供應(yīng)鏈協(xié)同預(yù)測(cè)模型及實(shí)證研究

沈陽(yáng)工學(xué)院 姚海波

1 引言

供應(yīng)鏈上的需求是供應(yīng)鏈管理中的關(guān)鍵問(wèn)題，尤其是在由需求拉動(dòng)的鏈條上，進(jìn)行需求預(yù)測(cè)可以有效地減少不確定性因素對(duì)供應(yīng)鏈績(jī)效的負(fù)面影響。當(dāng)前，供應(yīng)商、制造商、分銷商、零售商以至最終用戶之間不再是獨(dú)立的個(gè)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(guān)系，尋求的是整體的最優(yōu)。

協(xié)同計(jì)劃、預(yù)測(cè)與補(bǔ)給(Collaborative Planning，F(xiàn)orecast and Replenishment, CPFR)，可以實(shí)現(xiàn)供應(yīng)鏈上合作伙伴間協(xié)同計(jì)劃、預(yù)測(cè)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(yù)測(cè)模型的構(gòu)建和選擇直接關(guān)系到最終預(yù)測(cè)結(jié)果的精度，因此，有必要研究基于信息共享機(jī)制的協(xié)同需求量預(yù)測(cè)模型。

2 遺傳算法(GA)與BP神經(jīng)網(wǎng)絡(luò)

2.1 GA簡(jiǎn)介

遺傳算法由美國(guó)Michigan大學(xué)的Holland教授首先提出，是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過(guò)程的計(jì)算模型，是一種通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)解的方法。遺傳算法是從代表問(wèn)題可能潛在的解集的一個(gè)種群(population)開始的，而一個(gè)種群則由經(jīng)過(guò)基因(gene)編碼的一定數(shù)目的個(gè)體(individual)組成。每個(gè)個(gè)體實(shí)際上是染色體(chromosome)帶有特征的實(shí)體。染色體作為遺傳物質(zhì)的主要載體，即多個(gè)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(gè)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(shí)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(fù)雜，我們往往進(jìn)行簡(jiǎn)化，如二進(jìn)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(lái)越好的近似解，在每一代，根據(jù)問(wèn)題域中個(gè)體的適應(yīng)度(fitness)大小選擇(selection)個(gè)體，并借助于自然遺傳學(xué)的遺傳算子(genetic operators)進(jìn)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(gè)過(guò)程將導(dǎo)致種群像自然進(jìn)化一樣的后生代種群比前代更加適應(yīng)于環(huán)境，末代種群中的最優(yōu)個(gè)體經(jīng)過(guò)解碼(decoding)，可以作為問(wèn)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(fù)雜和非線性問(wèn)題。

遺傳算法是解決搜索問(wèn)題的一種通用算法，對(duì)于各種通用問(wèn)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(yīng)性條件測(cè)算這些候選解的適應(yīng)度；三是根據(jù)適應(yīng)度保留某些候選解，放棄其他候選解；四是對(duì)保留的候選解進(jìn)行某些操作，生成新的候選解。在遺傳算法中，上述幾個(gè)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(cè)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(luò)

反向傳播網(wǎng)絡(luò)(Back-Propagation Network，簡(jiǎn)稱BP網(wǎng)絡(luò))是將W-H學(xué)習(xí)規(guī)則一般化，對(duì)非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)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(guò)程中，輸入信息從輸入經(jīng)隱含層逐層計(jì)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(jì)算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播，通過(guò)網(wǎng)絡(luò)將誤差信號(hào)沿著原來(lái)的連線線路反向傳遞回來(lái)修改各層神經(jīng)元的權(quán)值，直到達(dá)到網(wǎng)絡(luò)期望的目標(biāo)值。

為了訓(xùn)練一個(gè)BP網(wǎng)絡(luò)，需要計(jì)算網(wǎng)絡(luò)加權(quán)輸入矢量、網(wǎng)絡(luò)輸出和誤差矢量，然后計(jì)算誤差平方和。當(dāng)所訓(xùn)練矢量的誤差平方和小于目標(biāo)誤差，訓(xùn)練停止，否則在輸出層計(jì)算誤差變化，而且采用反向傳播學(xué)習(xí)規(guī)則來(lái)調(diào)整權(quán)值，并重復(fù)這個(gè)過(guò)程。當(dāng)網(wǎng)絡(luò)懸鏈完成后，對(duì)網(wǎng)絡(luò)輸入一個(gè)不是訓(xùn)練集合中的矢量時(shí)，網(wǎng)絡(luò)可以以泛化方式輸出結(jié)果。

神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)整是在誤差反向傳播過(guò)程中逐層進(jìn)行的，當(dāng)網(wǎng)絡(luò)的所有權(quán)值都被更新一次之后，網(wǎng)絡(luò)就經(jīng)過(guò)了一個(gè)學(xué)習(xí)周期。網(wǎng)絡(luò)經(jīng)過(guò)若干個(gè)學(xué)習(xí)周期后，便得到了網(wǎng)絡(luò)的最優(yōu)權(quán)值。在此基礎(chǔ)上就可以利用所建立的BP網(wǎng)絡(luò)對(duì)需求進(jìn)行相對(duì)準(zhǔn)確的預(yù)測(cè)。

3 GA-BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)使用廣泛，但其對(duì)隱含層神經(jīng)元的個(gè)數(shù)沒有確定的最佳數(shù)目，初始權(quán)值和閾值是隨機(jī)產(chǎn)生，以及網(wǎng)絡(luò)訓(xùn)練最終的結(jié)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(jìn)化好的個(gè)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(guò)優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，恰能很好地克服BP神經(jīng)網(wǎng)絡(luò)的缺陷，提高神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性，進(jìn)而獲得全局最優(yōu)解。

GA-BP神經(jīng)網(wǎng)絡(luò)具體操作步驟如下：

(1)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，本文采取三層網(wǎng)絡(luò)，即輸入層—隱含層—輸出層，輸入層節(jié)點(diǎn)數(shù)由供應(yīng)鏈協(xié)同預(yù)測(cè)的影響因素個(gè)數(shù)確定，隱含層的節(jié)點(diǎn)數(shù)由誤差值和樣本的個(gè)數(shù)共同確定，輸出層節(jié)點(diǎn)數(shù)由需求預(yù)測(cè)的時(shí)間段來(lái)確定；

(2)初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，用遺傳算法對(duì)其進(jìn)行優(yōu)化編碼，本文采用實(shí)數(shù)編碼，隨機(jī)生成初始種群；

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

(4)遺傳操作：選擇、交叉和變異，進(jìn)化種群；

(5)判斷：計(jì)算適應(yīng)值，如果不滿足條件，返回上一步操作，如果滿足，則結(jié)束，得到最優(yōu)的權(quán)值和閾值；

(6)計(jì)算神經(jīng)網(wǎng)絡(luò)誤差值，在允許范圍內(nèi)，則可利用該模型進(jìn)行需求預(yù)測(cè)，如果不滿足，則回到上一步，直至滿足條件。

4 實(shí)證研究

預(yù)測(cè)一般可以分為短期預(yù)測(cè)、中期預(yù)測(cè)和長(zhǎng)期預(yù)測(cè)，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(diǎn)，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(yīng)商與零售商，建立了基于信息和資源共享的協(xié)同機(jī)制，零售商實(shí)時(shí)向供應(yīng)商共享其過(guò)往一周的實(shí)際銷量，供應(yīng)商采用GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，以應(yīng)對(duì)下一期的需求，保證足夠的銷量，提高該供應(yīng)鏈條的有效供給量?，F(xiàn)以某品牌日用品的供應(yīng)商得到有關(guān)數(shù)據(jù)，這個(gè)數(shù)據(jù)是從多個(gè)大型超市獲得本周總需求量，如表1所示。

表1 日用品供應(yīng)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(luò)的輸入層，對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。模型中網(wǎng)絡(luò)結(jié)構(gòu)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(shè)為60，交叉概率0.9，變異概率0.01，初始權(quán)值的取值范圍是-1～1；網(wǎng)絡(luò)學(xué)習(xí)速率為0.02，最大迭代次數(shù)是2000次，誤差目標(biāo)值定為0.005。模型運(yùn)用MATLAB工具求解，預(yù)測(cè)結(jié)果如圖1所示。

圖1 某日用品GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

圖1中的星號(hào)代表各期的預(yù)測(cè)值，實(shí)線代表實(shí)際的銷售量構(gòu)成的曲線，很明顯，預(yù)測(cè)值相對(duì)實(shí)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(duì)偏差MAD兩個(gè)指標(biāo)來(lái)衡量GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果，如表2所示。

表2 GA-BP預(yù)測(cè)結(jié)果比較

5 結(jié)語(yǔ)

供應(yīng)鏈協(xié)同是當(dāng)前供應(yīng)鏈管理的主流形式，供應(yīng)商、制造商、分銷商和零售商以及最終用戶都已經(jīng)意識(shí)到只有共享的合作機(jī)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(duì)于需求拉動(dòng)的供應(yīng)鏈，能利用有效的預(yù)測(cè)模型近乎準(zhǔn)確地得到未來(lái)需求數(shù)據(jù)是供應(yīng)鏈上合作企業(yè)的共同目標(biāo)。本文提出將GA-BP神經(jīng)網(wǎng)絡(luò)模型用于供應(yīng)鏈上的協(xié)同預(yù)測(cè)，并用實(shí)例證明了該模型的有效性，未來(lái)研究可以考慮如何更好地加快神經(jīng)網(wǎng)絡(luò)的收斂速度，以獲得更高的預(yù)測(cè)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(luò)的區(qū)域物流需求預(yù)測(cè)方法及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐,2005(12).

[3] 董紹輝,張志清,西寶.供應(yīng)鏈協(xié)同需求預(yù)測(cè)機(jī)制研究[J].運(yùn)籌與管理,2010(10).

[4] 胡萬(wàn)達(dá).基于遺傳BP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)[J].重慶三峽學(xué)院學(xué)報(bào),2014(5).

[5] 叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用(第二版)[M].中國(guó)科學(xué)技術(shù)大學(xué)出版社,2003.