基于BP神經網絡的制造商與供應商信息共享程度評價研究

〔摘 要〕利用層次分析法與模糊綜合評判所得的評價結果作為樣本，對BP神經網絡進行訓練和測試。研究結果表明，基于BP神經網絡的制造商與供應商信息共享程度評價是可行的。

〔關鍵詞〕供應鏈；信息共享程度；BP神經網絡

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０．０１．０１０

〔中圖分類號〕Ｇ３５ 〔文獻標識碼〕Ａ 〔文章編號〕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

供應鏈信息共享是指在供應鏈環境下，節點企業間關于供應鏈運行的各種信息資源的分享，例如客戶訂單、銷售數據、產品需求信息、訂單傳遞信息、交貨及庫存狀態信息和產品在途信息等。通過信息共享，可以減少由于信息不對稱和信息變異所帶來的風險，加強供應鏈上節點企業間的相互協作，從而提高整條供應鏈的反應速度和競爭力。

隨著對供應鏈信息共享研究的深入，信息共享的程度逐漸進入了人們的研究范圍。節點企業間的信息共享程度不足，不能有效消除供應鏈中存在的“牛鞭效應”；信息共享程度太過，不僅花費的成本高，還可能帶來商業機密泄露等一些負面影響，掌握好這個程度將有利于企業在供應鏈這個大背景中生存。供應鏈信息共享程度的評價將為供應鏈節點企業對合作伙伴關系的評估以及制定信息共享策略提供重要依據。

供應鏈是將供應商、制造商、分銷商、零售商，直到最終用戶連成一個整體的功能網鏈結構，兩兩企業間都需要信息共享，為了縮小研究范圍，本文主要研究的是制造商與供應商的信息共享程度，指標來源于對史達、朱焰、楚揚杰、吳曉明等前人文獻［１－４］的閱讀及總結，先運用層次分析法和模糊綜合評判法對20個制造商進行評價，得到的指標數據及評價結果將被分為兩組：一組用來訓練BP神經網絡；一組用來檢驗訓練好的網絡的泛化能力，訓練好的BP神經網絡可以直接用來評價制造商與供應商間的信息共享程度。

１ 制造商與供應商信息共享程度的評價指標體系設計評價指標體系是由多個相互聯系、相互作用的評價指標，按照一定的層次結構組成的有機整體。評價指標體系是聯系評價專家與評價對象的紐帶，也是聯系評價方法與評價對象的橋梁。只有科學合理的評價指標體系，才有可能得出科學公正的綜合評價結論。

我們在對前人文獻閱讀及整理的基礎上，遵循評價指標應具有獨立性、可行性、代表性與差異性的原則，從供應商、制造商硬件設施、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個方面建立制造商與供應商信息共享程度的評價指標體系，如表１所示：表

早在1989年Robert Hecht-Nielson證明了1個3層的BP神經網絡可以完成任意的n維到m維的映射。基于BP神經網絡的信息共享程度評價方法，就是利用BP神經網絡的函數逼近功能，通過對網絡的訓練，來實現信息共享程度評價輸出結果與期望值之間的復雜函數關系的無限擬合、逼近。因此，本文選用含有1個隱層的3層BP神經網絡。

２.１.２ 輸入層的設計

輸入層起緩沖存儲器的作用，把數據源加到網絡上。其節點數目取決于數據源維數，即這些節點能夠代表每個數據源。通常，BP神經網絡只能處理表示成數值的輸入數據，所以需要對輸入的數據進行標準化和編碼化，一般將輸入數據標度到限定范圍［０，１］。對于定量指標，定義ｘｉ＝ｕｖｉ（ａｉ），ｉ＝１，２，Λｎ為評價指標ｕｉ的屬性值ａｉ的無量綱化值，ｘｉ∈［０，１］，Ｍｉ和ｍｉ分別為指標ｕｉ的最大值和最小值。定量指標可劃分為成本型指標和效益型指標。

本文輸入層的節點數對應于所建立的制造商與供應商信息共享程度評價指標的個數。

２.１.３ 隱含層內節點數的選取

BP神經網絡中各層節點數的選擇對網絡的性能影響很大。理論上來講，如果選擇的隱含層節點數太少，則會使整個神經網絡的收斂速度變慢，且不易收斂。相反，如果選擇的隱含層節點數太多，則會引起神經網絡的拓撲結構復雜、網絡訓練時間急劇增加，誤差也不一定最佳等問題。目前，確定最佳隱含層節點數的一個常見的方法是試湊法，在用試湊法時，可以用一些確定隱含層節點數量的經驗公式，常見的有：

其中ｍ為隱含層節點數，ｎ為輸入層節點數，ｌ為輸出層節點數，ａ為1～10之間的常數。

上述動態調節隱含層節點數目的方法對用硬件完成BP網絡有一定的好處，但是對于結構的選定所花的時間比較長。所以本文采用一種直接估算最佳隱含層節點數的方法［７］：

式中，ＮＨ為最佳隱含層節點數，ＮＩ為輸入層節點數，ＮＯ為輸出層節點數，ＮＰ為訓練樣本數。

２.１.４ 輸出層的設計

輸出層可以是單輸出型的，也可以是多輸出型的。所謂單輸出型即是該網絡的輸入和隱含層都是由多個神經元組成，而輸出層僅為1個神經元，故稱之為單輸出型。該種模型主要是利用BP神經網絡的函數逼近功能，可以用來進行綜合評判，單輸出的結果是一個準確的數值。如果把數值進行區間劃分，可以對應于相應的信息共享程度級別。這樣所得到的信息共享程度評價結果具有較大的靈活性，既可以進行信息共享程度排序，又可以進行信息共享程度評級。所以本文所建的BP神經網絡模型采用了單輸出型，即輸出層設計為1個節點。

２.２ 活化函數的選取

活化函數又稱傳遞函數，它表征了神經元的輸入輸出特性。活化函數的基本作用有：（1）控制輸入對輸出的激活作用；（2）對輸入、輸出進行函數轉換；（3）將可能無限域的輸入變換成指定的有限范圍內的輸出。

常見的活化函數有：

（1）閾值型：這種活化函數將任意輸入轉化成0或1的輸出，函數ｆ（ｘ）為單位階躍函數。

（2）分段線性型：該函數使網絡的輸出等于加權輸入加上偏差。

（3）S型（Sigmoid）函數：該函數將任意輸入壓縮到（0，1）的范圍內。該函數具有平滑、漸近性和單調性。常用的函數形式有對數S型活化函數logsig和雙曲線正切S型活化函數tansig。

對非線性問題，輸入層和隱層多采用非線性活化函數。如果多層BP網絡的輸出層采用S型活化函數（如logsig），其輸出值將會限制在一個較小的范圍內（0，1）；而采用線性活化函數則可以取任意值。若樣本輸出均大于零時，多采用Log-Sigmoid函數，否則，采用Tan-Sigmoid函數。

針對信息共享程度評價系統，隱含層活化函數選用Tan-Sigmoid函數，輸出層活化函數選用函數Log-Sigmoid。

２.３ 訓練函數的選取

對于一個給定的問題，到底采用哪種訓練方法其訓練速度最快，這是很難預知的，因為這取決于許多因素，包括給定問題的復雜性、訓練樣本集的數量、網絡權值和閾值的數量、誤差目標、網絡的用途等。

L-M算法在目前諸多神經網絡的運用中較少使用，但是并不能掩蓋它在運算速度和收斂性方面的杰出性能。L-M算法的訓練速度比梯度下降法要快得多，但是需要消耗計算機更多的內存資源，在計算機硬件資源匱乏的年代，確實制約了L-M算法的發展，在電腦硬件設備高速發展的今天，電腦硬件方面的制約已經可以忽略，這為L-M算法的發展和推廣掃平了道路。L-M算法在BP神經網絡中，具有普通BP算法和改進的動量BP算法無法比擬的優勢，速度比前兩種BP算法快102～103倍左右，訓練結果比較理想。因此本文采用函數trainlm來訓練網絡。

３ 應用BP神經網絡評價制造商與供應商的信息共享程度本文利用AHP和模糊綜合評判法來得到指標數據及評價結果，具體步驟省略，所得數據如表２所示：

神經網絡工具箱是在MATLAB環境中開發出來的眾多工具箱之一。MATLAB7的神經網絡內容非常豐富，包括了很多現有的神經網絡的新成果，提供了神經網絡設計和模擬的工具。神經網絡工具箱提供了兩種方法來完成神經網絡的設計：一種是采用圖形用戶界面（GUI）；一種是采用命令行函數。本文采用GUI來生成、訓練和仿真神經網絡。將20組數據分為2部分，前15組數據用作網絡學習樣本，作為訓練神經元連接權值用，后5組數據作為檢驗用。根據公式ＮＨ＝ＮＩ×ＮＯ＋ＮＰ／２可知神經網絡的隱含層節點數應設為12；最大訓練次數為100；訓練要求精度為10-5；其它參數為神經網絡工具箱中的默認值。訓練結果如圖１所示：

圖１ BP神經網絡訓練結果

從圖１可知，當訓練次數為時，訓練達到要求的精度。具體數值結果如表３及表４所示。由表可知，訓練樣本的實際結果與網絡輸出之間的相對誤差很小，最大相對誤差為0.48639%。訓練結束后，給訓練好的BP網絡輸入后5組校驗數據，得到的輸出值與實際結果之間的最大相對誤差為-3.1405%，這樣的誤差范圍是完全可以接受的。將訓練好的BP神經網絡存入文件，只要輸入指標數據，啟動網絡，即可馬上得到評價結果。

（1）在對前人文獻閱讀及整理的基礎上，從供應商、制造商硬件設施、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個方面建立制造商與供應商信息共享程度的評價指標體系。該指標體系對供應鏈上節點企業進行信息共享程度評價有借鑒意義。

（2）基于BP神經網絡的制造商與供應商信息共享程度評價方法，通過對已有樣本模式的學習，獲得了評價專家的知識與經驗，以后當需要進行信息共享程度評價時，只要給訓練好的BP網絡輸入相應的信息共享程度指標數據矩陣，BP網絡會再現專家的知識與經驗，即時做出反應，不需要人為干預，從而可以避免評價過程中的人為失誤，評價準確性高。

（3）BP神經網絡自我學習能力強。設計好的BP神經網絡可通過對新的樣本模式持續不斷地學習，掌握新的樣本模式中所蘊含的專家知識和經驗，從而提高評價的準確性，并拓寬其適用范圍。

（4）由于BP神經網絡評價方法的學習訓練樣本來自于AHP和模糊綜合評判所得的結果，因此，基于BP神經網絡的制造商與供應商信息共享程度評價方法并不能完全取代AHP和模糊綜合評判。

參考文獻

［１］史達．供應鏈管理影響因素及評價指標分析［Ｊ］．中國流通經濟，2006，（4）：16-18.

［２］朱焰，單一峰．供應鏈信息共享度的模糊評價研究［Ｊ］．山東理工大學學報：自然科學版，2007，21（6）：56-59.

［３］楚揚杰，等．基于粗集屬性重要性的供應鏈信息共享的模糊綜合評價［Ｊ］．物流科技，2006，29（132）：67-69.

［４］吳曉明，郭東強．基于供應鏈的企業信息共享模型及其評價［Ｊ］．信息技術，2007，（4）：126-128．