基于混合智能评价的航空供应商管理模式成熟度评估方法
本发明涉及供应链管理与人工智能数据分析交叉,特别地涉及一种基于混合智能评价的航空供应商管理模式成熟度评估方法。
背景技术:
1、在航空装备研制过程中,供应商的管理能力和控制水平会对装备研制过程中的交付稳定性产生重要影响。近年来,伴随着航空装备研制任务的复杂度不断提高和供应链协作范围持续扩大,供应商管理模式逐渐呈现出隐蔽化和提前化的特征,仅依靠问题发生后的纠偏措施已难以满足研制过程中的管控需求。因此,如何准确识别供应商管理能力的发展水平,并对其成熟程度进行评价,成为航空供应链管理过程中需要解决的重要问题。现阶段,专家评价和层次分析等方法仍是供应商能力评价中常用的技术手段,此类方法能够利用领域专家经验确定指标重要程度。然而,评价指标体系往往包含大量的定性指标,评价结果易受专家的知识背景和判断经验的影响。当评价对象数量增加或指标体系细化时,人工评价耗时较多,评价结果的一致性和稳定性难以保证。
2、此外,现有评价方法通常依据预设等级标准或判定规则对结果进行硬性划分,而供应商管理能力的提升是管理流程完善、协同机制建设以及控制能力增强等多阶段渐进演进过程,不同成熟度等级之间存在明显的模糊过渡特征,固定等级边界难以准确刻画供应商处于相邻等级之间的真实状态。在最新的技术中,bp神经网络等数据驱动方法被尝试应用于供应商能力评价,通过学习评价指标与能力等级之间的非线性关系实现模型化分析。但由于航空供应商评价数据来源于专家研判和历史管理记录,样本规模有限,当输入指标数量较多时,模型参数学习易受初始状态影响,训练稳定性和预测精度产生波动。同时,不同评价指标对成熟度结果的贡献程度存在显著差异,传统bp神经网络对所有输入变量统一处理,难以充分体现指标的重要性差异。
3、综上所述,现有成熟度评价方法在多维指标信息融合、评价过程效率以及成熟度等级连续表达方面仍存在一定的局限性。由于供应商管理能力受到质量保障、研制协同、生产组织等多因素的共同影响,评价过程中需要处理不同来源、不同类型的指标信息;而且,供应商能力发展具有阶段性演进的特征,传统固定等级划分方式难以充分反映等级之间的模糊过渡状态,基于此,提出一种基于混合智能评价的航空供应商管理模式成熟度评估方法。
技术实现思路
1、本发明的主要目的在于提供了一种基于混合智能评价的航空供应商管理模式成熟度评估方法,解决现有技术在有限样本条件下难以充分处理复杂指标体系、无法有效刻画成熟度等级模糊过渡特征以及模型训练稳定性不足的问题,实现对航空供应商管理模式成熟度的准确、高效、持续评价。
2、基于本发明的第一个主要方面,提供一种基于混合智能评价的航空供应商管理模式成熟度评估方法,包括以下步骤:
3、构建航空供应商管理模式评价指标体系,采集领域专家对评价指标体系中评价指标的重要性评价数据;
4、基于所述重要性评价数据,通过网络层次分析法计算底层各评价指标的全局收敛权重,并基于平均贡献阈值方法选择累计贡献符合预设条件的评价指标形成降维特征集;
5、基于模糊综合评价构建连续性隶属度函数,利用全局收敛权重对各评价指标对应的隶属度矩阵进行模糊综合运算,获得各样本的成熟度隶属向量,构建出模糊标签集合;
6、构建融合通道注意力机制的bp神经网络模型,根据降维后的特征数量和成熟度等级数量设计bp神经网络结构,引入se模块以自适应调整不同指标特征的贡献权重,并使bp神经网络模型输出成熟度等级的概率分布;
7、利用遗传算法对bp神经网络模型初始连接权值和阈值参数进行编码处理,基于预测概率分布和模糊标签集合之间的分布差异构建适应度函数,并采用自适应调整交叉概率和变异概率进行迭代搜索,获得优化后的初始参数;
8、将优化后的初始参数进行解码获得初始权值和阈值,采用优化器进行误差反向传播训练至收敛,获得评估模型,并输入待评估航空供应商的核心指标观测数据,输出其在各成熟度等级的隶属概率分布。
9、以上技术方案作为本发明的核心发明构思,构建了一条完整的特征约简、软标签生成、注意力增强、参数寻优以及反向微调的技术链路,将知识驱动的网络层次分析指标筛选机制与数据驱动评估模型进行融合,形成一套完整的混合智能评估框架。
10、该方法既利用专家先验知识在特征输入阶段对评价指标进行合理降维,缓解了有限样本下数据稀疏带来的过拟合风险,又通过数据驱动模型挖掘指标间的非线性耦合关系,从根本上克服了传统方法在复杂指标体系处理、评价结果不确定性表达以及模型训练稳定方面存在的技术短板。
11、作为进一步的优选方案,在前述方法中,所述航空供应商管理模式评价指标体系包含多个一级指标与对应的多个二级指标;
12、所述计算底层各评价指标的全局收敛权重的执行步骤如下:
13、采用几何平均算子对不同专家的重要性评价数据进行聚合,对于任意二级指标,其综合评价值表示为:
14、;
15、其中,表示第个二级指标的综合评价值;表示二级指标的索引;表示专家编号的索引;表示参与评价的专家总人数;表示第位专家对第个二级指标给出的原始评分值;
16、通过差值等比映射算子,将综合评价值转换为saaty相对重要性标度,建立各准则下的局部判断矩阵;所述映射算子如下所示:
17、;
18、其中,表示判断矩阵元素;表示第个二级指标的综合评价值;表示第个二级指标的综合评价值;、表示不同的二级指标;
19、对各局部判断矩阵进行提取最大特征根及其对应的特征向量,构建未加权超矩阵,再结合一级指标权重对未加权超矩阵进行列归一处理生成加权超矩阵;
20、通过超矩阵幂迭代方式计算其稳定状态,当迭代次数趋于无穷时,得到极限超矩阵;提取收敛后的主列向量作为各二级评价指标的全局收敛权重。
21、作为进一步的优选方案,在前述方法中,所述平均贡献阈值方法的执行步骤如下:
22、根据平均贡献阈值方法计算所有候选二级指标的全局收敛权重作为平均贡献阈值;
23、将每一个候选二级指标的全局收敛权重与所述平均贡献阈值进行比较;
24、当任意候选二级指标满足的全局收敛权重大于等于所述平均贡献阈值,将该二级指标保留;
25、当任意候选二级指标满足的全局收敛权重小于所述平均贡献阈值,将该二级指标剔除;
26、根据平均贡献阈值方法,从候选二级指标集中截取先的前n项评价指标作为后续神经网络的特征输入,从而构建降维特征集。
27、通过网络层次分析法充分捕捉航空供应商评价指标之间客观存在的相互影响与反馈关系,使权重分配结果更贴合实际业务场景中的指标关联结构,避免了传统独立赋权方法忽略指标间耦合效应的缺陷。
28、与此同时,通过平均贡献阈值方法则将指标空间压缩至特征集,在源头上遏制了小样本场景下的维数问题,为后续神经网络模型提供了干净、紧凑且信息富集的输入空间。
29、作为进一步的优选方案,在前述方法中,所述构建出模糊标签集合的执行步骤如下:
30、根据被动防御级、标准规范级、跨界协同级、主动精益级以及行业标杆级五个成熟度等级的定义,分别采用对称布置的三角函数和半梯形函数构建各成熟度等级对应的隶属度函数,用于描述各待评价对象在各成熟度等级上的隶属关系;
31、所述连续性隶属度函数满足归一化条件;其中,表示求和索引标量;表示评价对象在第的成熟度等级上的隶属度函数值;表示评价对象的综合评分值;
32、利用全局收敛权重与单个样本对应的指标隶属度矩阵进行模糊综合计算,获得每个样本对应的五维归一化隶属度向量的五维靶向标签向量,将所有样本进行上述处理,获得所述模糊标签集合。
33、在以上的技术方案中,进一步解决如何将专家离散等级判断转换为适合神经网络学习的连续化训练目标这一关键问题,通过以上的连续性的隶属度函数,从根本上改变了传统评价方法将航空供应商硬性划归某一固定等级的处理逻辑,使得模型能够保留航空供应商处于相邻等级之间过渡区域时的模糊状态信息。这一设计使训练标签蕴含了更丰富的成熟度渐变信息,使得后续神经网络输出的概率分布与真实评价状态之间的拟合更加平滑和准确,降低了硬分类边界带来的信息损失。
34、作为进一步的优选方案,在前述方法中,所述bp神经网络结构包括输入层、隐含层和输出层节点数;
35、所述隐含层的节点数根据经验公式,并结合模型训练效果进行调整;其中,表示隐含层节点数;表示输入层节点数;表示输出层节点数;表示1~10之间的调节参数;
36、在隐含层后引入se模块以自适应调整不同指标特征的贡献权重,具体步骤如下:
37、通过全局平均池化获取特征信息,并利用两个全连接层计算各特征通道对应的权重;
38、根据获得的通道权重,对隐藏层特征进行重新调整:;其中,表示经过通道权重调整后的输出特征;表示se模块的输入特征矩阵;表示通道权重;
39、在bp神经网络模型的输出层采用softmax函数将网络输出转换为五个成熟度等级对应的概率分布。
40、se注意力机制的引入使得网络在训练中自主识别和强化对成熟度判别贡献较高的评价指标特征,同时抑制低贡献指标的干扰,解决了传统bp网络对所有输入变量统一处理而无法体现指标间的重要性差异的问题。
41、该模块以极小的计算开销换取网络特征表达能力的提升,使得模型在有限样本条件下仍然能够聚焦于最具区分度的评级维度,改善了预测精度和泛化性能。
42、作为进一步的优选方案,在前述方法中,所述利用遗传算法对bp神经网络模型初始连接权值和阈值参数进行编码处理的执行步骤如下:
43、bp神经网络模型内部的初始连接权值与阈值展平串联,映射为遗传算法的一维实数型染色体向量,其染色体编码总长度如下所示:
44、;
45、其中,表示染色体编码总长度;表示隐含层节点数;表示输入层节点数;表示输出层节点数;
46、根据设定种群规模在全局参数空间内随机生成初始种群个体。
47、该技术方案着手解决另一个制约bp神经网络在小样本场景下性能发挥的关键因素,即初始参数随机性问题,通过系统的编码映射方案,将神经网络的参数优化问题转换为遗传算法可处理的染色体表示问题,为后续的全局参数搜索提供规范化的数据结构基础。
48、该编码方案明确了网络参数与染色体基因之间的一一对应关系,使得遗传算法能够在全局参数空间内对网络初始状态进行系统化搜索,从而为摆脱bp网络对随机初始化参数的过度依赖奠定了数据基础。
49、作为进一步的优选方案,在前述方法中,在构建适应度函数时,采用kullback-leibler散度衡量预测概率分布与模糊标签集合之间的差异;
50、所述适应度函数具体为:
51、;
52、其中,表示适应度函数;表示训练样本的总数量;表示训练样本索引;表示成熟度等级索引;表示第个样本在第个成熟度等级上的隶属度;表示网络预测概率;表示防止分母为零的平滑参数;
53、根据适应度函数计算结果,采用轮盘赌选择方法对种群个体进行筛选。
54、由于模糊综合评价法生成的模糊标签集合输入概率分布形式而非确定性类别标签,传统的均方误差或交叉熵难以准确的刻画两个概率分布之间的细微差异,而kl散度作为衡量分布间相对熵的经典指标,能够更加敏感地捕捉预测分布与目标分布之间的偏离程度,这使得遗传算法的进化方向直接服务于使网络输出尽可能接近模糊标签集合这一核心的学习目标,从而提升模型概率预测的准确性。
55、作为进一步的优选方案,在前述方法中,所述交叉概率按照以下方式动态调整:
56、;
57、所述变异概率按照以下方式动态调整:
58、;
59、其中,表示交叉概率;表示变异概率;表示交叉概率的上限值;表示交叉概率的下限值;表示变异概率的上限值;表示变异概率的下限值;表示当前种群最大适应度,表示种群平均适应度;在该公式中,表示交叉个体中的较大适应度值,表示待变异个体适应度。
60、通过交叉概率和变异概率的自适应调整策略,使遗传算法在迭代初期维持较高的交叉概率和变异概率以广泛探索解空间,在迭代后期逐步降低搜索强度以保护优良个体结构并提高局部寻优精度。
61、这种动态平衡机制避免了固定概率参数导致的早熟收敛或搜索效率低下问题,使整个遗传算法优化过程在不同进化阶段均保持适配的搜索行为,从而为bp网络提供更优的初始参数配置,进一步夯实模型预测稳定性的基础。
62、基于本发明的第二个主要方面,提供一种用于实现前述所述方法的基于混合智能评价的航空供应商管理模式成熟度评估模型,包括:
63、数据预处理模块:用于接收多源专家对评价指标的打分数据,执行几何平均聚合与未加权超矩阵极限解算,依据全局收敛权重截取多维核心指标生成降维特征集,并依赖模糊综合评价法合成软分布模糊靶向标签集;
64、混合建模与优化模块:用于载入含通道注意力机制的深度神经网络框架,执行遗传算法遗传空间的全局基因寻优与局部梯度反向传播微调,最终生成航空供应商管理模式智能评估模型;
65、智能推断模块:用于通过仅接收待判定航空供应商的局部核心观测数据,经由代理模型进行非线性前向推理,快速地输出其各种成熟度等级上的模糊归属概率。
66、基于本发明的第三个主要方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被执行时实现前述所述的基于混合智能评价的航空供应商管理模式成熟度评估方法。
67、与现有技术相比,本发明提供了一种基于混合智能评价的航空供应商管理模式成熟度评估方法。首先,本发明利用网络层次分析法(anp)分析评价指标之间的关联关系,并根据指标综合权重对评价因素进行筛选,提取影响程度较高的核心指标作为模型输入变量。通过降低输入特征维度,减少冗余指标对模型训练过程的干扰,同时降低网络参数规模。在此基础上,引入se通道注意力机制,对神经网络隐藏层中的特征信息进行自适应调整,使模型能够根据不同指标特征的重要程度进行权重分配,从而改善有限样本条件下模型训练过程的稳定性。
68、其次,本发明采用遗传算法对bp神经网络初始参数进行优化。通过构建基于预测分布误差的适应度评价函数,对网络权值和阈值组合进行迭代搜索,并将获得的优化参数作为bp网络训练初始状态,使网络在较优参数区域内开展后续梯度优化过程。该方法降低了初始参数随机性对网络训练过程的影响,提高了模型收敛过程的稳定性,解决了传统bp神经网络依赖随机初始化参数,容易受到初始权值和阈值影响的问题。
69、再者,本发明采用模糊综合评价方法构建成熟度隶属度向量,将专家评价结果转换为连续性的软标签信息。同时,通过softmax函数将神经网络输出转换为不同成熟度等级对应的概率分布,使模型能够描述供应商在多个成熟度等级上的隶属关系。相比于基于固定阈值的离散分类方法,本发明能够保留评价过程中的模糊信息,提高成熟度评价结果的完整性。
70、最后,本发明通过anp方法筛选成熟度评价中的关键指标,并建立核心指标数据与供应商管理模式成熟度之间的非线性映射关系。在实际应用过程中,仅需获取筛选后的关键指标信息,即可利用训练完成的评价模型输出供应商成熟度等级结果,减少传统评价过程中多指标重复采集以及频繁专家参与所带来的工作量,为航空供应商管理模式的持续评价提供支持。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com