供應鏈協(xié)同預測模型及實證研究

沈陽工學院 姚海波

1 引言

供應鏈上的需求是供應鏈管理中的關鍵問題，尤其是在由需求拉動的鏈條上，進行需求預測可以有效地減少不確定性因素對供應鏈績效的負面影響。當前，供應商、制造商、分銷商、零售商以至最終用戶之間不再是獨立的個體，追求的也不是自身利益的最大化，而是逐漸形成戰(zhàn)略合作伙伴關系，尋求的是整體的最優(yōu)。

協(xié)同計劃、預測與補給(Collaborative Planning，F(xiàn)orecast and Replenishment, CPFR)，可以實現(xiàn)供應鏈上合作伙伴間協(xié)同計劃、預測并共享需要的資源和信息，減少需求的不確定性，更精確地掌握用戶的需求情況。而預測模型的構建和選擇直接關系到最終預測結果的精度，因此，有必要研究基于信息共享機制的協(xié)同需求量預測模型。

2 遺傳算法(GA)與BP神經(jīng)網(wǎng)絡

2.1 GA簡介

遺傳算法由美國Michigan大學的Holland教授首先提出，是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優(yōu)解的方法。遺傳算法是從代表問題可能潛在的解集的一個種群(population)開始的，而一個種群則由經(jīng)過基因(gene)編碼的一定數(shù)目的個體(individual)組成。每個個體實際上是染色體(chromosome)帶有特征的實體。染色體作為遺傳物質(zhì)的主要載體，即多個基因的集合，其內(nèi)部表現(xiàn)(即基因型)是某種基因組合，它決定了個體的形狀的外部表現(xiàn)，如黑頭發(fā)的特征是由染色體中控制這一特征的某種基因組合決定的。因此，在一開始需要實現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。

由于仿照基因編碼的工作很復雜，我們往往進行簡化，如二進制編碼，初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代(generation)演化產(chǎn)生出越來越好的近似解，在每一代，根據(jù)問題域中個體的適應度(fitness)大小選擇(selection)個體，并借助于自然遺傳學的遺傳算子(genetic operators)進行組合交叉(crossover)和變異(mutation)，產(chǎn)生出代表新的解集的種群。這個過程將導致種群像自然進化一樣的后生代種群比前代更加適應于環(huán)境，末代種群中的最優(yōu)個體經(jīng)過解碼(decoding)，可以作為問題近似最優(yōu)解。遺傳算法能以很大的概率找到全局最優(yōu)解，特別適合處理傳統(tǒng)搜索方法解決不了的復雜和非線性問題。

遺傳算法是解決搜索問題的一種通用算法，對于各種通用問題都可以使用。搜索算法的共同特征為：一是首先組成一組候選解；二是依據(jù)某些適應性條件測算這些候選解的適應度；三是根據(jù)適應度保留某些候選解，放棄其他候選解；四是對保留的候選解進行某些操作，生成新的候選解。在遺傳算法中，上述幾個特征以一種特殊的方式組合在一起：基于染色體群并行搜索，帶有猜測性質(zhì)的選擇操作、交換操作和突變操作。

2.2 BP神經(jīng)網(wǎng)絡

反向傳播網(wǎng)絡(Back-Propagation Network，簡稱BP網(wǎng)絡)是將W-H學習規(guī)則一般化，對非線性可微分函數(shù)進行權值訓練的多層網(wǎng)絡。

BP神經(jīng)網(wǎng)絡的產(chǎn)生歸功于BP算法的獲得。BP算法是由兩部分組成：信息的正向傳遞與誤差的反向傳播。在正向傳播過程中，輸入信息從輸入經(jīng)隱含層逐層計算傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層沒有得到期望的輸出，則計算輸出層的誤差變化值，然后轉向反向傳播，通過網(wǎng)絡將誤差信號沿著原來的連線線路反向傳遞回來修改各層神經(jīng)元的權值，直到達到網(wǎng)絡期望的目標值。

為了訓練一個BP網(wǎng)絡，需要計算網(wǎng)絡加權輸入矢量、網(wǎng)絡輸出和誤差矢量，然后計算誤差平方和。當所訓練矢量的誤差平方和小于目標誤差，訓練停止，否則在輸出層計算誤差變化，而且采用反向傳播學習規(guī)則來調(diào)整權值，并重復這個過程。當網(wǎng)絡懸鏈完成后，對網(wǎng)絡輸入一個不是訓練集合中的矢量時，網(wǎng)絡可以以泛化方式輸出結果。

神經(jīng)網(wǎng)絡權值的調(diào)整是在誤差反向傳播過程中逐層進行的，當網(wǎng)絡的所有權值都被更新一次之后，網(wǎng)絡就經(jīng)過了一個學習周期。網(wǎng)絡經(jīng)過若干個學習周期后，便得到了網(wǎng)絡的最優(yōu)權值。在此基礎上就可以利用所建立的BP網(wǎng)絡對需求進行相對準確的預測。

3 GA-BP神經(jīng)網(wǎng)絡模型的建立

BP神經(jīng)網(wǎng)絡使用廣泛，但其對隱含層神經(jīng)元的個數(shù)沒有確定的最佳數(shù)目，初始權值和閾值是隨機產(chǎn)生，以及網(wǎng)絡訓練最終的結果是得到的是局部最優(yōu)解。遺傳算法遵循“優(yōu)勝劣汰”的原則，能從進化好的個體中選擇最優(yōu)解，是可以求得全局最優(yōu)解的方法。遺傳算法可以通過優(yōu)化神經(jīng)網(wǎng)絡的初始權值和閾值，恰能很好地克服BP神經(jīng)網(wǎng)絡的缺陷，提高神經(jīng)網(wǎng)絡的穩(wěn)定性，進而獲得全局最優(yōu)解。

GA-BP神經(jīng)網(wǎng)絡具體操作步驟如下：

(1)構建BP神經(jīng)網(wǎng)絡結構，本文采取三層網(wǎng)絡，即輸入層—隱含層—輸出層，輸入層節(jié)點數(shù)由供應鏈協(xié)同預測的影響因素個數(shù)確定，隱含層的節(jié)點數(shù)由誤差值和樣本的個數(shù)共同確定，輸出層節(jié)點數(shù)由需求預測的時間段來確定；

(2)初始化神經(jīng)網(wǎng)絡的權值和閾值，用遺傳算法對其進行優(yōu)化編碼，本文采用實數(shù)編碼，隨機生成初始種群；

(3)訓練神經(jīng)網(wǎng)絡，以誤差值調(diào)整初始值；

(4)遺傳操作：選擇、交叉和變異，進化種群；

(5)判斷：計算適應值，如果不滿足條件，返回上一步操作，如果滿足，則結束，得到最優(yōu)的權值和閾值；

(6)計算神經(jīng)網(wǎng)絡誤差值，在允許范圍內(nèi)，則可利用該模型進行需求預測，如果不滿足，則回到上一步，直至滿足條件。

4 實證研究

預測一般可以分為短期預測、中期預測和長期預測，本文選取某日用品為例，考慮到商品屬于便利品的屬性，日常需求量大的特點，也為了保證有足夠的樣本數(shù)量，本文選取的采樣頻度為一周。該日用品的供應商與零售商，建立了基于信息和資源共享的協(xié)同機制，零售商實時向供應商共享其過往一周的實際銷量，供應商采用GA-BP神經(jīng)網(wǎng)絡進行預測，以應對下一期的需求，保證足夠的銷量，提高該供應鏈條的有效供給量。現(xiàn)以某品牌日用品的供應商得到有關數(shù)據(jù)，這個數(shù)據(jù)是從多個大型超市獲得本周總需求量，如表1所示。

表1 日用品供應商各周需求數(shù)據(jù)匯總表

將歷史數(shù)據(jù)作為樣本輸入BP網(wǎng)絡的輸入層，對GA-BP神經(jīng)網(wǎng)絡進行訓練。模型中網(wǎng)絡結構為輸入12-隱含25-輸出1。這里取遺傳算法的初始種群數(shù)為50，最大的遺傳代數(shù)設為60，交叉概率0.9，變異概率0.01，初始權值的取值范圍是-1～1；網(wǎng)絡學習速率為0.02，最大迭代次數(shù)是2000次，誤差目標值定為0.005。模型運用MATLAB工具求解，預測結果如圖1所示。

圖1 某日用品GA-BP神經(jīng)網(wǎng)絡預測結果

圖1中的星號代表各期的預測值，實線代表實際的銷售量構成的曲線，很明顯，預測值相對實際值的偏離是非常小的。本文用平均平方誤差MSE和平均絕對偏差MAD兩個指標來衡量GA-BP神經(jīng)網(wǎng)絡的預測效果，如表2所示。

表2 GA-BP預測結果比較

5 結語

供應鏈協(xié)同是當前供應鏈管理的主流形式，供應商、制造商、分銷商和零售商以及最終用戶都已經(jīng)意識到只有共享的合作機制可以提高整體的收益，如果脫離整體去尋求自身利益最大已不再可行。對于需求拉動的供應鏈，能利用有效的預測模型近乎準確地得到未來需求數(shù)據(jù)是供應鏈上合作企業(yè)的共同目標。本文提出將GA-BP神經(jīng)網(wǎng)絡模型用于供應鏈上的協(xié)同預測，并用實例證明了該模型的有效性，未來研究可以考慮如何更好地加快神經(jīng)網(wǎng)絡的收斂速度，以獲得更高的預測精度。

[1] Partovi F Y,Anandarajan M,Classifying inventory using an artificial neural network approach.Computers & Industrial Engineering,vol.41,2002.

[2] 后銳,張畢西.基于MLP神經(jīng)網(wǎng)絡的區(qū)域物流需求預測方法及其應用[J].系統(tǒng)工程理論與實踐,2005(12).

[3] 董紹輝,張志清,西寶.供應鏈協(xié)同需求預測機制研究[J].運籌與管理,2010(10).

[4] 胡萬達.基于遺傳BP神經(jīng)網(wǎng)絡的區(qū)域物流需求預測[J].重慶三峽學院學報,2014(5).

[5] 叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡理論與應用(第二版)[M].中國科學技術大學出版社,2003.