劉昌法

（西北工業(yè)大學 機電學院，西安 710072）

基于模糊神經(jīng)網(wǎng)絡的供應商選擇建模

劉昌法

（西北工業(yè)大學 機電學院，西安 710072）

供應商選擇的直接影響著供應鏈競爭力。在科學合理構(gòu)建供應商評價指標體系的基礎上，建立基于模糊神經(jīng)網(wǎng)絡的供應商評價模型，可以較好地克服評價指標不全面和主觀性強的不足，提供了一種新的評價和選擇方法。

供應商選擇；供應鏈管理；模糊神經(jīng)網(wǎng)絡

0 引言

供應商作為供應鏈的重要組成部分, 它的選擇直接影響著整條供應鏈的競爭力。因此，如何評價選擇供應商成為供應鏈管理的核心環(huán)節(jié)，而由傳統(tǒng)的選擇供應商方式向以定性分析和定量研究為主的選擇供應商方式轉(zhuǎn)變成為了供應鏈管理理論研究的重要課題。從對數(shù)據(jù)的研究和對企業(yè)管理人員的調(diào)查發(fā)現(xiàn)，我國企業(yè)評價選擇供應商時尚存在較多問題，主要表現(xiàn)在：考查指標不全面，難以對供應商做出全面、客觀的評價；企業(yè)評價選擇供應商時主觀性較強，缺乏切實可行的選擇方法等[1]。

針對以上問題，本文在對制造企業(yè)的供應商選擇問題進行深入研究的基礎上，提出了供應商選擇的評價指標體系，并將模糊神經(jīng)網(wǎng)絡引入了供應商評估之中，構(gòu)建了供應商評價的模糊神經(jīng)網(wǎng)絡模型，然后結(jié)合實際情況對模型進行了驗證，從而為供應商的選擇評價提供了一個新方法。

1 供應商評價指標體系的建立

1.1 供應商評價指標體系建立的原則

指標體系是指由單項評價指標組成的有機整體，用以反映評價對象的整體狀況。因為指標體系運作簡單，可操作性強，各個指標有明確的衡量和計算方法，避免了只憑主觀因素造成的偏差，故指標體系在供應商的評估中得到了廣泛應用。

在供應鏈管理環(huán)境下的供應商評價體系的設計應當可以為決策者提供準確的決策依據(jù)。在本套指標體系的構(gòu)建過程中，遵循了以下原則[2]：

1）全面性原則，即必須把影響供應商真實的經(jīng)營效益和經(jīng)營業(yè)績的各種因素都納入評價范圍，同時還應充分考慮那些能夠影響供應鏈中企業(yè)合作的因素（如企業(yè)文化），結(jié)合實際情況設計出合理的供應商評價指標體系和指標內(nèi)容；2）科學性原則，即供應商評價體系要具有科學性和實用性。評價指標、評價內(nèi)容需與評價方法相適應，從而能夠獲得客觀、真實的評價結(jié)果來指導企業(yè)對供應商的選擇；3）系統(tǒng)性原則，即指標體系內(nèi)的各個指標能比較全面的反映供應商的整體指標，既不重復，也不缺失，全面完整的反映供應商企業(yè)目前的綜合水平，并包含企業(yè)發(fā)展前景的各方面指標；4）可操作性原則，即應該確保評價的指標簡化，方法簡便，易于定性指標定量計算，以提高工作效率，使決策者更加方便和容易的做出決策。評價指標和方法應體現(xiàn)宏觀上清晰、明確、有引導作用，微觀上操作方便的效果，評價指標所需的數(shù)據(jù)應易于采集，其信息來源渠道必須可靠，并且容易取得，評價指標體系應具有足夠的靈活性，以使企業(yè)能夠根據(jù)自身的特點以及實際情況，對指標靈活運用；5）客觀公正的原則，即供應商評價體系指標的選用必須客觀公正，使人信服，從而不會導致決策者做出錯誤判斷，進而得出錯誤的決策。

1.2 供應商評價指標值的確定

要對供應鏈管理環(huán)境下的供應商做出全面系統(tǒng)的評價，就必須有一套完整、科學、全面的綜合評價指 標體系。為了有效的評價選擇供應商，在以上原則的指導下，綜合考慮供應商的業(yè)績、設備管理、人力資源開發(fā)、質(zhì)量控制、成本控制、技術開發(fā)、用戶滿意度、交貨協(xié)議等方面的因素后，本文選擇了技術參數(shù)、產(chǎn)品質(zhì)量、產(chǎn)品可靠性、協(xié)作能力、發(fā)展能力、經(jīng)營環(huán)境、價格、提前期、售后服務等九項指標構(gòu)建考察供應商的指標體系。

1.3 供應商評價指標值的量化

由于指標體系中各指標之間存在數(shù)量綱、數(shù)量級的不同等問題，并且既有定性指標又有定量指標。為使各指標在整個系統(tǒng)中具有可比性，必須將指標進行量化處理。供應商評價指標一般歸為兩種：正向指標( 越大越好)、反向指標( 越小越好)，兩種指標的計算公式如下 ：

正向指標的無量綱處理：

反向指標的無量綱處理：

式中Xi表示二級指標值，Xmax表示二級指標值的最大值，Xmin表示二級指標值的最小值。這樣，變化的指標值Yi都處在[0,1]區(qū)間。

2 模糊神經(jīng)網(wǎng)絡的供應商評價指標模型的構(gòu)建

2.1 模糊神經(jīng)網(wǎng)絡

模糊神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡的最新成果之一。它將模糊理論和神經(jīng)網(wǎng)絡有機結(jié)合起來，從而有效的發(fā)揮了這二者各自的優(yōu)勢，并彌補了他們的不足。模糊技術的優(yōu)點在于邏輯推理能力，在高階信息處理上具有優(yōu)勢，將模糊技術引入神經(jīng)網(wǎng)絡，大大拓寬了神經(jīng)網(wǎng)絡的范圍和能力，使其不僅能處理精確信息，也能處理模糊信息和其他不確定信息。神經(jīng)網(wǎng)絡在學習和自動模式識別方面有極強優(yōu)勢，采用神經(jīng)網(wǎng)絡進行模糊信息處理，則使得模糊規(guī)則的自動提取和隸屬度函數(shù)的自動生成有可能得以解決，使模糊系統(tǒng)成為一種自適應模糊系統(tǒng)。由于模糊神經(jīng)網(wǎng)絡匯集了神經(jīng)網(wǎng)絡與模糊理論的優(yōu)點，集學習、聯(lián)想、識別、自適應及模糊信息處理于一體，從而提高了整個系統(tǒng)的學習能力和表達能力[3,4]。

2.2 供應商評價指標模型的建立

通過對供應商的研究，本文根據(jù)供應商的水平，把供應商分為“優(yōu)秀”、“良好”、“一般”、“不好”、“惡劣”五個等級，并以之為依據(jù)建立5條模糊規(guī)則，這是本文構(gòu)建模糊神經(jīng)網(wǎng)絡的基礎。

本文設計的模糊神經(jīng)網(wǎng)絡由五層組成，分別為輸入層、模糊化層、模糊推理層、去模糊化層和輸出層。其中輸入層接收外部輸入信號，并將輸入值傳送給模糊化層的模糊單元；模糊化層按照模糊規(guī)則將輸入值轉(zhuǎn)換為一定的模糊度，對模糊信息進行預處理，主要是由模糊化神經(jīng)元組成；模糊推理層是前向型模糊神經(jīng)網(wǎng)絡的核心，聯(lián)系著模糊推理的前提和結(jié)論，其網(wǎng)絡參數(shù)即為模糊推理過程中前提變量的基本模糊狀態(tài)和結(jié)論變量的基本模糊狀態(tài)之間的模糊關系，他們是由具體的問題確定的；去模糊化層接受經(jīng)中間層處理的數(shù)據(jù)，并按照模糊度函數(shù)將這些數(shù)據(jù)進行非模糊化處理；輸出層最終給出問題的確定性求解結(jié)果[5,6]。

該模糊神經(jīng)網(wǎng)絡系統(tǒng)是由6個神經(jīng)網(wǎng)絡組成的，如圖1所示。每個神經(jīng)網(wǎng)絡均采用誤差回傳BP網(wǎng)絡，每個網(wǎng)絡的輸入層都具有相同的輸入神經(jīng)元。其中NN1、NN2、NN3、NN4、NN5這五個BP網(wǎng)絡分別表示“優(yōu)秀”、“良好”、“一般”、“不好”、“惡劣”5條模糊規(guī)則的結(jié)論部分中的函數(shù) fi(X)，另一個BP網(wǎng)絡NNmf用于計算出每一個輸入相對于5條模糊規(guī)則的隸屬度，所以有5個輸出。神經(jīng)網(wǎng)絡的輸出為：

式中：gj對應5個BP網(wǎng)絡NNj的輸出，mj對應5條模糊規(guī)則的隸屬度。

圖1 模糊神經(jīng)網(wǎng)絡模型

在本模型中，共存在6個BP神經(jīng)網(wǎng)絡，其中NN1、NN2、NN3、NN4、NN5這五個前向型BP網(wǎng)絡的結(jié)構(gòu)相同，均是由輸入層、1個含5個神經(jīng)元的隱層和帶有一個輸出神經(jīng)元的輸出層組成，而NNmf的結(jié)構(gòu)設計成由輸入層、1個含6個神經(jīng)元的隱層和帶5個輸出神經(jīng)元的輸出層組成。

本模型采用BP算法進行訓練，具體步驟為：

1）置各權值或閾值的初始化：wji(0)，qj(0) 為小的隨機數(shù)值。

2）提供訓練樣本：輸入矢量Xk，k＝1，2，…，9；期望輸出dk，k＝1，2，…，9，對每個輸入樣本進行下面（3）到（5）的迭代。

3）計算網(wǎng)絡的實際輸出及隱層單元的狀態(tài)：

4）計算訓練誤差：

5）修正權值和閾值：

上式中：η ∈（0，1）為學習速率，a為1～10之間的常數(shù)。

6）當k每經(jīng)歷1到9后，判斷指標是否滿足精度要求：E≤ε，ε為精度。

7）結(jié)束。

本文所構(gòu)建的模型中的輸出值與供應商的水平的對應關系如表1所示。

表1 供應商水平與網(wǎng)絡輸出值對照表

2.3 模糊神經(jīng)網(wǎng)絡識別供應商的步驟

2.3.1 收集訓練樣本和測試樣本

收集物料供應商的相關指標值，并將其進行量化，這就形成了神經(jīng)網(wǎng)絡的原始樣本數(shù)據(jù)集，將此數(shù)據(jù)樣本分為兩部分，一部分作為訓練樣本，另一部分作為測試樣本，用來評價模糊神經(jīng)網(wǎng)絡模型的性能。

2.3.2 將所有樣本進行歸類

根據(jù)供應商的水平，將樣本歸類為5組，即“優(yōu)秀”組、“良好”組、“一般”組、“不好”組和“惡劣”組，這五組各對應一條模糊規(guī)則。利用得到的訓練樣本對模糊神經(jīng)網(wǎng)絡進行訓練，訓練的學習過程采用多樣本循環(huán)誤差修正方法，即從樣本集中抽取第一個樣本進行網(wǎng)絡學習，根據(jù)該樣本的期望輸出與實際輸出的差別來修正網(wǎng)絡權值，然后抽取第二個樣本利用修正后的權值進行網(wǎng)絡學習，當全部樣本都參加過一次學習后，便完成一次迭代。

2.3.3 利用訓練完成的模糊神經(jīng)網(wǎng)絡模型進行供應商的評估

當訓練完成后，把需要評估的供應商的相關參數(shù)輸入模糊神經(jīng)網(wǎng)絡模型中，即可得到供應商的評估結(jié)果。依據(jù)此評估結(jié)果即可進行供應商的選擇。

3 實例分析

本文用模糊神經(jīng)網(wǎng)絡評價供應商的計算機程序是由MATLAB編寫的。MATLAB語言是一種非常強大的工程語言，它最大的特點就是簡單和直接，而且具有很強的移植性。它包括了很多的神經(jīng)網(wǎng)絡模型和訓練函數(shù)，可以很方便的進行神經(jīng)網(wǎng)絡程序的編寫。本文利用MATLAB工具箱提供的NEWFF函數(shù)構(gòu)造模糊神經(jīng)網(wǎng)絡模型。

為了檢驗這一模型的準確性，我們以實例進行仿真計算。在本例中，相關參數(shù)選取如下：學習速率0.7，精度0.01，各權值初始值置1。

根據(jù)對某企業(yè)歷年的供應商選取情況的研究，我們得到200組供應商的詳細情況。根據(jù)構(gòu)建的指標體系對各供應商的指標進行逐項打分并進行量化后，我們利用其中的190組數(shù)據(jù)對模型進行訓練，并利用剩余的10組數(shù)據(jù)對訓練完成的模型進行測試。相關測試結(jié)果如表2所示。

表2 模糊神經(jīng)網(wǎng)絡模型測試結(jié)果

由上述兩個樣本的預測結(jié)果來看，它們的絕對誤差均在0.01內(nèi)，這已經(jīng)基本符合實際中供應商選擇的需要。該仿真實例也表明了本文提出的模型在實際中是可行的，具有一定的實際價值。

4 結(jié)論

利用模糊神經(jīng)網(wǎng)絡的方法進行供應商的選擇決策具有不少優(yōu)點。首先，模糊神經(jīng)網(wǎng)絡是根據(jù)所提供的數(shù)據(jù)，通過學習和訓練，找出輸入與輸出的內(nèi)在聯(lián)系，從而求取問題的解，而不是根據(jù)經(jīng)驗知識，因而具有自適應功能，能基本消除指標權重確定中人為因素的影響。其次，模糊神經(jīng)網(wǎng)絡還具有很強的學習、聯(lián)想和容錯功能，其分析結(jié)果及過程接近于人腦的思維過程和分析方法。

與傳統(tǒng)的帶有人為因素的評價方法，如層次分析法、模糊綜合評價法等相比，本文提出的模糊神經(jīng)網(wǎng)絡評價方法無需建立數(shù)學模型，只需將處理過的數(shù)據(jù)輸入訓練好的網(wǎng)絡中，通過相應的數(shù)學工具即可得出結(jié)果，評價過程更為方便、準確，具有較高的實用性。

[1] 沈厚才, 陶青, 陳煌波. 供應鏈管理理論與方法[J]. 中國管理科學, 2000(8).

[2] Dickson GW. An analysis of vendor selection systems and decisions [J]. Journal of Purchasing, 1996, (2)： 5-17.

[3] 趙小惠, 孫林巖. 供應商選擇模糊決策方法[J]. 工業(yè)工程, 2002, 5 (5)： 12-15.

[4] 胡越黎, 計慧杰. 短期電力負荷預測的模糊神經(jīng)網(wǎng)絡方法[J]. 應用科學學報, 2009(1).

[5] Morlacchi P. Vender evalution and selection： the design prodess and a fuzzy-hierarchical model [C], Proceedings of 8th IPSERA Conference, Dublin, 1999.

[6] 田景文, 高美娟. 人工神經(jīng)網(wǎng)絡算法研究及其應用[M].北京： 北京理工大學出版社, 2006.

Research on supplier selection based on fuzzy neural network

LIU Chang-fa

TP399

B

1009-0134(2011)5(下)-0075-03

10.3969/j.issn.1009-0134.2011.5(下).22

2010-12-05

劉昌法（1975－），男，江蘇徐州人，博士研究生，研究方向為供應鏈管理及國防動員。