基于主成分分析的GA—BP模型的供應(yīng)鏈合作伙伴評價

趙志彬 趙蕓瑩

摘 要：針對供應(yīng)鏈合作伙伴評價指標(biāo)多、指標(biāo)之間存在信息重疊問題，以及BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部最優(yōu)等缺點(diǎn)，本文提出一種由主成分分析、遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)而構(gòu)成的評價模型。以企業(yè)E為實(shí)例，設(shè)計以主成分分析挑選評分首要影響指標(biāo)，遺傳算法優(yōu)化BP網(wǎng)絡(luò)連接權(quán)值和閾值的評價模型，評分與BP神經(jīng)網(wǎng)絡(luò)評價模型評分結(jié)果做比較。結(jié)果表明，改進(jìn)模型的評分值與企業(yè)E的實(shí)際專家打分吻合良好且訓(xùn)練速度更快、預(yù)測精度更高，可作為合作伙伴評價的一種有效方法。

關(guān)鍵詞：主成分分析；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；合作伙伴評價

一、基于PCA優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)算法

1.主成分分析

主成分分析是應(yīng)用降維的思維，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個綜合指標(biāo)，這些綜合指標(biāo)彼此互不相關(guān)且能盡量完全地保存原始指標(biāo)的信息。主成分分析計算步驟如下：（1）求解數(shù)據(jù)的相關(guān)矩陣。（2）計算相關(guān)系數(shù)矩陣的特征值 ，按大小順序?qū)ζ渑帕校缓蠓謩e求出對應(yīng)特征值的特征向量 ，p為矩陣階數(shù)。（3）計算主成分貢獻(xiàn)率、累積貢獻(xiàn)率。

貢獻(xiàn)率為：

累計貢獻(xiàn)率為：

選取特征值大于1，累積貢獻(xiàn)率大于60%的因子作為主成分。

2.遺傳算法

遺傳算法模仿生物世界中“自然選擇和適者生存”的演化原理。問題參數(shù)被編碼為染色體，并且諸如選擇，交叉和突變等操作以迭代方式用于在群體中交換染色體上的信息。最后生成符合優(yōu)化目標(biāo)的染色體。

遺傳算法的基本步驟如下：（1）編碼。遺傳算法將求解空間的解數(shù)據(jù)表示為搜索前的遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù)。這些字符串結(jié)構(gòu)數(shù)據(jù)的不同組合構(gòu)成了不同的點(diǎn)；（2）初始群體的生成。N個初始字符串結(jié)構(gòu)數(shù)據(jù)隨機(jī)生成，每個字符串結(jié)構(gòu)數(shù)據(jù)稱為個體，N個個體形成一個組。代碼長度S和輸入層數(shù)R，隱藏層數(shù)S1，輸出層數(shù)S2。S=R*S_1+S_1*S_2+S_1+S_2；（3）適應(yīng)度的評估。適應(yīng)度函數(shù)使用排序適應(yīng)度分配函數(shù)：FitnV=ranking（obj），其中obj為目標(biāo)函數(shù)的輸出；（4）選擇。選擇的是從當(dāng)前組中挑選出優(yōu)秀的個人，以便他們有機(jī)會成為父親；（5）變異。該變異首先隨機(jī)選擇種群中的一個個體并隨機(jī)選擇個體以一定的概率改變串結(jié)構(gòu)數(shù)據(jù)中的串的值；（6）交叉。通過交叉操作，可以獲得新一代的個人。

3.BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。輸入層中的每個神經(jīng)元負(fù)責(zé)接受來自外部環(huán)境的輸入數(shù)據(jù)。如果實(shí)際輸出與預(yù)期輸出不一致，則執(zhí)行反向傳播并且沿原始神經(jīng)元連接路徑返回錯誤信號。在返回過程中，每層神經(jīng)元連接的權(quán)重都被逐一修改。重復(fù)此過程，直到網(wǎng)絡(luò)輸出錯誤降低到可接受的水平。

4.模型實(shí)現(xiàn)步驟

利用PCA方法得到主要指標(biāo)并確定BP神經(jīng)網(wǎng)絡(luò)的輸入層個數(shù)，采用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始值與閾值，使神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測函數(shù)輸出：①進(jìn)行主成分分析，確定神經(jīng)網(wǎng)絡(luò)的輸入變量。②種群初始化。確定種群規(guī)模、迭代次數(shù)、交叉概率、變異概率，編碼長度S及輸入層個數(shù)R、隱含層個數(shù)S1、輸出層個數(shù)S2。③適應(yīng)度函數(shù)確定。目標(biāo)函數(shù)的輸出設(shè)定為樣本的預(yù)測值和期望值的誤差矩陣的norm。④種群迭代，生成新的種群并計算其適應(yīng)度值，直到迭代次數(shù)達(dá)到設(shè)定值結(jié)束。⑤將種群中最優(yōu)個體進(jìn)行解碼，作為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。⑥確定神經(jīng)網(wǎng)絡(luò)參數(shù)，進(jìn)行模型的訓(xùn)練、檢驗(yàn)、分析。

二、GA-BP分析模型的構(gòu)建

1.樣本的選取

企業(yè)E創(chuàng)立了由21個與質(zhì)量、供貨速度等相關(guān)的指標(biāo)構(gòu)成的供應(yīng)鏈合作伙伴評價體系。本文使用該企業(yè)對其有合作關(guān)系的30家供應(yīng)商的評分?jǐn)?shù)據(jù)，進(jìn)行GA-BP模型的仿真。

運(yùn)用SPSS進(jìn)行KMO檢驗(yàn)及Bartlett球形檢驗(yàn)，研究樣本指標(biāo)的相關(guān)性。

KMO值為0.577（>0.5），Bartlett球形檢驗(yàn)的近似卡方值為426.642，自由度為210，顯著性概率為0（<0.001），即各指標(biāo)間的信息冗余程度較高。

2.神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的選取

本文采用三層BP網(wǎng)絡(luò)。隱層中神經(jīng)元的數(shù)量由經(jīng)驗(yàn)公式和試錯法的組合決定。首先使用經(jīng)驗(yàn)公式 （m為輸出神經(jīng)元數(shù)，n為輸入神經(jīng)元數(shù)，a為[1，10]之間的常數(shù)）。經(jīng)過一定次數(shù)的學(xué)習(xí)，如果誤差不符合規(guī)定的要求，隱層中的神經(jīng)元數(shù)量會增加，直到網(wǎng)絡(luò)結(jié)構(gòu)成功訓(xùn)練并且誤差達(dá)到規(guī)定的要求。最后，得到隱藏層中的神經(jīng)元數(shù)為10。

3.GA算法相關(guān)參數(shù)的設(shè)定

種群規(guī)模取40，遺傳迭代次數(shù)取60，交叉概率取0.7，變異概率取0.01，期望均方差取0.001，選取學(xué)習(xí)速率取0.1。

4.神經(jīng)元轉(zhuǎn)換函數(shù)的選取

基于數(shù)據(jù)特點(diǎn)，選取訓(xùn)練函數(shù)為logsig，輸出層激活函數(shù)為logsig，網(wǎng)絡(luò)隱含層激活函數(shù)是S型正切函數(shù)tansig。

三、模型結(jié)果及分析

為了定量研究模型對新鮮樣本的適應(yīng)能力，我們選擇第1-25組合作伙伴的數(shù)據(jù)作為訓(xùn)練樣本，26-30組數(shù)據(jù)作為測試樣本，用于GA-BP模型和BP模型的評價效果檢驗(yàn)。

由圖可見，GA-BP分析模型對樣本的擬合效果及對檢驗(yàn)樣本的預(yù)測性能均優(yōu)于BP預(yù)測模型。可見，GA-BP分析模型具有較高的預(yù)測精度和泛化能力。

四、結(jié)論

供應(yīng)鏈合作伙伴的評價是企業(yè)進(jìn)行戰(zhàn)略規(guī)劃和決策的重要參考指標(biāo)，本文基于GA-BP評價模型與BP神經(jīng)網(wǎng)絡(luò)模型和真實(shí)企業(yè)數(shù)據(jù)對供應(yīng)鏈合作伙伴進(jìn)行了評分，并對評分結(jié)果進(jìn)行了精度檢驗(yàn)。結(jié)果顯示，GA-BP評價模型在擬合效果以及預(yù)測精度上比BP神經(jīng)網(wǎng)絡(luò)模型更優(yōu)，GA-BP模型在供應(yīng)鏈合作伙伴評價中有優(yōu)秀的應(yīng)用前景。

參考文獻(xiàn)：

[1]王海峰.供應(yīng)鏈合作伙伴選擇方法.科技情報開發(fā)與經(jīng)濟(jì)，2005年01月01日：83-84.

[2]李永祥，韓昭敏.商業(yè)智能在供應(yīng)鏈管理中的應(yīng)用[J].商場現(xiàn)代化， 2005年05月01日：142.