龚花萍 龚怡 袁林娜
〔摘 要〕利用层次分析法与模糊综合评判所得的评价结果作为样本,对BP神经网络进行训练和测试。研究结果表明,基于BP神经网络的制造商与供应商信息共享程度评价是可行的。
〔关键词〕供应链;信息共享程度;BP神经网络
DOI:10.3969/j.issn.1008-0821.20.01.010
〔中图分类号〕G35 〔文献标识码〕A 〔文章编号〕1008-0821(20)01-0040-04
Evaluation on Information Sharing Level Between Manufacturer
and Supplier Based on BP Neural NetworkGong Huaping Gong Yi Yuan Linna
(Information Engineering School,Nanchang University,Nanchang 330031,China)
〔Abstract〕Back Propagtion(BP)network was trained and tested by the sample that was attained by AHP and Fuzzy comprehensive evaluation.The results showed that the BP-based evaluation of information sharing level evaluation between manufacturer and supplier was feasible.
〔Keywords〕supply chain;information sharing level;back propagation neural network
供应链信息共享是指在供应链环境下,节点企业间关于供应链运行的各种信息资源的分享,例如客户订单、销售数据、产品需求信息、订单传递信息、交货及库存状态信息和产品在途信息等。通过信息共享,可以减少由于信息不对称和信息变异所带来的风险,加强供应链上节点企业间的相互协作,从而提高整条供应链的反应速度和竞争力。
随着对供应链信息共享研究的深入,信息共享的程度逐渐进入了人们的研究范围。节点企业间的信息共享程度不足,不能有效消除供应链中存在的“牛鞭效应”;信息共享程度太过,不仅花费的成本高,还可能带来商业机密泄露等一些负面影响,掌握好这个程度将有利于企业在供应链这个大背景中生存。供应链信息共享程度的评价将为供应链节点企业对合作伙伴关系的评估以及制定信息共享策略提供重要依据。
供应链是将供应商、制造商、分销商、零售商,直到最终用户连成一个整体的功能网链结构,两两企业间都需要信息共享,为了缩小研究范围,本文主要研究的是制造商与供应商的信息共享程度,指标来源于对史达、朱焰、楚扬杰、吴晓明等前人文献[1-4]的阅读及总结,先运用层次分析法和模糊综合评判法对20个制造商进行评价,得到的指标数据及评价结果将被分为两组:一组用来训练BP神经网络;一组用来检验训练好的网络的泛化能力,训练好的BP神经网络可以直接用来评价制造商与供应商间的信息共享程度。
1 制造商与供应商信息共享程度的评价指标体系设计评价指标体系是由多个相互联系、相互作用的评价指标,按照一定的层次结构组成的有机整体。评价指标体系是联系评价专家与评价对象的纽带,也是联系评价方法与评价对象的桥梁。只有科学合理的评价指标体系,才有可能得出科学公正的综合评价结论。
我们在对前人文献阅读及整理的基础上,遵循评价指标应具有独立性、可行性、代表性与差异性的原则,从供应商、制造商硬件设施、制造商信息化水平、制造商信息共享、制造商共享信息效果等5个方面建立制造商与供应商信息共享程度的评价指标体系,如表1所示:表
早在1989年Robert Hecht-Nielson证明了1个3层的BP神经网络可以完成任意的n维到m维的映射。基于BP神经网络的信息共享程度评价方法,就是利用BP神经网络的函数逼近功能,通过对网络的训练,来实现信息共享程度评价输出结果与期望值之间的复杂函数关系的无限拟合、逼近。因此,本文选用含有1个隐层的3层BP神经网络。
2.1.2 输入层的设计
输入层起缓冲存储器的作用,把数据源加到网络上。其节点数目取决于数据源维数,即这些节点能够代表每个数据源。通常,BP神经网络只能处理表示成数值的输入数据,所以需要对输入的数据进行标准化和编码化,一般将输入数据标度到限定范围[0,1]。对于定量指标,定义xi=uvi(ai),i=1,2,Λn为评价指标ui的属性值ai的无量纲化值,xi∈[0,1],Mi和mi分别为指标ui的最大值和最小值。定量指标可划分为成本型指标和效益型指标。
本文输入层的节点数对应于所建立的制造商与供应商信息共享程度评价指标的个数。
2.1.3 隐含层内节点数的选取
獴P神经网络中各层节点数的选择对网络的性能影响很大。理论上来讲,如果选择的隐含层节点数太少,则会使整个神经网络的收敛速度变慢,且不易收敛。相反,如果选择的隐含层节点数太多,则会引起神经网络的拓扑结构复杂、网络训练时间急剧增加,误差也不一定最佳等问题。目前,确定最佳隐含层节点数的一个常见的方法是试凑法,在用试凑法时,可以用一些确定隐含层节点数量的经验公式,常见的有:
其中m为隐含层节点数,n为输入层节点数,l为输出层节点数,a为1~10之间的常数。
上述动态调节隐含层节点数目的方法对用硬件完成獴P网络有一定的好处,但是对于结构的选定所花的时间比较长。所以本文采用一种直接估算最佳隐含层节点数的方法[7]:
式中,NH为最佳隐含层节点数,NI为输入层节点数,NO为输出层节点数,NP为训练样本数。
2.1.4 输出层的设计
输出层可以是单输出型的,也可以是多输出型的。所谓单输出型即是该网络的输入和隐含层都是由多个神经元组成,而输出层仅为1个神经元,故称之为单输出型。该种模型主要是利用獴P神经网络的函数逼近功能,可以用来进行综合评判,单输出的结果是一个准确的数值。如果把数值进行区间划分,可以对应于相应的信息共享程度级别。这样所得到的信息共享程度评价结果具有较大的灵活性,既可以进行信息共享程度排序,又可以进行信息共享程度评级。所以本文所建的獴P神经网络模型采用了单输出型,即输出层设计为1个节点。
2.2 活化函数的选取
活化函数又称传递函数,它表征了神经元的输入输出特性。活化函数的基本作用有:(1)控制输入对输出的激活作用;(2)对输入、输出进行函数转换;(3)将可能无限域的输入变换成指定的有限范围内的输出。
常见的活化函数有:
(1)阈值型:这种活化函数将任意输入转化成0或1的输出,函数f(x)为单位阶跃函数。
(2)分段线性型:该函数使网络的输出等于加权输入加上偏差。
(3)S型(Sigmoid)函数:该函数将任意输入压缩到(0,1)的范围内。该函数具有平滑、渐近性和单调性。常用的函数形式有对数S型活化函数logsig和双曲线正切S型活化函数tansig。
对非线性问题,输入层和隐层多采用非线性活化函数。如果多层BP网络的输出层采用S型活化函数(如logsig),其输出值将会限制在一个较小的范围内(0,1);而采用线性活化函数则可以取任意值。若样本输出均大于零时,多采用Log-Sigmoid函数,否则,采用Tan-Sigmoid函数。
针对信息共享程度评价系统,隐含层活化函数选用Tan-Sigmoid函数,输出层活化函数选用函数Log-Sigmoid。
2.3 训练函数的选取
对于一个给定的问题,到底采用哪种训练方法其训练速度最快,这是很难预知的,因为这取决于许多因素,包括给定问题的复杂性、训练样本集的数量、网络权值和阈值的数量、误差目标、网络的用途等。
L-M算法在目前诸多神经网络的运用中较少使用,但是并不能掩盖它在运算速度和收敛性方面的杰出性能。L-M算法的训练速度比梯度下降法要快得多,但是需要消耗计算机更多的内存资源,在计算机硬件资源匮乏的年代,确实制约了L-M算法的发展,在电脑硬件设备高速发展的今天,电脑硬件方面的制约已经可以忽略,这为L-M算法的发展和推广扫平了道路。L-M算法在BP神经网络中,具有普通BP算法和改进的动量BP算法无法比拟的优势,速度比前两种BP算法快102~103倍左右,训练结果比较理想。因此本文采用函数trainlm来训练网络。
3 应用BP神经网络评价制造商与供应商的信息共享程度本文利用AHP和模糊综合评判法来得到指标数据及评价结果,具体步骤省略,所得数据如表2所示:
神经网络工具箱是在MATLAB环境中开发出来的众多工具箱之一。MATLAB7的神经网络内容非常丰富,包括了很多现有的神经网络的新成果,提供了神经网络设计和模拟的工具。神经网络工具箱提供了两种方法来完成神经网络的设计:一种是采用图形用户界面(GUI);一种是采用命令行函数。本文采用GUI来生成、训练和仿真神经网络。将20组数据分为2部分,前15组数据用作网络学习样本,作为训练神经元连接权值用,后5组数据作为检验用。根据公式NH=NI×NO+NP/2可知神经网络的隐含层节点数应设为12;最大训练次数为100;训练要求精度为10-5;其它参数为神经网络工具箱中的默认值。训练结果如图1所示:
图1 BP神经网络训练结果
从图1可知,当训练次数为时,训练达到要求的精度。具体数值结果如表3及表4所示。由表可知,训练样本的实际结果与网络输出之间的相对误差很小,最大相对误差为0.48639%。训练结束后,给训练好的BP网络输入后5组校验数据,得到的输出值与实际结果之间的最大相对误差为-3.1405%,这样的误差范围是完全可以接受的。将训练好的BP神经网络存入文件,只要输入指标数据,启动网络,即可马上得到评价结果。
(1)在对前人文献阅读及整理的基础上,从供应商、制造商硬件设施、制造商信息化水平、制造商信息共享、制造商共享信息效果等5个方面建立制造商与供应商信息共享程度的评价指标体系。该指标体系对供应链上节点企业进行信息共享程度评价有借鉴意义。
(2)基于BP神经网络的制造商与供应商信息共享程度评价方法,通过对已有样本模式的学习,获得了评价专家的知识与经验,以后当需要进行信息共享程度评价时,只要给训练好的BP网络输入相应的信息共享程度指标数据矩阵,BP网络会再现专家的知识与经验,即时做出反应,不需要人为干预,从而可以避免评价过程中的人为失误,评价准确性高。
(3)BP神经网络自我学习能力强。设计好的BP神经网络可通过对新的样本模式持续不断地学习,掌握新的样本模式中所蕴含的专家知识和经验,从而提高评价的准确性,并拓宽其适用范围。
(4)由于BP神经网络评价方法的学习训练样本来自于AHP和模糊综合评判所得的结果,因此,基于BP神经网络的制造商与供应商信息共享程度评价方法并不能完全取代AHP和模糊综合评判。
参考文献
[1]史达.供应链管理影响因素及评价指标分析[J].中国流通经济,2006,(4):16-18.
[2]朱焰,单一峰.供应链信息共享度的模糊评价研究[J].山东理工大学学报:自然科学版,2007,21(6):56-59.
[3]楚扬杰,等.基于粗集属性重要性的供应链信息共享的模糊综合评价[J].物流科技,2006,29(132):67-69.
[4]吴晓明,郭东强.基于供应链的企业信息共享模型及其评价[J].信息技术,2007,(4):126-128.