基于遺傳神經網絡的船舶供應商評價體系研究

[摘 要] 文章針對現有評價方法在對指標權重賦值時存在的主觀隨意性問題，提出了基于BP神經網絡的船舶供應商評價模型，并運用遺傳算法對所建立的神經網絡模型進行優化。經過實例分析，得出結論。

[關鍵詞] 船舶供應商 評價體系 遺傳算法 神經網絡

選擇合適的供應商直接關系到船舶企業降低成本、提高企業競爭力。現有的平價方法在確定指標權重時存在主觀隨意性，評價結果缺乏客觀與公正。BP神經網絡具有容錯性、自適應性等特點，解決了評價過程中指標權重隨意性和人為因素。本文構建了BP神經網絡的船舶供應商評價模型，并針對BP神經網絡收斂速度慢的缺點，采用遺傳算法對構建的BP神經網絡模型進行優化，從而構建評價船舶供應商遺傳神經網絡模型。

一、船舶供應商評價指標體系的構建

原材料供應商和船舶配套企業的產品質量性能以及管理水平等都會對船舶企業的正常運行帶來重大影響，直接關系到企業的盈利能力。因此，構建科學的合理的供應商評價體系，是船舶制造企業綜合評價供應商的依據。

周期長、成本高等特點決定了船舶是一種特殊的產品，需要結合船舶自身的特點來構建船舶供應商評價指標體系。綜合學者的研究成果與船舶公司實際狀況，本文認為應該從質量、成本、交貨、柔性、財務與信譽狀況以及服務與管理水平6個方面構建船舶供應商的評價指標體系。

二、基于遺傳神經網絡的船舶供應商評價模型

1.BP神經網絡在船舶供應商評價中的應用

BP神經網絡模型是一個分層型網絡，具有輸入層、中間層和輸出層。供應商評價指標由輸入層到輸出層的傳遞是一個前向傳播的過程，若輸出結果與期望結果的誤差超過允許范圍，則誤差反向傳播，并根據各層誤差的大小來調節權值，尋找最佳權集，實現正確輸出。基于BP神經網絡的船舶供應商評價模型結構及學習原理如圖2所示。

2.基于遺傳算法改進的BP神經網絡模型

BP算法是沿梯度下降(平方誤差函數)來指導搜索的，學習過程收斂速度慢，易陷入局部極小點。而遺傳算法對于全局搜索具有較強的魯棒性和較高的效率，克服了BP網絡的局限性。將遺傳算法與BP網絡相結合，可以達到全局尋優和快速高效的目的。

遺傳算法改進BP神經網絡模型的步驟是:（1)確定網絡參數；（2）設定的種群規模N，產生初始種群;（3)求N組網絡權系數，得到具有相同結構的N個網絡;（4)求N組網絡權值對應的N個網絡輸出;（5）網絡性能評價;（6)若不滿足評價條件，由對染色體進行遺傳選擇、變異和交叉操作，產生新的染色體，直到滿足評價函數;（7)選擇一個最優染色體作為網絡權重，進行網絡的訓練和評價。其工作流程如圖3所示。

三、應用仿真算例

以中船公司的25家供應商數據為基礎，采用matlab7.0編程，建立三層遺傳神經網絡模型。

將前15家供應商作為訓練集，訓練該網絡；其余10家供應商作為測試集，模擬待評價的對象。設置誤差精度為0.00001。首先用遺傳算法，經過450次優化，得到全局最優的網絡權值。然后以前15家供應商的二級評價指標為樣本，經過BP神經網絡4700次訓練，得出對應的6個一級評價指標的訓練樣本;再以所得出的輸出值為樣本，經過BP神經網絡4450次訓練，訓練出最終的遺傳神經網絡模型，并用于綜合評價工作。輸入后10家供應商二級評價指標值，得到其一級評價指標的輸出值，以該輸出值為輸入，計算出10家供應商的綜合評價結果。見表。

四、結束語

基于遺傳神經網絡的船舶供應商評價模型借助BP神經網絡的容錯性和自適應自學習能力克服了傳統評價方法在指標權重賦值時存在的主觀隨意性問題，并用遺傳算法的優化解決了BP存在的收斂速度慢的問題，為評價船舶供應商提供了一條新的途徑。

參考文獻:

[1]金朝光 紀卓尚 林 焰:船舶企業選擇供應商的策略研究[J]. 計算機集成制造系統，2003，9(10):886～890

[2]馬士華 林 勇 陳志祥:供應鏈管理[M].北京:機械工業出版，2004

[3]朱大奇 史 慧:人工神經網絡原理及其應用[M].北京:科學出版社，2006

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文