中国学术杂志网

鉴于机器学习的自适应供应链的配置设计

 论文栏目:工业工程论文     更新时间:2012-7-5 19:31:37   

鉴于机器学习的自适应供应链的配置设计范文

供应链是一个由独立或半独立经济实体所形成的功能性网络体系,当前静态结构供应链规划与运作系统正逐渐被动态结构、柔性、复杂自适应系统替代。动态供应链中具备了主体、模式、混沌边缘、涌现、自组织、自适应和动态等复杂自适应系统(com-plexadaptivesystem,CAS)的典型特征,因此动态供应链可以看成为一个复杂自适应系统[1-2],在文中称为自适应供应链(adaptivesupplychain,ASC)。ASC的自适应能力表现为供应链能够有效识别供应链的目标变化,内外部环境参数的变化,通过自身的经验及学习能力,动态地改变自身的行为(包括供应链组织重构、企业内部流程再造等),以适应这些变化,实现供应链的动态目标[3-4]。动态供应链是典型的自适应复杂系统,自适应供应链运行的核心问题之一就是供应链节点的动态配置[5]。

1问题描述

自适应供应链设计与运行的重要问题之一就是供应链节点的动态配置,如何根据每次订单的差异化需求,动态地配置供应链节点,以形成新的供应链结构。自适应供应链节点配置过程中,核心任务就是根据每一次任务(订单)选择最优的供应商,组成基于订单的动态供应商。在供应商选择标准研究中,大量的调查及企业实践表明供应商供应能力(数量)、供应提前期、产品质量、供应价格等准则是供应商选择中最重视的因素[6-9]。通常情况下,供应价格是其他要素组合的综合结果。一般来说,数量大、提前期短、质量高组合条件下的产品报价就会较高。但是必须注意到,这些准则之间并不是简单的线性关系,而是存在着复杂的非线性关系。在此以简化的二阶供应链为例(如图1所示),研究自适应供应链节点配置系统(ASCConfigura-tion,ASCC)的设计与运行原理。在简化的二阶供应链中,存在3个供应商Sa,Sb,Sc,与一个采购商M(制造商),设置在制造商M处的ASCC系统根据每次订单信息,自动选择最优的供应商,并以此组建供应链。有如下假设。

1)Sa与Sb为常规供应商,在供应链构建时优先考虑。

2)Sb为紧急供应商,只有Sa与Sb因为数量与提前期无法满足采购商的要求时,Sc可以进行紧急供应,相应的,其供应价格要高一些。3)每次订单仅有一种产品P的交易,这个产品可能是采购商根据ERP(enterpriseresourceplan-ning)平台获得零部件或成品需求计划,该采购包含多项基本信息(需求数量、提前期、质量等级等),这些订单指标完全随机,且相互独立。由于认证供应商提供的产品均能符合质量要求,本研究不区分供应商质量等级[10-11]。

4)采购商主要评价供应能力的两个关键指标供应量和供应商提前期,以此确定最终供应商人选,并构建本次订单的供应链基本结构,以双方谈判决定最终协议价格。

5)采购方每一个阶段只发出一个订单,为了降低交易及沟通成本,该订单只给一个供应商,不分拆。

2自适应供应链节点配置系统结构

ASCC框架及流程见图2。在ASCC中,包括样本产生模块(负责从大量历史数据中筛选有价值的字段数据,以形成ASCC所需要的训练样本)、方法模型库(内包含对样本进行处理的各类模型,如神经网络模型,C5.0模型,k-means模型等)。知识库(用于存放决策所需的各类数据以及系统运行的结果,如C5.0模型运行后的决策树规则等)。决策器分配的作用就是把新输入的原始数据与知识库的信息进行交互与匹配,形成相应的决策结果。同时把这批新的数据调入样本数据库,动态刷新样本[10-11]。备选节点的绩效信息不断地输入到知识库中,通讨学习模块根据每个订单的特性(价格、提前期、数量等)来选择最适合的节点,分布在各节点的ASCC能够自动处理下游的订单并挑选适合的上游节点。这种方法能够随着选择节点的运作情况不断调整供应链的构建策略,ASCC强调了供应链资源配置的自动性和动态性。本文采用SPSSClementineC5.0模型进行建模,并生成决策树与决策准则。

国际上最早、最有影响的决策树方法是Quinlan提出的C5.0。C5.0是经典的决策树学习模型的算法之一,该算法是以信息论为基础,以信息熵和信息增益度为衡量标准,从而实现对数据的归纳分类。C5.0可生成多分支的决策树,目标变量为分类变量。C5.0算法选择分支变量的依据是以信息熵的下降速度作为确定最佳分支变量和分割阈值的依据。信息熵的下降意味着信息的不确定性下降。C5.0模型根据能够带来最大信息增益(informationgain)的字段拆分样本。第一次拆分确定的样本子集随后再次拆分,通常是根据另一个字段进行拆分,这一过程重复进行直到样本子集不能再被拆分为止。最后,重新检验最低层次的拆分,那些对模型值没有显著贡献的样本子集被剔除或者修剪[12-13]。使用C5.0算法可以生成决策树(decisiontree)或者规则集(rulesets)。本文所设计的自主学习控制部件主要采用由Quinlan提出的著名的C5.0算法。

3机器学习决策树模型

3.1训练数据准备

根据以往供应链构建过程中的历史信息的有效数据字段(采购数量,采购提前期,供应商,协议价格),使用SPSS进行采集构造ASCC学习的训练样本,选择250个样本,部分数据如表1。

3.2建立Clementine模型及数据流

根据SPSSClementine建模规则,在Clementine工作区建立ASCC决策数据流,包括输入训练数据、数据类型指定、数据分区、指定决策模型、输出结果、决策评价[14]。在输入数据中,将采购数量和采购提前期属性设定为连续变量,并作为输入数据;价格属性设定数据集合,并作为输入/输出双向数据;供应商属性设定为数据集合,并作为输出数据。数据分区使用50%训练,50%测试分区,决策模型使用C5.0模型,该模型决策结果为“最优供应商”($C-供应商),并生成相应的最优供应商选择选择准则决策树。Clementine模型与数据流见图3。

3.3C5.0决策结果

运行SPSSClementine程序,通过C5.0算法,利用训练数据,得到基于采购数量、提前期与价格的最优供应商选择结果,并以此组建基于每次订单的动态供应链。C5.0运算结果见表2。表2中“$C-供应商”表示最优的供应商选择结果,有训练与测试两类分区,“$CC-供应商”表示最优供应商选择的置信度。从当前结果来看,预测的置信度都达到了比较满意的水平(平均90%以上)。C5.0同时也生成了最佳供应商选择决策树与决策规则集,该决策规则集表达了适用于3个供应商的不同条件,具体见图4。

3.4ClementineC5.0决策模型评价

Clementine提供了对模型质量进行评价的多种表格。评估图表显示模型如何执行对特定结果的预测。评估图表的工作原理是:根据预测值及预测的置信度排序记录、将记录分割为大小相等的组(分位数)并按由高到低顺序为每个分位数绘制业务标准值。通过将具体值或值的范围定义为匹配,然后进行处理。通常,匹配表示相关的某类别(如供应商选择)或某事件(如某项医疗诊断)成功执行。

1)收益图(Gains)评估收益的定义是相对于全部匹配,发生于每个分位数中的匹配的百分比。其计算方法为(分位数中的匹配数量/全部匹配数量)×100%。累积收益图的线从左至右的走势通常是从0%到100%。优秀模型的收益图将陡升至100%,然后保持平直[15]。本模型的收益评估如图5,表明模型质量较高。

2)提升(Lift)图评估提升将每个分位数中匹配记录的百分比与在全部训练数据中匹配的百分比进行比较。其计算方式为(在分位数中的匹配/在分位数中的记录)/(全部匹配/全部记录)。累积提升图的线从左至右的走势通常为:起始于大于1.0的值,并渐渐下降,直到接近1.0。图表的右侧边缘表示整个数据集,因此累积分位数的匹配与数据中的匹配的比例为1.0。对于优秀模型的提升图,其线开始于图表左侧大于1.0的值,且在向右移动的过程中,始终保持在较高的水平;然后,在图表右侧,向1.0的方向迅速下降。本模型的提升评估如图6,表明模型质量较高。

3.5模型应用

假设有现有5个订单(见表3),每一次订单包含需求的采购量、提前期两个关键数据,制造商希望ASCC根据订单信息能够自动匹配最佳供应商与协议价格。把这些订单数据作为测试数据输入ASCC决策模型,并执行,得到最佳供应商与协议价格,见表4。ASCC模型运算结果表明,供应商的选择与协议价格的置信度达到了90%以上。

4总结

动态供应链是典型的自适应复杂系统,自适应供应链运行的核心问题之一就是供应链节点的动态配置,如何根据每次订单的差异化需求,动态的配置供应链节点,以形成新的供应链结构,这正是本文研究的重点。本文在简化的二阶供应链模型基础上,使用SPSSClementine构建了自适应供应链节点配置的数据流模型,把大量历史订单数据的有效信息(采购量、提前期、价格等)作为训练数据,使用C5.0算法模型进行学习与训练,得到最佳供应商选择的规则集。并使用收益图和提升图对C5.0决策模型进行评价,结果表明该模型质量较好。论文最后使用模拟订单数据进行验证,并得到了最优的供应商选择结果,且置信度达到了满意水平。自适应供应链节点配置系统可以应用到更为复杂的供应链中,在复杂多阶供应链中,各节点的ASCC之间可以建立起有效的信息沟通,在进行供应商选择决策时,能够基于整体供应链建立最优的动态供应链结构。


学术网收录7500余种,种类遍及
时政、文学、生活、娱乐、教育、学术等
诸多门类等进行了详细的介绍。


工业工程论文
@2008-2012 学术网
主机备案:200812150017
值班电话
0825-6697555
0825-6698000

夜间值班
400-888-7501

投诉中心
13378216660
咨询电话
唐老师:13982502101
涂老师:18782589406
文老师:15882538696
孙老师:15982560046
何老师:15828985996
江老师:15228695391
易老师:15228695316
其它老师...
咨询QQ
89937509
89937310
89903980
89937302
89937305
89937307
89937308
业务
综合介绍
论文投稿
支付方式
常见问题
会员评价
关于我们
网站简介
版权声明
友情链接
人员招聘
联系我们