BP神經網絡算法在物資供應鏈績效評價中的應用

王 婷 翟 翼 徐志鵬

（1.吉林建筑科技學院，吉林 長春 130000；2.長春工業大學人文信息學院，吉林 長春 130000；3.中建五局安裝工程有限公司，湖南 長沙 410004）

建筑供應鏈是指從項目設計到項目交付運營的整個過程，涉及的參與方眾多，包括業主、承包商、分包商、供應商以及監理方等，整個流程要綜合考慮物流、資金量以及信息流等內容，為實現建筑項目效益的最大化提供支持。本研究通過選取合適的方法對供應鏈的實際運營狀況進行評價，綜合多方要素來判斷供應鏈目標實現的可能性，為管理工作的開展提供可靠支持，并推動供應鏈的正常運行。

1 供應鏈績效評價的重要性

供應鏈是以中心節點企業為核心，以物流、信息流和資金流為對象展開的控制作業，從原材料采購開始，經過加工制造可以得到中間產品與最終產品，最后經銷售網絡將產品送到消費者手中。將整個流程中涉及的供應商、制造商、銷售商及業主當作一個整體，可為增值鏈內的所有節點企業帶來經濟效益。對供應鏈進行績效評價可為管理工作的展開提供支持，更能實現多方合作共贏，供應鏈上各節點企業連接成一個不可分割的整體，通過高質量的協調合作來滿足客戶的需求［1］。對核心節點企業來說，供應鏈績效評價的結果可作為其生產運營決策的重要依據，以此來優化整個運營流程，且在多節點的持續合作中，核心企業可對下游節點企業進行優化，并剔除不合格的企業，進一步增強整個鏈條的競爭力。供應鏈績效評價的特點主要體現在3個方面。

1.1 動態性

供應鏈績效評價是以整個運營流程為研究對象，涉及供應商、生產商、銷售商及業主等，且是對所有環節進行評價，包括計劃、采購、生產及銷售。簡單來說，就是通過過程評價及時發現供應鏈中存在的問題，并為決策的制定提供參考，并不是簡單的事后評價，而是通過績效評價來推動整個供應鏈的發展。

1.2 實時性

供應鏈績效評價是從供應鏈的執行現狀出發進行的綜合評價，并給出相應的建議。要想將供應鏈績效評價的優勢完全發揮出來，就要將理論與實踐結合起來，只有這樣才能夠保證信息的實時性，才能及時更改存在的缺陷，為供應鏈的有效運轉提供支持［2］。

1.3 整體性

供應鏈績效評價的對象一直都不是核心企業，只是前期以核心企業為研究對象，然后逐漸輻射到整個供應鏈上的所有節點企業，真正做到合作共贏，而非簡單地面向一個企業。

2 BP神經網絡

2.1 BP神經網絡的原理

BP神經網絡的基本思想是梯度最速下降法，核心條件是通過調整權值來將網絡總誤差降到最小。利用梯度搜索技術以期使網絡的實際輸出值和期望輸出值的誤差最小。BP神經網絡的學習是一種誤差邊向后傳播邊對權系數進行修正的過程，分為正向傳播和反向傳播兩個階段。其中，在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理后，再傳輸給輸出層，且每層神經元狀態只會對下一層神經元狀態產生影響（見圖1）。如果輸出層無法得到期望的輸出，便會進入反向傳輸階段，會沿著原來的連接通道返回，對各層神經元的權值進行修改，將誤差降到最小。

圖1 BP神經網絡結構示意圖

2.2 BP神經網絡的特點

2.2.1 優點。BP神經網絡具有非線性映射的能力。多層感知器可同時做到學習及存儲大量“輸入—輸出”模式的映射關系，且不需要提前對這種映射關系的數學方程進行描述［3］。另外，神經網絡隱含層的節數數量將決定其學習速度及網絡權值；自我學習及自適應性比較強，但對樣本數據有著較強的依賴性，基于訓練樣本數據的特征，來提取數據之間存在的規則，然后對其進行記憶處理，對網絡權值及網絡誤差的處理效果較佳［4］；兼具泛化能力與容錯能力。在設計模式分類器時，泛化能力要求網絡能夠對所分類的對象進行正確分類，并考慮訓練后能否完成對未見過模式及噪聲污染模式的正確分類。容錯能力是指在網絡結構發生錯誤及樣本數據不足時，對網絡訓練結果產生的影響較小。

2.2.2 缺點。在網絡訓練過程中，有可能會出現局部極小的情況，從而無法得到全局最優的結果，可通過改進學習速率及添加附加動量來對BP神經網絡進行優化。在以往的研究中，BP算法是通過試算或試驗來確定學習速率。但因問題復雜度差異明顯，當學習速率太大時，會導致網絡權值產生較大的波動，當學習速率較小時，網絡權值的收斂速度會有所降低，可通過調整學習速率來得到準確的最優解；隱含層選取沒有相關理論指導，要結合目前已有研究中的經驗公式來確定取值范圍，通過試算來確定最佳隱含層數的過程比較煩瑣，要與學習速率聯合，使學習速率的難度提高；訓練過程中對新樣本的學習可能會造成舊樣本被“遺忘”，執行過程中如果訓練樣本出現增減，網絡均會重新訓練，從而導致網絡權值發生改變，直接與前一階段的取值失去關聯。但對數據樣本進行重新訓練、檢驗及預測時，網絡權值依然會被保存。

3 建筑企業供應鏈績效評價

3.1 BP神經網絡的應用

用BP神經網絡對整個供應鏈進行績效評價時，整個過程可看作是通過訓練數據來對布爾相量進行逼近。任意函數均可被一個有三層單元的前饋網絡逼近，這樣就可采用三層BP神經網絡來對供應鏈績效進行評價。BP神經網絡供應鏈績效評價過程如圖2所示。

圖2 BP神經網絡供應鏈績效評價過程

本研究采用帶沖量因子的梯度下降法來訓練BP神經網絡，算法訓練過程如下。

假設訓練樣例為(x,t)序對，其中，x為網絡輸入值相量，t為目標輸出值。

①創建BP網絡，包括有nη個輸入、nhidden個隱藏單元及nout個輸出單元。

②對所有網絡權值進行初始化處理，wi（0）為小的隨機值（如-0.05~0.05）。

③以第m個訓練樣例(x,t)為對象，使輸入沿著網絡前向傳播，對網絡內各單元u的輸出進行計算，以及誤差沿著網絡的反向傳輸。

④計算網絡內的輸出單元k的誤差項δk，計算公式見式（1）。

⑤計算網絡內的隱藏單元h的誤差項δn，計算公式見式（2）。

⑥基于誤差項對各網絡權值wjj（m）進行更新，計算公式見式（3）、式（4）。

⑦重復③到⑥步，直至達到指定的迭代次數或最小允許誤差等滿足條件。

式中：η為學習速率；α為沖量因子；nη為網絡輸入數量，nhidde n為隱藏單元數量；nout為網絡輸出單元數量；x為從單元i到單元j的輸入；wj為單元i到單元j的權值［5］。

3.2 動態供應鏈績效指標體系

結合現有的研究成果，在傳統模式的基礎上，對動態供應鏈績效指標體系的架構進行優化，并調整為多維評價分析模型，包括注冊資本金、證件有效性、納稅人資格、資金技術實力、誠信經營及社會責任履行、質量保障、數量保障、交貨保障、服務保障等9個維度，以此來選取動態供應鏈的績效評價指標。注冊資本金是用來評價企業規模及其盈利能力、資金周轉率、現金周轉時間、盈利能力、資金周轉率、現金周轉時間等，以此來反映供應鏈凈資產流動情況及供應鏈現金流速度；證件有效性用來檢查公司的營業執照、組織機構代碼證、稅務登記證或社會統一信用代碼證等證件是否齊全、合法、真實有效；納稅人資格用來確認其是否具備一般納稅人資格；資金技術實力用來核查企業資金是否雄厚、技術水平在行業內是否領先；誠信經營及社會責任履行主要核查企業是否誠信經營、是否積極履行社會責任；質量保證用來評價企業有無不良行為記錄和產品質量問題；數量保障用來核查每批供應物資或設備數量與實際需求量是否一致等；交貨保障用來確認以往的合作能否保質保量按時供貨以及響應時間、存貨周轉率、次品率與技術先進性等，反映出供應鏈對多方需求變化的柔性響應、庫存資金占用情況、質量以及技術競爭力［6］；服務保障主要核查參與工作的積極性和企業利潤增長率、信息共享水平以及新產品研發周期等，反映出供應鏈各節點企業的發展潛力、節點企業之間信息的無縫對接程度及供應鏈響應速度。

4 基于BP神經網絡的供應鏈績效評價

4.1 BP神經網絡結構

4.1.1 網絡層。該層是由一個隱含層、一個輸入層和一個輸出層組成的三層BP神經網絡。當隱含節點數足夠多時，可利用任意精度逼近任何連續函數，從而直接確定三層BP神經網絡的結構。

4.1.2 輸入節點數i和輸出層節點數k。輸入節點數為確定的評價指標個數，如本研究選取9個評價維度，即輸入節點數為9。輸出節點數是由建筑供應鏈績效評價結果來確定的，由于評價結果分為優、良、中、差四個等級，此時輸出節點數為4，即可通過四維向量來表示［7］。當輸出為（1，0，0，0）時，績效評價結果為優；輸出為（0，1，0，0）時，績效評價結果為良；輸出為（0，0，1，0）時，績效評價結果為中；輸出為（0，0，0，1）時，績效評價結果為差。

4.1.3 隱含層節點數j。目前，在確定BP神經網絡隱藏層節點數時，采用較多的是“試湊法”。本研究在應用過程中，針對單隱含層神經網絡的非線性映射能力不足的特點，為了得到預定的映射關系，就要保證隱含層的節點數量多一些，這樣才能夠更好地提升神經網絡的可調參數，最終確定隱藏層節點數為6［8］。

4.2 算例應用

對供應鏈績效評價指標取值和績效綜合評價結果進行分析，分別取“1-5”“1-10”“1-10”“1-5”“1-10”“1-15”“1-15”“1-15”“1-15”的數值進行評判。基于BP神經網絡對物資供應鏈進行績效評價，其中隱含層為6、輸出層為4、輸入層為15。在［-1，+1］區間內隨機確定一個數值為權值wjj與Vjk的初始值，設定學習速率η為0.1，控制誤差不超過0.01。最終應用神經網絡計算工具箱，將所有訓練樣本輸入進行訓練［9］。對BP網絡的整個學習過程進行總結，訓練結束時一共進行了40次訓練，并對以后的建筑供應鏈績效進行科學預測。然后向訓練好的BP神經網絡內輸入設定的各項指標，最終得到的輸出結果為（0.023 0，0.997 6，-0.001 7，0.007 3）與（-0.008 3，0.002 6，0.988 2，-0.004 6）。對通過BP神經網絡得到的輸出結果進行分析，可知研究對象在2021年建筑供應鏈績效綜合評價中為良和中，與企業績效保持一致［10］。

5 結語

基于BP神經網絡系統對供應鏈進行績效評價，可針對多方影響因素進行綜合分析，將企業經營發展的數據進行統計處理后，將其作為供應鏈的績效指標，能在很大程度上排除主觀因素帶來的影響。為了能夠進一步提高供應料績效評價結果的準確性，還應盡量增大學習樣本量，縮小實際輸出值與預期輸出值之間的誤差。