基于改进BP算法的安全库存量预测模型的研究

摘要

安全库存是一种额外持有的库存,它作为企业的缓冲器是商务市场供应链上非常重要的一个环节。安全库存量的确定受存货需求量的变化、订货间隔期的变化、交货延误期的长短及存货的短缺成本和储存成本等多种因素影响,具有复杂的非线性特征,使得对其预测异常困难。而近年来发展迅速的人工神经网络,具有良好的非线性、可以模拟人的大脑活动且具有自组织学习、大规模并行处理、容错能力及外部环境的适应能力,所以利用人工神经网络进行预测已经成为许多项目的首选方法。但人工神经网络也存在一些自身的缺陷:如收敛速度慢或不收敛、局部极小值问题、网络结构选择具有随机性等。
　　 针对以上问题,本文在前人研究的基础上,在安全库存量的预测中使用变步长思想和隐含层节点自我调整的BP神经网络算法(Variable-step& Self-adjustment Hidden NodesBack-Propagation Neural Network,VSBPNN),与标准BP算法及传统经济学预测方法相比较,取得了较好的效果。论文主要包括以下四个方面的工作:
　　 (1)通过对浙江省某集团下属子公司染料仓库的调研分析,总结该仓库中某产品及其原材料需求量的影响因素,取得该产品及其原材料2008和2009两年的入库和出库数据,并对原始数据进行预处理,主要包括剔除无效数据,补充空白数据点、根据预测需求分配训练集和预测集,数据集成和归一化训练集等。
　　 (2)针对标准BP算法存在的缺陷和不足,提出变步长思想和隐含层节点自我调整的BP算法(VSBPNN),并给出改进算法的思路和公式的推导过程。首先根据目标函数和约束函数计算迭代过程中的加权矩阵和步长,然后分析相邻隐含层节点的输出相关性,去除或合并关联较大的隐含层节点,使之能够较好的适应网络的需要,提高网络节点学习的有效性,从而提高预测精度。
　　 (3)根据改进算法的思路确定原材料和其成品安全库存预测模型的初始网路结构,结合文献理论和反复训练法确定隐含层神经元数目和学习率大小,对网络结构进行优化,多次实验后最终确定预测模型的权值和参数。运用入库及出库数据对模型进行反复训练,降低由于外界干扰、模型失配、参数变化等引起的不确定性,及时对网络进行调整,使预测模型建立在适合实际数据的基础上。最后基于样本聚类和主成分分析,分类进行仿真实验。
　　 (4)将仿真结果进行比较得出最优解,并将其性能指标与标准BP算法及其改进算法、传统经济学预测方法进行比较分析,对基于改进BP算法的安全库存预测模型做出评价。最后总结全文的优点和不足,指出下一步的工作计划,预测结果可作为企业决策的依据。