王玖河，劉 歡，高 輝

(燕山大學(xué) 1.經(jīng)濟(jì)管理學(xué)院；2.京津冀協(xié)同發(fā)展管理創(chuàng)新研究中心，河北 秦皇島 066004)

消費(fèi)者對(duì)食品質(zhì)量和需求的上升，給生鮮農(nóng)產(chǎn)品冷鏈物流的發(fā)展帶來(lái)了機(jī)遇和挑戰(zhàn)，但是對(duì)生鮮農(nóng)產(chǎn)品需求上升的同時(shí)也造成了浪費(fèi)的加劇。據(jù)中國(guó)食品工業(yè)協(xié)會(huì)報(bào)道，每年約有100億美元的食品由于運(yùn)輸過(guò)程冷鏈不過(guò)關(guān)而被浪費(fèi)。所以對(duì)于冷鏈?zhǔn)称飞a(chǎn)企業(yè)來(lái)說(shuō)，選擇可靠的冷鏈物流服務(wù)商是減少浪費(fèi)，保持企業(yè)可持續(xù)發(fā)展所必須面對(duì)的問(wèn)題。由于冷鏈物流的特殊性，企業(yè)在選擇冷鏈物流服務(wù)商時(shí)除了對(duì)質(zhì)量、客戶滿意度、交貨可靠性等傳統(tǒng)因素進(jìn)行考慮，還要考慮運(yùn)輸保鮮率、冷鏈覆蓋率等冷鏈物流特有的因素。為全面衡量冷鏈物流服務(wù)商質(zhì)量，需要構(gòu)建一個(gè)完備的選擇評(píng)價(jià)指標(biāo)體系和科學(xué)的評(píng)價(jià)方法。由于一個(gè)可靠的服務(wù)商對(duì)企業(yè)來(lái)說(shuō)至關(guān)重要，所以國(guó)內(nèi)外學(xué)者在服務(wù)商選擇方面進(jìn)行了卓有成效的研究。在評(píng)價(jià)指標(biāo)體系的構(gòu)建方面，Dickson[1]和Weber等[2]在供應(yīng)商評(píng)價(jià)指標(biāo)方面作了重要鋪墊，其中Dickson[1]整理了23項(xiàng)評(píng)價(jià)供應(yīng)商的準(zhǔn)則，Weber等[2]對(duì)準(zhǔn)則的重要性進(jìn)行了排序。李東等[3]從冷鏈業(yè)務(wù)水平、服務(wù)質(zhì)量、設(shè)施設(shè)備等5個(gè)一級(jí)指標(biāo)和冷鏈物流溫度達(dá)標(biāo)率、產(chǎn)品損耗率等20個(gè)二級(jí)指標(biāo)構(gòu)建農(nóng)產(chǎn)品冷鏈物流服務(wù)商選擇評(píng)價(jià)指標(biāo)，但是評(píng)價(jià)指標(biāo)體系構(gòu)建完成后并沒(méi)有結(jié)合科學(xué)的評(píng)價(jià)方法來(lái)驗(yàn)證評(píng)價(jià)指標(biāo)的合理性。

在評(píng)價(jià)方法方面，鄧余玲[4]采用AHP法，建立冷鏈物流供應(yīng)商綜合評(píng)價(jià)模型，但是專(zhuān)家打分來(lái)構(gòu)造判斷矩陣的方法比較主觀，且成立的前提是各層次因素間不存在相互依存關(guān)系，模型過(guò)于理想化?？紤]到評(píng)價(jià)指標(biāo)之間往往相互依賴、復(fù)雜交錯(cuò)的情況，汪傳旭[5]采用ANP法構(gòu)建物流服務(wù)商選擇模型，但是該模型的求解過(guò)程計(jì)算量大，且比較矩陣的確定也需要作者有準(zhǔn)確的判斷和豐富的經(jīng)驗(yàn)。為了避免單一評(píng)價(jià)模型的缺點(diǎn)，越來(lái)越多的學(xué)者傾向于將幾種模型結(jié)合使用，來(lái)發(fā)揮各自的優(yōu)點(diǎn)，如Singh等[6]采用模糊AHP和TOPSIS混合模型對(duì)冷鏈物流服務(wù)商進(jìn)行排序和選擇，TOPSIS方法的加入，避免了AHP法對(duì)評(píng)價(jià)指標(biāo)排序過(guò)于簡(jiǎn)單的問(wèn)題。Asadabadi[7]采用ANP和馬爾可夫鏈相結(jié)合的方法，介紹一種面向客戶需求的供應(yīng)商選擇方法，為供應(yīng)商選擇提供一種新思路。除此之外，還有非徑向DEA[8]、AHP+因子分析+模糊綜合評(píng)價(jià)[9]等等。

隨著研究日益深入以及計(jì)算機(jī)技術(shù)的普及，越來(lái)越多的學(xué)者開(kāi)始采用智能算法來(lái)評(píng)價(jià)和選擇供應(yīng)商。其中人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的非線性適應(yīng)性信息處理能力，對(duì)于處理供應(yīng)商評(píng)價(jià)指標(biāo)間呈現(xiàn)出的復(fù)雜關(guān)系具有獨(dú)特的優(yōu)勢(shì)。錢(qián)芝網(wǎng)[10]介紹了BP神經(jīng)網(wǎng)絡(luò)在供應(yīng)商選擇中的應(yīng)用，較好地避免評(píng)價(jià)的主觀影響和不確定性。但是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法存在著對(duì)訓(xùn)練之外的數(shù)據(jù)適應(yīng)能力差、輸出結(jié)果為局部極小值等問(wèn)題，因此很多學(xué)者對(duì)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)。如馮紅剛等[11]用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)來(lái)選擇船舶供應(yīng)商；梁智昊等[12]用PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，并用主成分分析法對(duì)神經(jīng)網(wǎng)絡(luò)的輸入指標(biāo)進(jìn)行簡(jiǎn)化；宋李俊等[13]用小波神經(jīng)網(wǎng)絡(luò)來(lái)選擇供應(yīng)商，并用粗糙集理論對(duì)輸入指標(biāo)進(jìn)行簡(jiǎn)化；楊傳明[14]把神經(jīng)網(wǎng)絡(luò)與扎根理論相結(jié)合；史成東等[15]把BP神經(jīng)網(wǎng)絡(luò)與DEA交叉評(píng)價(jià)模型相結(jié)合等，都在一定程度上提高了神經(jīng)網(wǎng)絡(luò)的性能。

在對(duì)前人的研究成果進(jìn)行梳理之后，本文采用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來(lái)選擇冷鏈物流服務(wù)商，既彌補(bǔ)了單純使用BP神經(jīng)網(wǎng)絡(luò)算法容易陷入局部極小值的缺點(diǎn)，又避免了主觀因素的影響，使評(píng)價(jià)選擇的結(jié)果更加客觀公正；為解決輸入指標(biāo)冗余而導(dǎo)致的網(wǎng)絡(luò)泛化能力差問(wèn)題，采用操作簡(jiǎn)單且不影響數(shù)據(jù)表達(dá)信息的粗糙集理論對(duì)輸入數(shù)指標(biāo)進(jìn)行約簡(jiǎn)；最后通過(guò)算例來(lái)驗(yàn)證該算法的可行性。

1 冷鏈物流服務(wù)商選擇指標(biāo)體系設(shè)計(jì)

評(píng)價(jià)指標(biāo)體系是否科學(xué)、全面、有效，決定了冷鏈?zhǔn)称飞a(chǎn)企業(yè)能否正確選擇和評(píng)價(jià)冷鏈物流服務(wù)商。由于不同的企業(yè)對(duì)物流服務(wù)商的需求不同，選擇的重點(diǎn)也不一樣。對(duì)于產(chǎn)品需要冷凍、冷藏運(yùn)輸?shù)钠髽I(yè)來(lái)說(shuō)，不僅要考慮傳統(tǒng)物流服務(wù)商選擇時(shí)的質(zhì)量、成本、服務(wù)等指標(biāo)，也要重點(diǎn)考察冷鏈物流服務(wù)商所獨(dú)有的冷鏈能力和水平。所以，本文具體以奶制品冷鏈物流服務(wù)商為例，綜合考慮國(guó)內(nèi)外相關(guān)文獻(xiàn)[1-4,16]，初步建立奶制品冷鏈物流服務(wù)商選擇的評(píng)價(jià)指標(biāo)體系，具體指標(biāo)如圖1。

圖1 奶制品冷鏈物流服務(wù)商評(píng)價(jià)指標(biāo)體系Figure 1 Evaluation index system of dairy cold chain logistics service providers

圖1 中，財(cái)務(wù)指標(biāo)是冷鏈物流服務(wù)商企業(yè)經(jīng)營(yíng)績(jī)效的體現(xiàn)，代表企業(yè)持續(xù)生產(chǎn)和運(yùn)營(yíng)的能力；客戶服務(wù)指標(biāo)是衡量冷鏈物流服務(wù)商滿足顧客需求的能力；運(yùn)輸和倉(cāng)儲(chǔ)是物流的兩大主要功能，所以運(yùn)輸和倉(cāng)儲(chǔ)能力指標(biāo)是衡量冷鏈物流服務(wù)商核心競(jìng)爭(zhēng)能力的基礎(chǔ)；冷藏品易腐變質(zhì)的特性要求冷鏈物流服務(wù)商對(duì)接收到的訂單進(jìn)行快速處理，及時(shí)響應(yīng)率則是反映冷鏈物流服務(wù)對(duì)企業(yè)下達(dá)任務(wù)的及時(shí)處理能力；冷鏈物流作業(yè)水平是衡量冷鏈物流服務(wù)商在成本控制、硬件水平方面的能力；企業(yè)發(fā)展?jié)摿χ笜?biāo)是指企業(yè)在未來(lái)的創(chuàng)造價(jià)值的能力，代表企業(yè)未來(lái)的發(fā)展前景，該指標(biāo)是衡量能否與冷鏈物流服務(wù)商建立長(zhǎng)期合作關(guān)系的可能性的大小。所有二級(jí)指標(biāo)數(shù)據(jù)均來(lái)源于冷鏈物流服務(wù)商的歷史數(shù)據(jù)。

2 粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法

2.1 算法設(shè)計(jì)思路

針對(duì)BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，對(duì)冷鏈物流服務(wù)商選擇的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)。本文采用PSO算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，并用粗糙集理論中的差別矩陣改進(jìn)算法對(duì)輸入指標(biāo)進(jìn)行約簡(jiǎn)，該模型對(duì)原BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行兩個(gè)方面的改進(jìn)。

1) 為了提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的精確度，往往需要對(duì)輸入指標(biāo)進(jìn)行簡(jiǎn)化，刪除冗余信息。目前在服務(wù)商選擇的研究成果中，比較主流的簡(jiǎn)化輸入指標(biāo)的方法是主成分分析法。該方法利用降維思想，在損失很少信息的前提下，把多個(gè)線性相關(guān)的指標(biāo)轉(zhuǎn)化為少數(shù)不相關(guān)的指標(biāo)，即主成分是原有指標(biāo)的線性組合。但是主成分分析法對(duì)指標(biāo)間的相關(guān)性有一定要求，首先該方法不能處理非線性問(wèn)題，其次指標(biāo)間相關(guān)程度過(guò)高或過(guò)低，都會(huì)影響結(jié)果的準(zhǔn)確性。而粗糙集理論能在不影響數(shù)據(jù)表達(dá)信息的前提下刪掉原來(lái)數(shù)據(jù)中的冗余信息，并且不需要提供任何所需處理數(shù)據(jù)集合之外的先驗(yàn)信息，相比于主成分分析法，粗糙集理論在評(píng)價(jià)指標(biāo)約簡(jiǎn)方面更具優(yōu)勢(shì)。

2) BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法修改連接權(quán)值，因而存在網(wǎng)絡(luò)對(duì)新數(shù)據(jù)的適應(yīng)能力有限，輸出結(jié)果為局部極小值的問(wèn)題。但是隨著研究的深入，人們逐漸將仿生智能算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合。由于智能算法具有較強(qiáng)的全局收斂能力和魯棒性，因此將兩者結(jié)合能提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度和泛化映射能力。遺傳算法(GA)作為使用最為廣泛的進(jìn)化算法，可以用于求解各種復(fù)雜問(wèn)題，但是在選擇、交叉、變異的環(huán)節(jié)需要控制的參數(shù)過(guò)多，優(yōu)化過(guò)程難以控制。PSO算法在處理優(yōu)化問(wèn)題時(shí)，操作相對(duì)比較簡(jiǎn)單，不需要函數(shù)的梯度信息和其他先驗(yàn)知識(shí)，且能高度并行處理，因此本文用粒子群算法代替遺傳算法來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，從而改善神經(jīng)網(wǎng)絡(luò)的性能。

粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)思路見(jiàn)圖2。

圖2 粗糙PSO-BP神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)思路Figure 2 Rough design idea of PSO-BP neural network algorithm

2.2 粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法步驟

粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法的基本思想是先用粗糙集對(duì)神經(jīng)網(wǎng)絡(luò)的輸入指標(biāo)進(jìn)行預(yù)處理。即對(duì)評(píng)價(jià)指標(biāo)的數(shù)據(jù)進(jìn)行歸一化和離散化處理，形成決策表，利用差別矩陣改進(jìn)算法進(jìn)行評(píng)價(jià)指標(biāo)約簡(jiǎn)，剔除冗余指標(biāo)。然后將簡(jiǎn)化后的評(píng)價(jià)指標(biāo)輸入PSO?BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。此時(shí)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值將作為粒子被PSO算法進(jìn)行優(yōu)化，并利用優(yōu)化后的權(quán)值和閾值對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

步驟1對(duì)各個(gè)冷鏈物流服務(wù)商評(píng)價(jià)指標(biāo)數(shù)據(jù)以及綜合得分進(jìn)行歸一化和離散化處理，根據(jù)公式寫(xiě)出差別矩陣 CD的下三角矩陣。

其中，c為服務(wù)商條件屬性值； cij為第i個(gè)服務(wù)商在第 j 個(gè)指 標(biāo) 的 取值； c (Xi) 和 c(Xk) 分 別 為 第i個(gè)服務(wù)商和第 k個(gè)服務(wù)商在屬性 C上的取值； D為決策屬性集， D(Xi) 和 D(Xk) 分 別為第i個(gè) 服務(wù)商和第 k個(gè)服務(wù)商的綜合得分；R為實(shí)數(shù)集。

步驟2差別矩陣中的單元素就是屬性約簡(jiǎn)的核，將差別矩陣中包含核屬性的元素 cij變?yōu)?。

步驟3差別矩陣中所有取值為“非空集合”的元素 cij，建立相應(yīng)的合取范式L，然后將合取范式L轉(zhuǎn)換為析取范式L'。

步驟4輸出約簡(jiǎn)結(jié)果，析取范式中的每個(gè)合取項(xiàng)就是一個(gè)屬性約簡(jiǎn)，每個(gè)合取項(xiàng)中所包含的屬性組成條件屬性集合。

步驟5將約簡(jiǎn)后的評(píng)價(jià)指標(biāo)輸入PSO?BP神經(jīng)網(wǎng)絡(luò)模型。

步驟6確定神經(jīng)網(wǎng)絡(luò)的輸入?隱含?輸出層神經(jīng)元的個(gè)數(shù)。

步驟7確定粒子數(shù)目 m，每個(gè)粒子的位置為xa，對(duì)于粒子a，其所經(jīng)歷的最好位置(最大適應(yīng)值)為pa=(pa1,pa2,···,pad)，群體中所有粒子經(jīng)歷過(guò)的最好位置為 pg=(pg1,pg2,···,pgd)；最大允許迭代次數(shù)Gmax；最大飛行速度 Vmax； 加速度常數(shù) r1、r2；慣性權(quán)重w；初始化粒子的位置和速度。

步驟8對(duì)每一個(gè)粒子計(jì)算適應(yīng)度值J 。

式中， N 為訓(xùn)練集的樣本數(shù)； E為網(wǎng)絡(luò)輸出神經(jīng)元個(gè)數(shù)；為第 α個(gè) 樣本的第 β個(gè)網(wǎng)絡(luò)輸出節(jié)點(diǎn)的理想輸出值； bβ,α為 第 α個(gè) 樣本的第 β個(gè)網(wǎng)絡(luò)輸出節(jié)點(diǎn)的實(shí)際輸出值。

步驟9如果 J＞pa， 則 pa=當(dāng)前粒子位置。

步驟10如果 J＞pg， 則 pg=當(dāng)前粒子位置。

步驟11更新粒子速度和位置。

速度更新公式為

位置更新公式為

步驟12利用最大速度值限制粒子更新的速度，利用邊界位置限制粒子更新的位置。

若vad＜，則vad=，若vad＞，則vad=；

若xad＞，則xad=，若xad＜，則xad=。

步驟13判斷是否滿足以下條件：1) 誤差滿足設(shè)定的誤差精度；2) 達(dá)到最大允許迭代次數(shù)。滿足其中一個(gè)條件，則迭代結(jié)束，否則返回步驟8)。

步驟14生成最優(yōu)解。迭代結(jié)束后， pgd的值即為全局最優(yōu)解，可作為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行訓(xùn)練和學(xué)習(xí)。

粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法步驟見(jiàn)圖3。

圖3 粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法Figure 3 Steps of rough PSO?BP neural network algorithm

3 算例分析

中國(guó)北方某大型奶制品生產(chǎn)企業(yè)主要生產(chǎn)牛奶、酸奶和冰淇淋等產(chǎn)品。為進(jìn)一步擴(kuò)大市場(chǎng)需求，該企業(yè)打算從5個(gè)備選冷鏈物流服務(wù)商中選擇1個(gè)進(jìn)行合作。經(jīng)過(guò)對(duì)這5個(gè)冷鏈物流服務(wù)商的進(jìn)一步調(diào)查分析，得到相關(guān)的數(shù)據(jù)資料，以之前合作過(guò)的13個(gè)冷鏈物流服務(wù)商的數(shù)據(jù)為依據(jù)(8個(gè)為訓(xùn)練服務(wù)商，5個(gè)為測(cè)試服務(wù)商)，采用文中提出的粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行選擇。

由于原始數(shù)據(jù)的單位不一樣，為了消除量綱影響，首先對(duì)13個(gè)冷鏈物流服務(wù)商的原始數(shù)據(jù)進(jìn)行歸一化處理。歸一化處理之后的服務(wù)商數(shù)據(jù)(C1～C28)以及企業(yè)對(duì)該服務(wù)商的綜合得分(D)如表1。

3.1 基于粗糙集差別矩陣改進(jìn)算法的評(píng)價(jià)指標(biāo)約簡(jiǎn)

粗糙集只能處理離散化數(shù)據(jù)，所以采用等距法對(duì)表1數(shù)據(jù)進(jìn)行離散化。離散化后共分為3個(gè)等級(jí)，等級(jí)劃分標(biāo)準(zhǔn)如下。令 cij為第i個(gè)冷鏈物流服務(wù)商在第 j個(gè)指標(biāo)的取值，取出在第 j個(gè)取值中的最小值和最大值，記為 cmin和 cmax， 則距離令2d, cmin+3d]。離散化后的結(jié)果如表2所示。

采用差別矩陣改進(jìn)算法對(duì)28個(gè)評(píng)價(jià)指標(biāo)進(jìn)行約簡(jiǎn)。為方便計(jì)算，把28個(gè)評(píng)價(jià)指標(biāo)分成4組，分別進(jìn)行評(píng)價(jià)指標(biāo)的約簡(jiǎn)。

表3中論域 U表示合作過(guò)的13個(gè)冷鏈物流服務(wù)商，條件屬性C ={C1,C2,···,C7}表示前7個(gè)評(píng)價(jià)指標(biāo)，決 策屬性D表示每個(gè)冷鏈物流服務(wù)商的綜合評(píng)價(jià)值。

3.1.1 差別矩陣計(jì)算

根據(jù)二維決策表，計(jì)算差別矩陣 CD。

3.1.2 評(píng)價(jià)指標(biāo)約簡(jiǎn)

根據(jù)差別矩陣 CD可以判斷核屬性為C1，按照差別矩陣改進(jìn)算法，將與C1相關(guān)的組合置0，可以得到更為簡(jiǎn)單的矩陣

表1 服務(wù)商數(shù)據(jù)歸一化以及綜合得分表Table 1 Service provider data normalization and comprehensive score table

表2 數(shù)據(jù)離散化Table 2 Data discretization

表3 評(píng)價(jià)指標(biāo)C1～C7決策表Table 3 Evaluation index C1～C7 decision table

評(píng)價(jià)指標(biāo)C1～C7的屬性約簡(jiǎn)結(jié)果為(c1∧c3∧c6∧c7)或(c1∧c4∧c6∧c7)。

評(píng)價(jià)指標(biāo)C8～C14、C15～C21、C22～C28的屬性約簡(jiǎn)過(guò)程同上，由于篇幅限制，屬性約簡(jiǎn)過(guò)程略。C8～C14的屬性約簡(jiǎn)結(jié)果為=(c10∧c12∧c14)；C15～C21的屬性約簡(jiǎn)結(jié)果為=(c16∧c17∧c18∧c21)；C22～C28的屬性約簡(jiǎn)結(jié)果為=(c22∧c24∧c25∧c27)。

3.1.3 計(jì)算約簡(jiǎn)后的評(píng)價(jià)指標(biāo)體系

圖4 約簡(jiǎn)后的冷鏈物流服務(wù)商評(píng)價(jià)指標(biāo)體系Figure 4 Evaluation index system of cold chain logistics serviceprovider after reduction

3.2 基于PSO?BP神經(jīng)網(wǎng)絡(luò)的供應(yīng)商選擇

3.2.1 算法參數(shù)設(shè)置

采 用Matlab R2018a運(yùn) 行PSO?BP神經(jīng)網(wǎng)絡(luò)程序。PSO?BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為13(冷鏈物流服務(wù)商個(gè)數(shù))，輸出節(jié)點(diǎn)為1(冷鏈物流服務(wù)商綜合評(píng)價(jià)值)，隱含層神經(jīng)元個(gè)數(shù)為9。PSO算法的種群規(guī)模為40，加速度常數(shù) r1=r2=2， 最大飛行速度 vmax=1，慣性權(quán)重 w從0.9線性減少到0.4，最大迭代次數(shù)為1 000，訓(xùn)練誤差為1 0?8。

將13個(gè)冷鏈物流服務(wù)商歸一化后的數(shù)據(jù)導(dǎo)入到PSO?BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，從中隨機(jī)選擇8個(gè)冷鏈物流服務(wù)商作為訓(xùn)練集，5個(gè)冷鏈物流服務(wù)商作為測(cè)試集，對(duì)冷鏈物流服務(wù)商的綜合評(píng)價(jià)結(jié)果進(jìn)行預(yù)測(cè)。為測(cè)試本文模型的有效性，將分兩步分別進(jìn)行對(duì)比分析。首先，將BP神經(jīng)網(wǎng)絡(luò)算法與粗糙?BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行比較；其次，將粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法與粗糙?BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行比較，并對(duì)結(jié)果進(jìn)行分析。

3.2.2 預(yù)測(cè)結(jié)果對(duì)比

首先將未經(jīng)粗糙集約簡(jiǎn)的28個(gè)評(píng)價(jià)指標(biāo)輸入到BP神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)訓(xùn)練曲線如圖5所示。再將經(jīng)過(guò)粗糙集約簡(jiǎn)后的15個(gè)評(píng)價(jià)指標(biāo)輸入到BP神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)訓(xùn)練曲線如圖6所示。表4為屬性約簡(jiǎn)前后的訓(xùn)練結(jié)果比較。

圖5 原始數(shù)據(jù)網(wǎng)絡(luò)訓(xùn)練曲線Figure 5 Original data network training curve

圖6 粗糙集約簡(jiǎn)后的網(wǎng)絡(luò)訓(xùn)練曲線Figure 6 Network training curve after rough intensive reduction

從圖5、圖6和表4中可以看出，經(jīng)粗糙集進(jìn)行屬性約簡(jiǎn)后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練步數(shù)由24步減少到7步，訓(xùn)練時(shí)間由26.11 s減少到10.39 s，訓(xùn)練誤差和為屬性約簡(jiǎn)前的94.48%。由于粗糙集對(duì)指標(biāo)間的冗余屬性進(jìn)行約簡(jiǎn)，使得BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步數(shù)和訓(xùn)練時(shí)間均減少，但是粗糙集作為一種數(shù)據(jù)處理工具，對(duì)預(yù)測(cè)精度的提高并不是很明顯。

表4 屬性約簡(jiǎn)前后的訓(xùn)練結(jié)果比較Table 4 Comparison of training results before and after attribute reduction

將經(jīng)過(guò)粗糙集進(jìn)行屬性約簡(jiǎn)后的15個(gè)評(píng)價(jià)指標(biāo)分別輸入到PSO?BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)中，對(duì)13個(gè)冷鏈物流服務(wù)商的數(shù)據(jù)進(jìn)行訓(xùn)練，得到的預(yù)測(cè)結(jié)果分別如圖7和圖8所示。

圖7 粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法Figure 7 Rough PSO?BP neural network algorithm

圖8 粗糙?BP神經(jīng)網(wǎng)絡(luò)算法Figure 8 Rough?BP neural network algorithm

從圖7和圖8中可以直觀地看出，本文算法對(duì)冷鏈物流服務(wù)商綜合評(píng)價(jià)結(jié)果的擬合效果更好。從表5中可以看出，采用兩種算法所獲得的冷鏈物流服務(wù)商綜合評(píng)價(jià)結(jié)果的真實(shí)值、預(yù)測(cè)值和預(yù)測(cè)誤差的大小。由于粒子群算法的加入，使得本文算法的預(yù)測(cè)誤差和是粗糙?BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)誤差和的40.94%，提高了算法的預(yù)測(cè)精度。

表5 本文算法與粗糙?BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)結(jié)果對(duì)比Table 5 Comparison of prediction results between the proposed algorithm and the rough?BP neural network algorithm

由以上BP神經(jīng)網(wǎng)絡(luò)算法與粗糙?BP神經(jīng)網(wǎng)絡(luò)算法的對(duì)比以及粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法與粗糙?BP神經(jīng)網(wǎng)絡(luò)算法的對(duì)比可以看出，經(jīng)過(guò)粗糙集對(duì)評(píng)價(jià)指標(biāo)的屬性進(jìn)行約簡(jiǎn)后，簡(jiǎn)化了訓(xùn)練樣本和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，但是預(yù)測(cè)精度的提高并不是很明顯。粒子群算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的泛化能力，提高了算法的精確度。綜上，粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法能在降低網(wǎng)絡(luò)運(yùn)行時(shí)間的同時(shí)提高預(yù)測(cè)的準(zhǔn)確度，因此該算法能有效幫助冷鏈?zhǔn)称飞a(chǎn)企業(yè)準(zhǔn)確、快速地選擇最佳的冷鏈物流服務(wù)商。

3.2.3 冷鏈物流服務(wù)商選擇

將待選擇的5家冷鏈物流服務(wù)商數(shù)據(jù)輸入到訓(xùn)練好的PSO?BP神經(jīng)網(wǎng)絡(luò)模型中，根據(jù)預(yù)測(cè)的綜合評(píng)價(jià)值的高低，從中選擇最佳的合作伙伴。

根據(jù)圖9和表6，可以看出冷鏈物流服務(wù)商的預(yù)測(cè)得分排名為：服務(wù)商4＞服務(wù)商2＞服務(wù)商1＞服務(wù)商3＞服務(wù)商5。所以該奶制品生產(chǎn)企業(yè)可以選擇冷鏈物流服務(wù)商4作為自己的合作伙伴。

圖9 待選擇服務(wù)商預(yù)測(cè)綜合得分Figure 9 Comprehensive score of service providers to be selected

表6 待選擇服務(wù)商預(yù)測(cè)綜合得分Table 6 Comprehensive score table of predicted service providers to be selected

4 結(jié)束語(yǔ)

本文所設(shè)計(jì)的粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法，在冷鏈物流服務(wù)商的選擇過(guò)程中利用粗糙集相關(guān)理論剔除了原始數(shù)據(jù)中的冗余信息，使輸入指標(biāo)更加精簡(jiǎn)，提高運(yùn)算速度，并采用粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)重進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)輸出的結(jié)果跳出局部極小值，增強(qiáng)網(wǎng)絡(luò)對(duì)不同數(shù)據(jù)的適應(yīng)能力，保證算法的收斂性。從算例分析中可見(jiàn)，采用粗糙PSO?BP神經(jīng)網(wǎng)絡(luò)算法相比于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法對(duì)冷鏈物流服務(wù)商的選擇更加準(zhǔn)確可靠。當(dāng)建立的PSO?BP神經(jīng)網(wǎng)絡(luò)算法經(jīng)過(guò)一段時(shí)間的訓(xùn)練后，能夠很好地記憶訓(xùn)練效果，因此可以更加準(zhǔn)確、方便地對(duì)新的冷鏈物流服務(wù)商進(jìn)行評(píng)價(jià)，具有較強(qiáng)的實(shí)用性。

對(duì)于冷鏈?zhǔn)称飞a(chǎn)企業(yè)來(lái)說(shuō)，如何選擇最佳的冷鏈物流服務(wù)商非常重要，因此解決冷鏈物流服務(wù)商的評(píng)價(jià)選擇問(wèn)題具有現(xiàn)實(shí)意義。本文主要考慮企業(yè)單方面如何對(duì)服務(wù)商進(jìn)行選擇，但是現(xiàn)在的研究熱點(diǎn)越來(lái)越重視顧客參與價(jià)值共創(chuàng)，對(duì)于生產(chǎn)企業(yè)來(lái)說(shuō)，其顧客也就是下游的經(jīng)銷(xiāo)商，所以接下來(lái)的研究將考慮生產(chǎn)企業(yè)和經(jīng)銷(xiāo)商的兩級(jí)供應(yīng)鏈協(xié)同進(jìn)行冷鏈物流服務(wù)商的選擇。