一种多层前馈网络使用的监控式算法,运用梯度搜索理论,使得网络实际输出与期望输出的均方差达到最小,而BP网络算法的学习过程,是将误差反向传回去,从而来修正权值,达到对权值调整的目的。

BP神经网络由输入层、一个或多个隐含层和输出层组成。网络通过实际的输入和即定的输出来调节隐层节点个数和权值,从而使BP 神经网络快速收敛达到期望的输出。

1.2BP算法的计算步骤

根据上述BP网络原理,建立相应的评价模型进行评价,其网络结构如图1所示。

BP网络学习算法的基本步骤为:

(1)对评价目标值进行归一化处理。当输入向量的各分量量纲不同时,应对不同的分量在其取值范围内分别进行变换;当各分量物理意义相同且为同一量纲时,应在整个数据范围内确定最大值和最小值,然后进行同一的变换处理,以使输入的评价目标值在区间0,1中。

(2)用随机数(一般是0～1之间的数)初始化网络节点的权值和阈值。

(3)将标准化后的目标样本值X=X,X,…,X输入网络,并给出相应的期望输出。

(4)正向传播,计算各层节点的输出。隐层节点的输出值Y=ω-θ其中:j=1,2,…,7;ω为输入层到隐层的连接权值;θ为节点阈值;f为隐层激活函数。

输出节点的实际输出值O=fvY-θ其中:ν为隐层到输出层的连接权值;θ为节点阈值;f为输出层激活函数。

(5)计算各层节点的误差。输出层误差δo=Q-OO1-O;隐含层误差δ=δoν1-Y。

(6)反向传播,修正连接权值。输出层的权值修正量Δν=ηδo;隐含层的权值修正量Δω=ηδX。

(7)计算误差。设共有p对学习样本,对应不同的样本具有不同的误差E=O-O;其中i=1,2,…,p;O为每对样本的实际输出值;O为每对样本的期望输出值;则所有样本的总误差E=1pE当总误差E小于预定的误差限0.001或达到预定训练次数1 000次时,网络训练结束,否则转第(3)步,继续训练。

(8)训练后的网络就可以用于正式的评价。

2基于BP神经网络的风险评估模型的应用

本文以HF物流配送中心建设项目阶段中风险评估分析为例,来说明模型的应用。HF超市股份有限公司是一家商业连锁经营商。在某城市建立了6个配送中心,根据经验,作为综合型物流配送中心建设项目,要分为项目准备与立项,系统规划设计,系统详细设计,项目施工与试运转项目竣工验收等5个阶段。

本文主要任意选取其一阶段中的5个风险,通过使用神经网络进行分析得出一定的结论。这5个风险因素XXXXX分别为“技术风险”、“费用风险”、“进度风险”、“计划风险”、“保障性风险”。运用模糊综合方法评价各风险因素的风险等级。运用模糊综合方法评价各风险因素的风险等级。过程如下:(1)项目风险评价等级划分,将风险程度分成5个等级:低风险V、较低风险V、一般风险V、较高风险V、高风险V。上述5个评价等级元素构成评价等级集合V=V,V,V,V,V。(2)指标权数设计,①指标权数分配:A

=ααααα。②指标子集权数分配:A=ααα;A=αααα;A=ααα;A

=αα;A=αααα。(3)评价矩阵:评价矩阵采用专家调查法确定,将确定好的第三方物流项目风险评价等级划分标准及指标体系一同交给专家评审委员会。假设委员会有m位评审员,指标U有k项,对指标U中的所有指标进行风险评判模糊评价矩阵为R=。(4)综合评估:由U项中的每一指标权重集

A可得对U的风险评价结果为B=A×R,j,p=1,2,…,5,即ααααα×

=bbbbb,对以上数据进行模糊运算,可得出模糊子集:B=bbbbb,i=1,2,…,5,b

∈0,1从而得到第一层模糊评价结果,表示各项U范围内。项目分别以百分之多少的程度处于5个风险等级。同理,用评价指标权向量A=ααααα,进行第二层模糊综合评价运算:B=A×B,即ααααα

×=bbbbb,从而得到B=bbbbb,即为综合评价结果。按照最大隶属度原则,b中数值最大的项所对应的等级V即为项目的风险等级。

经过专家按照前述步骤评价得到,系统的风险评估值由成功样例得到。这里收集到一组项目风险评估成功案例45个。然后建立足够多的样本集,包括训练样本和检验样本。表1中为部分样本集数据,其中前5个为系统的训练样本,后5个为检验样本。采用MATLAB神经网络工具箱可以方便地实现神经网络的训练。神经网络单元载入按照表1所给的各种风险因素的历史数据,进行网络中权值的训练,可得到输入层与隐含层、隐含层与输出层之间的权值和阈值。完成训练后,即可根据现有专家对各风险因素的风险等级评价作为输入,得到整个系统风险评估值。当系统风险评估值R<0.4时为低风险项目,系统的风险评估值0.4≦R≦0.7时为中度风险项目,系统的风险评估值R>0.7时为高风险项目。

由表1可以看出,后面5个检验样本的输出值与实际评估值基本一致,其误差分析如图2所示。

3结论

本文利用BP神经网络建立物流项目风险评估模型,虽然网络结构不好确定,但只要训练数据有代表性,反复调试训练总能得到好的仿真效果。而且BP神经网络方法是一种非线性方法,不带有明显的主观成分和人为因素,只需将处理过的数据输入到网络中,通过MATLAB神经网络工具箱计算即可得到评价结果,避免了主观性和简单性,使评价结果更有效、更客观。

参考文献:

[1] 葛哲学,孙志强. 神经网络理论与MATLAB R2007[M]. 北京:电子工业出版社,2007.

[2] 郭嗣琮. 信息科学中的软计算方法[M]. 沈阳:东北大学出版社,2001.

[3] 陆琼瑜,童学锋. BP算法改进的研究[J]. 计算机工程与设计,2007,28(3):648-650.

[4] 查普曼·沃德. 项目风险管理:过程、技术和洞察力[M]. 北京:电子工业出版社,2003.