基于GA-BP算法的代理分发决策和库存管理优化系统的制作方法

基于ga-bp算法的代理分发决策和库存管理优化系统
技术领域
1.本发明涉及商品库存管理技术领域，尤其涉及基于ga-bp算法的代理分发决策和库存管理优化系统。


背景技术：

2.伴随着全球市场竞争的日趋激烈，传统的生产经营模式已经很难满足市场的需求。供应商代理分发决策和大规模库存管理式就在市场激烈竞争的环境下得到了广泛的应用和快速的发展。又由于实际库存管理中代理分发决策和大规模库存管理常常分布在多处，因此，企业需要对分布存储的库存进行集中化的管理。
3.代理分发决策和大规模库存管理的主要策略手段是实现库存实时信息的彼此共享，而安全库存预测的高准确性又能够有效的减少库存管理的成本消耗。由于安全库存量受多种不确定因素影响，而且这些不确定因素和决策之间还存在着相当复杂的非线性关系，神经网络在解决复杂的非线性问题领域具有相对于其他方法所没有的独特优势。
4.传统bp神经网络有一些缺陷如收敛速度慢、容易陷入局部最优等问题，而ga-bp神经网络相比较于传统的神经网络算法具有更稳定的建模模型、更多次数的达到预设目标、更少的拟合数据迭代步数、更快速地达到预设结果和更好的数据拟合效果。为保证正常销售活动的持续运行，通常情况下都会持有一定量的库存，理想情况下，此库存量恰好和该时间段内的实际需求量相等，但是这种理想情况是很难实现的。
5.产生上述情况的主要是因为：1.实际管理中的库存需求量有很大的随机性，不是一个确定量；2.供应商所采用的运输手段和商品供应质量也是随机不确定的。也正因为如此，在企业的库存管理中，一部分用于按照预计的正常销量准备的库存，另一部分是为了防止这些不确定因素而造成的供应不确定、意外中断或延迟等而准备的安全或缓冲库存。


技术实现要素：

6.1.要解决的技术问题
7.本发明的目的是为了解决现有技术中供应商、代理商无法公平分享供应链上的相关信息，供应链上的各节点企业无法准时、快速、公平地分享供应链上的信息，从而无法做出合理生产或销售计划的问题，而提出的基于ga-bp算法的代理分发决策和库存管理优化系统。
8.2.技术方案
9.为了实现上述目的，本发明采用了如下技术方案：
10.基于ga-bp算法的代理分发决策和库存管理优化系统，包括数据采集系统、数据管理系统和数据应用系统，所述数据采集系统的输出端与数据管理系统的输入端连接，所述数据管理系统的输出端与数据应用系统的输入端连接；
11.所述数据采集系统包括供应商数据采集模块和cpfr供应链管理模块，所述数据管理系统包括订单管理、生产管理和ga-bp算法分发决策，所述数据应用系统包括代理商配送
计划和客户配送计划；
12.所述供应商数据采集模块的输出端与cpfr供应链管理模块的输入端连接，所述cpfr供应链管理模块的输出端分别与订单管理、生产管理的输入端连接，所述订单管理、生产管理的输出端均与ga-bp算法分发决策的输入端连接，所述ga-bp算法分发决策的输出端与代理商配送计划和客户配送计划的输入端连接。
13.优选地，所述cpfr供应链管理模块通过分析产业供应链对企业与代理商生产运行绩效实施的综合监督和考评管理记录，获得定性指标，构成样本数据，为便于网络测试，采用公式对数据进行标准化处理，从而将原始数据归一化处理[0.1，0.9]区间；
[0014][0015]
其中a为评价结果，a为参数，i和j分别为订单管理数量和生产数量。
[0016]
优选地，所述cpfr供应链管理模块中优先通过增加节点企业的数据来来协调库存管理以及分发决策，通过观察不同节点数的训练效果选择最佳节点数，网络输入数据可以按照下述两种方式实现归一化：
[0017][0018][0019]
优选地，所述ga-bp算法分发决策中通过利用ga遗传算法对bp神经网络初始权值进行优化。
[0020]
优选地，所述ga遗传算法对bp神经网络初始权值优化的算法过程包括以下步骤：
[0021]
步骤1：先把神经网络确定网路拓扑结构之间的连接权重和各节点阈值做为遗传算法的参数，采用实数编码方式，所以假设输入层节点数为p，输出层节点数为q，隐含层节点数为r，则可通过以下计算公式得出bp神经网络权值阈值长度的长度n为：n＝(p 1)
×
r r (r
×
1)
×
q；
[0022]
步骤2：确定ga对初始值神经网络各节点长度n编码的连接权重的取值范围：e∈[x
min
，x
max
]，然后将计算出的对应范围的均匀分布随机数赋给基因值，就会生成初始数据，基于初初始数据预测市场情况；
[0023]
步骤3：然后对群体中的个体需要进行适应度值的评价，将个体解码并赋值给相对应的连接权值和节点阈值，引入学习样本并计算学习误差e，适应度计算公式如下：得到误差作为适应度值；
[0024]
步骤4：然后基于适应度f对产品进行预测；
[0025]
步骤5：采用最优保留策略方法，根据步骤4中的ga的选择pi、交叉xi和变异pm在全变量空间以较大概率搜索全局祥和在解的点附近，同时利用bp神经网络能快速、精确地收敛的特点，融合二者的优点，将二者有机结合，利用遗传算法同时训练神经网络权值和拓扑结构，可以辟免陷入局部极小值，提高算法收敛速度，很快得到问题的全局最优解，保证企业对于市场情况的预测准确性，实现库存管理的全代理分发以及销售最优方案；
[0026]
步骤6：将通过遗传算法得到的最优方案，然后赋值给神经网络的权重，采用bp算法优化神经网络的权重和阂值，通过权重与阖值，对代理分发决策和大规模库存管理优化
的具体分析。
[0027]
优选地，所述步骤4中基于适应度f的产品预测操作包括以下步骤：
[0028]
s1:选择操作，选择轮盘赌选择法，如果群体规模为m，则适应度值高的个体被选中传递到下一代的概率为：其中pi为每一代选择的概率，fi为每一代的适应度值，i为代数。
[0029]
s2:交叉操作，选择算术交叉算子，父代中的个体x1和x2，以交叉概率pc进行交叉操作，产生的子代个体是x
′1＝ax1 (1 a)x2，x
′2＝ax1 (1 a)x2，a＝∈(0，1)，a为参数。
[0030]
s3:变异操作，采用的是均匀变异算子，个体xi基因以变异概率为pm，按此概率将均匀分布在[x
min
，x
max
]区间中的随机数替代原有值。
[0031]
优选地，所述s2中获取本次个体进化过程中，得到该种群内最靠近最优解的个体，不断的进行上述操作，最终将末代种群中的最优个体解码，从而获得满足要求的对库存管理最优预测。
[0032]
优选地，所述s3中客户和代理商的每一笔钱款都会有详细的记录，对于一些有异议的财务记录，系统会进行自动提醒，排除异常数据对于预测结果的干扰。
[0033]
3.有益效果
[0034]
相比于现有技术，本发明的优点在于：
[0035]
(1)本发明中，应用ga—bp算法有效解决传统库存管理模式下影响安全库存因素的复杂非线性问题，使库存管理系统的功能得到最大程度的利用，进而为物流企业库存管理提供决策支持以提高企业在库存管理中的决策能力、决策效率、决策准确性。
[0036]
(2)本发明中，通过同规划、预测与补货能通过电予信息平合获得比较准确的市场需求信息，使得企业能够更好地对需求进行预测和对库存的管理，利用上下游企业确立共同的目标，在互相信任和承诺的基础上争取综合性效益，共享到商业信息协调安排补货计划。
[0037]
(3)本发明中，通过对供应链每个环节的物流成本有效控制，大大降低挤压风险，提高对商品的配置效率，优化企业库存管理能力。构建成熟的物流体系，企业之间可以通过相互合作以降低成本、分摊风险，不断提高自身的仓储管理能力，减少商品的库存积压，实现资源的充分利用，提升物流服务水平。
附图说明
[0038]
图1为本发明提出的基于ga-bp算法的代理分发决策和库存管理优化系统的通容结构图；
[0039]
图2为本发明提出的基于ga-bp算法的代理分发决策和库存管理优化系统中ga-bp算法的流程示意图。
具体实施方式
[0040]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0041]
实施例1：
[0042]
参照图1，基于ga-bp算法的代理分发决策和库存管理优化系统，包括数据采集系统、数据管理系统和数据应用系统，数据采集系统的输出端与数据管理系统的输入端连接，数据管理系统的输出端与数据应用系统的输入端连接；
[0043]
数据采集系统包括供应商数据采集模块和cpfr供应链管理模块，数据管理系统包括订单管理、生产管理和ga-bp算法分发决策，数据应用系统包括代理商配送计划和客户配送计划；
[0044]
供应商数据采集模块的输出端与cpfr供应链管理模块的输入端连接，cpfr供应链管理模块的输出端分别与订单管理、生产管理的输入端连接，订单管理、生产管理的输出端均与ga-bp算法分发决策的输入端连接，ga-bp算法分发决策的输出端与代理商配送计划和客户配送计划的输入端连接。
[0045]
本发明中，通过建立协同、预测与补给(cpfr)供应链管理模式，从根本上实现了供应商、代理商等公平分享供应链上的相关信息，供应链上的各节点企业通过准时、快速、公平地分享供应链上的信息，而且根据自身能力和所得倡息进行协商，做出合理生产或销售的计划。
[0046]
本发明中，通过将权值通过遗传算法(ga)进行寻优，将得到的权值运用于bp网络进行训练，有效避免陷入局部最优解。
[0047]
本发明中，通过对企业原料安全库存的具体分析，详细了解了影响安全库存的各方面因素，结合企业原料库存的特点，达到了良好的预测效果，改善了企业库存管理方面的不良现状，扩大了企业的利润。
[0048]
实施例2：
[0049]
其具有上述实施例的实施内容，其中，对于上述实施例的具体实施方式可参阅上述描述，此处的实施例不作重复详述；而在本技术实施例中，其与上述实施例的区别在于：
[0050]
本实施例中，cpfr，即协调规划、预测与补货。本质就是协调与合作，通过协同规划、预测与补货的库存管理，每一个节点企业都能通过电子信息平台获得比较准确的市场需求信息，使得企业能够更好地对需求进行预测和对库存的管理。
[0051]
本实施例中，基于与供应链上下游的深度协同(cpfr)解决方案，这要求电商平台必须加强和供应商在销量、库存、流量及转化率、商品售后评价、行业舆情等数据层面的数据共享，强化供应商的服务质量，这样就能使“协同”的全流程透明、可见、立即反馈，进一步形成粘性更强的供应链联盟。
[0052]
本实施例中，cpfr供应链管理模块通过分析产业供应链对企业与代理商生产运行绩效实施的综合监督和考评管理记录，获得定性指标，构成样本数据，为便于网络测试，采用公式对数据进行标准化处理，从而将原始数据归一化处理[0.1，0.9]区间；
[0053][0054]
其中a为评价结果，a为参数，i和j分别为订单管理数量和生产数量。
[0055]
本实施例中，cpfr供应链管理模块中优先通过增加节点企业的数据来来协调库存管理以及分发决策，通过观察不同节点数的训练效果选择最佳节点数，网络输入数据可以按照下述两种方式实现归一化：
[0056][0057][0058]
本实施例中，基于上述归一化，使得本发明每一个节点企业都能通过电子信息平台获得比较准确的市场需求信息，使得企业能够更好地对需求进行预测和对库存的管理。
[0059]
本实施例中，通过大数据和智能ai算法，分析全网的产品销售热点和趋势，预测商品的销售变化，从而指导匹配市场的零售计划，并以此指导供应商的库存管理，同时通过建立cpfr的供应链战略合作模式，让数据产生价值的流动，供应商及时共享电商平台的分析数据，及时调整生产计划与补货计划，构建从计划到预测及补货流程的全面协同。
[0060]
实施例3：
[0061]
其具有上述实施例的实施内容，其中，对于上述实施例的具体实施方式可参阅上述描述，此处的实施例不作重复详述；而在本技术实施例中，其与上述实施例的区别在于：
[0062]
参照图2，ga-bp算法分发决策中通过利用ga遗传算法对bp神经网络初始权值进行优化，ga遗传算法对bp神经网络初始权值优化的算法过程包括以下步骤：
[0063]
步骤1：先把神经网络确定网路拓扑结构之间的连接权重和各节点阈值做为遗传算法的参数，采用实数编码方式，所以假设输入层节点数为p，输出层节点数为q，隐含层节点数为r，则可通过以下计算公式得出bp神经网络权值阈值长度的长度n为：n＝(p 1)
×
r r (r
×
1)
×
q；
[0064]
步骤2：确定ga对初始值神经网络各节点长度n编码的连接权重的取值范围：e∈[x
min
，x
max
]，然后将计算出的对应范围的均匀分布随机数赋给基因值，就会生成初始数据，基于初初始数据预测市场情况；
[0065]
步骤3：然后对群体中的个体需要进行适应度值的评价，将个体解码并赋值给相对应的连接权值和节点阈值，引入学习样本并计算学习误差e，适应度计算公式如下：得到误差作为适应度值；
[0066]
步骤4：然后基于适应度f对产品进行预测，其中预测操作包括以下步骤：
[0067]
s1:选择操作，选择轮盘赌选择法，如果群体规模为m，则适应度值高的个体被选中传递到下一代的概率为：其中pi为每一代选择的概率，fi为每一代的适应度值，i为代数。
[0068]
s2:交叉操作，选择算术交叉算子，父代中的个体x1和x2，以交叉概率pc进行交叉操作，产生的子代个体是x
′1＝ax1 (1 a)x2，x
′2＝ax1 (1 a)x2，a＝∈(0，1)，a为参数。
[0069]
s3:变异操作，采用的是均匀变异算子。个体xi基因以变异概率为pm，按此概率将均匀分布在[x
min
，x
max
]区间中的随机数替代原有值，从而减少预测中收到随机数据的干扰，客户和代理商的每一笔钱款也都会有详细的记录，对于一些有异议的财务记录，系统会进行自动提醒，排除异常数据对于预测结果的干扰；
[0070]
步骤5：采用最优保留策略方法，根据步骤4中的ga的选择pi、交叉xi和变异pm在全变量空间以较大概率搜索全局祥和在解的点附近，同时利用bp神经网络能快速、精确地收敛的特点，融合二者的优点，将二者有机结合，利用遗传算法同时训练神经网络权值和拓扑
结构，可以辟免陷入局部极小值，提高算法收敛速度，很快得到问题的全局最优解，保证企业对于市场情况的预测准确性，实现库存管理的全代理分发以及销售最优方案；
[0071]
步骤6：将通过遗传算法得到的优方案，然后赋值给神经网络的权重，采用bp算法优化神经网络的权重和阂值。通过权重与阖值，对代理分发决策和大规模库存管理优化的具体分析，利用库存预测值与实际值之间相差较小，预测精度较高，能够很好的预测未来的安全库存量，进而为物流企业库存管理提供决策支持以提高企业在库存管理中的决策能力、决策效率、决策准确性。
[0072]
本实例中，通过cpfr供应链管理模式，达到财务运营目标，为了更好地控制现金流，通过优化整个供应链与需求管理，在相关信息工具的辅助下，在实现保证及时交货的前提下，尽可能地降低库存水平，并减少库存积压、贬值与报废的风险。
[0073]
本实例中，同时通过ga遗传算法对bp网络的优化，实现对代理分发决策与库存采购的科学管理与控制，保证了企业良性运营与持续生产，使企业将工作重点放在管理重要的少数库存品上，既加强了管理，又节约了成本，在帮助商家提高仓库管理效率方面大有助益。
[0074]
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。