中央仓库汽车零部件库存管理系统外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

中央仓库汽车零部件库存管理系统

S.G. Li , X. Kuo

摘要：

由于备件供应链结构复杂,传统方法不考虑全球决策因素之间的关系,无法达到最优的性能。因此,本文旨在开发一种基于增强的模糊神经网络 (EFNN) 的决策支持系统,用于在中央仓库管理汽车备件库存。在这个系统中,模糊神经网络被用来预测备件需求。

然而, 在不考虑相关领域知识的情况下, 传统的神经网络被发现的问题是不可见的预测精度低的例子。因此, 在我们的模糊神经网络中，有以下改进: 首先, 它根据模糊层次分析法 (ahp) 的方法分配连接权重, 而不用费力地转动。其次,根据遗传算法生成和精炼活化函数,模糊神经网络能提供全面、准确的活化函数,适配更广泛的非线性模型。最后,引入自适应输入变量,减小牛鞭效应对预测精度的影响。

我们对所提出的系统进行了实际的数据计算,实验结果表明,我们的模糊神经网络优于其他五种模型的填充率和库存成本措施。

关键词：神经网络; 遗传算法; 备用部件; 库存

1. 介绍

中央仓库备件库存对提高汽车供应链和物流系统的服务水平和降低运营成本起着重要的作用。为了最大限度地提高填充率和辅助维修人员保持汽车的运转状态, 中央仓库必须保持相当大量的安全库存。因此,大量的资金被捆绑限制起来, 存货成本很快就会就累积起来。因此, 降低库存成本, 最大限度地提高仓库填充率成为近年来研究的热点。

到目前为止,专注于备件库存管理的文献往往是根据一个统计过程(肯尼迪.帕特森.弗雷登道尔,2002)的假设变化的需求。因此,安全库存和记录点始终被视为静态的常量。事实上, 在汽车零部件行业, 需求变得越来越多样和不确定。这种需求的波动有时是来自最终客户的汽车的不确定性条件, 但更多的时候需求不确定性来源于重要的供应链(即牛鞭效应) (李.帕德马纳班,和旺先生,1997)。

在这种情况下,提前预测就对管理中央仓库汽车备件库存很重要。因此,近些年来,越来越多的研究人员把研究重心放在了对备件库存需求的预测上,这有助于提高服务水平,降低库存成本。大量的文献讨论和分析了备件的预测模型和算法。然而,却对数以千计的当地仓库和终端维修站和数以千计的内陆或海外供应商的订单关注甚少。

传统的预测备件需求的方法包括管理者的判断力,而这只是简单地基于他们的知识和经验, 模拟方法 (阿普勒鲍姆, 1996), 时序分析还有回归模型。

基本上,这些方法只能为解决问题提供一套系统化的步骤, 而不考虑全球评估因素之间的关系。此外,分析人员的能力和经验也很有可能影响到最终结果。

人工神经网络(ann)在预测领域中的应用是很有前途的。近年来,对如何利用 人工神经网络来帮助我们根据一组样本数据预测许多重要因素进行了大量的研究。在许多领域的应用中,需求预测已成为焦点之一 (Charytoniuk, Box, 李, 陈, 2000;Gorucu, Geris, 和 Gumrah, 2004)。

在不结合相关领域知识的情况下,这些技术被发现受限于在预测不常见例子时准确性较低的问题上。此外,这些人工神经网络的活动函数总是设置为固定和刚性的形式,例如最常见的乙状结肠函数（S型函数）。在现实生活中,他们不能胜任描述非线性模型, 因为这些非线性模型要比简单的乙状结肠函数复杂得多。

在这项研究中, 我们试图通过将领域专家的知识整合到增强的模糊神经网络(EFNN)中来解决上述问题,它基于模糊层次分析法(ahp)生成连接权值,而不必费力而又费时地运转它们。此外,我们的模糊神经网络通过遗传算法(ga)生成和提炼出更全面的活动函数,它能准确地表达出更广泛的非线性模型。最后,引入自适应输入变量来减小牛鞭效应对预测精度的影响。

基于模糊神经网络, 提出了动态备件库存管理系统, 该系统由三部分组成: (1)模糊层次分析法的分层结构开发;(2)权值的确定;(3)基于模糊神经网络的决策。这将在第三部分中详细讨论。

本文的组织方式如下: 第二部分概述了备件库存管理和人工神经网络对需求预测的相关工作。第三部分描述了我国存货管理系统的结构、零部件的层次结构发展评价因素, 以及模糊层次分析法对各评价因子的权值产生。第四部分则提供我们的模糊神经网络。在第五部分中, 用真实的数据实验, 证明了我们提出的方法的实用性。

1. 文献综述

在过去几十年里,备件库存和需求预测管理方面的研究多种多样。然而,对所有这些领域进行审查是超出本文的研究范围的。我们会简略回顾与我们的主题有关的研究。

2.1备用部件库存

有关备件库存管理的文献主要侧重于设计和测试模型或算法,以改进现有系统的管理。

Caglar,李和Simchi-Levi(2004)研究了一个备件库存问题,是一个制造商的电子机器,昂贵的零件,位于不同的客户地点。假定部件根据泊松过程不经常出现故障,他制定了一个模型,以最大限度地减少在每个野外仓库的响应时间约束下的全系统库存成本。

舒尔茨(2004)演示了在给定的工作站和下游工作站上使用现有封闭形式近似方法,机器修理或停机时间的平均值和方差如何影响周期时间。然后,他提出了一种基础库存参数选择方法,同时考虑在缩短周期时间之间的权衡和存货投资。

祥和豪斯曼 (1995) 研究了一个连续、无限、有序备件补给库存模型的多重失效问题。并推导出了积压作业的分布函数和期望数的确切表达式。

上述研究主要是基于对备件需求根据一定的统计过程进行变化的假设。一般来说,在很大程度上了解需求的范围很容易,但在特定的时候很难知道确切的需求。分析师们不得不一直在存货成本和服务水平之间做出艰苦的权衡。因此,近些年来,越来越多的研究人员把研究焦点放到了对备件需求量的预测,这有助于提高存货的性能。

富特(1995)在航空供应办公室进行了一项关于实施新的预报系统的个案研究。他的预测系统主要侧重于哲学、数学原理和系统设计特点。Prakash、Ganesh 和Rajendran(1994)使用模糊层次分析法来评估备件的临界性。他们的方法是使用多种分割技术对零部件进行分类, 补充使用良好的预报程序,包括ABC分析、FSN分析和 VED 分析。Ghobbar和朋友(2003)处理了适用于预测航空公司车队备件需求的技术。他们测试了13种预测方法, 并设计了一个预测误差预测模型, 基于他们的因素水平来比较和评价预测方法。

基本上, 这些方法只能为解决问题提供一套系统化的步骤, 而不考虑全球评估因素之间的关系。因此, 越来越多的研究者将其研究的重点放在基于人工神经网络的需求预测上。

2.2 人工神经网络在需求预测中的作用

目前,人工神经网络已成为解决需求预测问题的最流行的方法。然而,传统的人工神经网络在预测看不见的例子时总是遇到低准确度的问题。因此, 基于遗传算法、模糊系统、专家知识等人工智能技术, 建立了许多改进的人工神经网络。

郭 (2001) 提出了一种由 GA(GFNN) 产生的初始权重的模糊神经网络, 为了学习从营销专家获得的晋升的模糊 IF–THEN 规则。GFNN 的结果进一步与人工神经网络预测相结合。便利店的模型评价结果表明, 该系统比传统的统计方法和单一的人工神经网络能更准确地执行。森耶、曼德尔、尤则托 和夫纳巴士 (2005) 通过结合人工神经网络和模糊规则, 提出了短期负荷预测问题的方法。基于专家知识构造的模糊规则用于校正神经网络输出, 以获得第二天的预测负荷。试验结果表明, 提出的预测方法能对预报精度有较大的提高。楚和张 (2003) 比较了各种线性和非线性模型预测总零售销售的准确性。他们发现, 在样本外预测中, 非线性模型能够优于直线型, 而先前的数据季节性调整可以显著提高神经网络模型的预测性能。

以上提到的人工神经网络活动功能是固定, 并根据精心的反向传播算法来进行连接权值。然而, 我们的 EFNN 不同, 这些人工神经网络: 连接权重是根据专家知识产生的, 活化功能由 GA 产生和提炼出。

1. 拟议系统

3.1问题定义

该系统发展的第一步, 是对备件供应链结构的分析, 这是相当复杂的。在本研究中, 我们从中国汽车公司的大量备件物流系统中提取了供应链的共同结构, 如下所示。

如图1所示, 中央仓库可以从数以百计的公司, 内陆或海外供应商订购部件, 同时, 服务数以百计的本地仓库。当地的仓库可以服务数以百计的维修站和维修站服务数以千计的终端客户。因此, 中央仓库服务多级供应链。可以看出, 供应链等级往高走时, 因为牛鞭效应，订单显示更多的变量和不确定的模式。此外, 由于供应商的广泛分布和批量订购，中央仓库的交货时间总是考虑地很长。举例来说, 中国汽车零部件大部分中央仓库的交货期约为一个月。

重要的是要考虑到中央仓库没有控制属于供应链的本地仓库。此外, 对于每个梯队的库存水平, 也没有任何信息, 和特定记录客户的政策。因此, 中央仓库为了调整其库存性能可以控制的唯一变量就是自己的库存水平。然而, 为了避免缺货, 中央仓库必须长期保持高库存水平。

在这种情况下, 基于领域知识的需求预测是提高库存性能最有效的一个步骤。

图1

3.2 中央仓库备件库存管理系统的结构

拟议的系统, 如图2所示，包括三部分: (1) 模糊层次分析法的层次结构发展, (2) 权值的确定, (3) 基于EFNN做出决策。根据专家的知识, 选择评价因素。这些评价因素的相应数据可以从 ERP 系统中提取出来。然后, 进行问卷调查, 比较各评价因子的相对重要性, 以产生因素权值。应用 EFNN, 为安全库存和每期记录点做出决策。

图2

3.3评价因素的分层结构设计

模糊层次分析法是广泛应用的多准则决策方法之一。模糊层次分析法的主要优点是可以很容易地处理多个标准,并且可以高效的处理定性和定量的数据。模糊层次分析法涉及分解、成对比较和优先向量生成和合成的原则 (Saaty, 1980)。

层次分析法的第一步骤是对领域专家进行分层分解。图3中显示了模糊层次分析法的结构.。第一个级别显示了问题的总体目标, 即每期对备件的需求。第二个级别包括用于评估备选方案的标准。最后一级列出了子标准 (即评估因素)。

3.4 评价因素

对至少十一个因素进行评估, 将其归类为以下五维度:

图3

3.5 确定权值

在建立分层结构后, 提出了基于建议结构的花药问卷。问卷调查用于比较每个级别的元素对在下一个更高层次的每个元素。我们使用七点的尺度, 这将很容易回答。为了避免获得主观的结果, 在每个问卷中, 应聘者会被要求选择较低的值, 平均值和上限值, 每个问题。然后采用模糊层次分析方法, 依赖于三角隶属函数。调查问卷还针对第三、四节中提到的评估专家。为了整合不同专家的意见, 应用了以下公式:

其中 F是返回的表单的个数, L_ij, M_ij和U_ij分别是下、平均值和上部宽度。因此, 我们得到了成对比较矩阵, 它具有以下格式:

其中：

故：

1. 增强的模糊神经网络（The EFNN）

增强的模糊神经网络（EFNN）是一个五层的混合神经网络, 它具有在学习过程中基于GA自组织其激活函数的特点。

• 1. 模糊神经网络的结构

模糊神经网络的输入和输出, 如图4所示，分别代表评价因素和安全存量。模糊神经网络的主要层操作包括以下五个组件:

图4

第一层是输入层。在这一层, 所有的评价因素都被送入模糊神经网络。

第二层是转换层。在这一层中, 完成fuzzification操作。此外, 还引入自适应输入变量 a, 减小牛鞭效应对预测精度的影响。fuzzification操作将每个评估因子映射到模糊集 {NL、NS、ZE、PS、PL} 中的相应元素, 并依赖于表达式 (1) 中显示的成员函数。模糊集{NL、NS、ZE、PS、PL}也被转换成0–4刻度 (0 表示 NL 和4表示 PL)。

a 可以由基于趋势分析预测方法的时间序列生成。时间序列是用根据表达式 (2) 在每个期间创建的参数 b_t构造的。

其中o是一个常数, o的主要功能是确保对TA的生长模型的拟合结果. O可以通过不分明化在每个周期中根据表达式 (1)的脆值得到需求, W_i 是评价因子 i 的权值, d_i是属于评价因子 i 的模糊变量的值。

第三层是转移层。该层中的连接权值由第三节前面提到的模糊层次分析法得到。此层中只有一个神经元, 其值在表达式（3）中定义。

层4是输出层。在这一层,我们将为我们的预测参数计算出一个脆值:根据激活函数和上一层的神经元数值计算出对备用不见的需求, 即

层5是输出层。要保证预测结果能与实际需求的数值相符是很困难的。当一个人悲观时, 你会预料到最坏的情况。因此,需求的价值将大于预测结果。如果一个人是乐观的,你就会期待最好的。因此,分析师将设定的需求值小于预测结果。然而, 大多数决策者既不完全乐观也不完全悲观。因此,一个乐观系数x就被建立, 0lt;xlt;3。然后真正的安全存货 (ss) 可以由

• 1. 遗传算法用于生成和细化激活函数

我们采用更复杂的函数而不是选择简单的乙状结肠函数作为激活函数, 这将更适合基于遗传算法的现实生活中的非线性模型。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[140908]，资料为PDF文档或Word文档，PDF文档可免费转换为Word