《基于GA-BP神經(jīng)網(wǎng)絡(luò)的配送中心庫存預(yù)測探析案例》3100字

基于GA-BP神經(jīng)網(wǎng)絡(luò)的配送中心庫存預(yù)測分析案例綜述目錄TOC\o"1-2"\h\u15993基于GA-BP神經(jīng)網(wǎng)絡(luò)的配送中心庫存預(yù)測分析案例綜述 1157471.1遺傳算法 1285171.1.1遺傳算法簡介 1102871.1.2遺傳算法基本要素選取 2164321.1.3遺傳算法計(jì)算方式 3266191.2GA_BP神經(jīng)網(wǎng)絡(luò)算法流程 4154581.3GA_BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和仿真 5190111.4靈敏度分析 8297141.4.1單因素靈敏度分析 8241341.4.2全因素靈敏度分析 97601.5模型預(yù)測效果對比分析 101.1遺傳算法1.1.1遺傳算法簡介基于進(jìn)化論和遺傳學(xué)說，遺傳算法可以在不斷運(yùn)行的過程中，進(jìn)行自主的選擇和操作，最終在自適應(yīng)的計(jì)算中求解得到一個(gè)最優(yōu)方案[50]。在遺傳算法的每一次迭代中，個(gè)體種類的篩選都是通過其適應(yīng)度值來決定，一些適應(yīng)性較差的個(gè)體被淘汰，而適應(yīng)性強(qiáng)的個(gè)體則進(jìn)入下一輪的進(jìn)化，直到滿足優(yōu)化條件或者收斂要求。遺傳算法對復(fù)雜問題優(yōu)化發(fā)揮重要的作用，和其他算法相比，其優(yōu)勢主要體現(xiàn)在[51]：①應(yīng)用范圍廣泛。首先，遺傳算法的適應(yīng)度函數(shù)不受連續(xù)可微的約束，因而可以依據(jù)待解決問題情況的不同進(jìn)行不同的設(shè)定；其次，遺傳算法通過將問題參數(shù)編碼作為處理對象的方式使其能更加直接地處理結(jié)構(gòu)對象，因而使用范圍更加廣泛。②并行處理能力強(qiáng)。遺傳算法將處理對象劃分為數(shù)個(gè)種群，將大樣本劃分為多個(gè)小樣本，在每個(gè)種群內(nèi)進(jìn)行搜索，并且能通過多臺計(jì)算機(jī)同時(shí)演化計(jì)算，實(shí)現(xiàn)信息之間的相互交流，通過把所有結(jié)果進(jìn)行比較得到最優(yōu)解。③全局搜索能力強(qiáng)。傳統(tǒng)算法從待解決問題的單個(gè)解開始搜索，從單個(gè)初始值的迭代計(jì)算結(jié)果中產(chǎn)生最優(yōu)解，而這種產(chǎn)生最優(yōu)解的方式往往會導(dǎo)致局部最優(yōu)解問題。相比之下，遺傳算法把源數(shù)據(jù)劃分為多個(gè)種群，從每個(gè)種群出發(fā)尋找最優(yōu)個(gè)體。這種從待解決問題的多個(gè)解出發(fā)的搜索方式，能有效規(guī)避局部最優(yōu)解問題。1.1.2遺傳算法基本要素選?。?）運(yùn)行參數(shù)遺傳算法通過模擬自然進(jìn)化過程來搜索最優(yōu)解，所以需要用參數(shù)來表達(dá)自然環(huán)境。根據(jù)經(jīng)驗(yàn)和前人的研究[52-54]，本文選取的參數(shù)如表5-1。表5-1遺傳算法基本參數(shù)參數(shù)名稱具體數(shù)值初始種群規(guī)模交叉概率變異概率P進(jìn)化代數(shù)（2）編碼遺傳算法主要采用三種方法，即符號編碼、實(shí)數(shù)編碼和二進(jìn)制編碼。本文函數(shù)求解過程采用實(shí)數(shù)編碼的方式[55]，染色體編碼采用線性插值的方式，即x=lb+其中是自變量的下界，為自變量的上界，是[0,1]區(qū)間的隨機(jī)數(shù)。該編碼方式的優(yōu)點(diǎn)主要體現(xiàn)在：設(shè)計(jì)簡單、弱化了計(jì)算的復(fù)雜程度、提高運(yùn)行效率和計(jì)算精度、有利于搜索較大的空間和表示大范圍的數(shù)。（3）適應(yīng)度函數(shù)適應(yīng)度值是區(qū)分種群中每個(gè)個(gè)體好壞的指標(biāo)，本文將個(gè)體適應(yīng)度值定F義為網(wǎng)絡(luò)期望輸出和預(yù)測輸出之間的誤差絕對值和，即F=ki=1其中，k為系數(shù)，是網(wǎng)絡(luò)的期望輸出值，是網(wǎng)絡(luò)的預(yù)測輸出值。從上式可以看出，個(gè)體適應(yīng)度值越小越好。1.1.3遺傳算法計(jì)算方式（1）選擇運(yùn)算在個(gè)體交叉、變異之前需要確定是哪些個(gè)體要進(jìn)行這些運(yùn)算，即選擇個(gè)體。本文選擇輪盤賭法[56]對個(gè)體進(jìn)行選擇，每個(gè)個(gè)體i的選擇概率為fPi其中，F(xiàn)i為個(gè)體i的適應(yīng)度值，對個(gè)體選擇之前對適應(yīng)度值取倒數(shù)，即fj，k為系數(shù)（2）交叉運(yùn)算交叉運(yùn)算是把個(gè)體的部分基因以不確定方式相互交換，從而生成兩個(gè)新個(gè)體。本文采用算術(shù)交叉[57]的方法，第m個(gè)個(gè)體與第n個(gè)個(gè)體的第i個(gè)染色體上的交叉操作為：(5?5)其中，r為[0,1]上的隨機(jī)數(shù)。（3）變異運(yùn)算初始個(gè)體需要經(jīng)過變異以后才能變得更優(yōu)秀，每個(gè)個(gè)體有很多基因，通過對基因變異，達(dá)到對個(gè)體變異的效果。變異操作方法如下[58]：(5?6)其中，是基因的上限和下限，，為一個(gè)隨機(jī)數(shù)，g為當(dāng)前迭代次數(shù)，為最大進(jìn)化次數(shù)，r為[0,1]上的隨機(jī)數(shù)。1.2GA_BP神經(jīng)網(wǎng)絡(luò)算法流程遺傳算法將初始數(shù)據(jù)劃分為若干種群，在種群不斷更新的過程中通過計(jì)算找到最優(yōu)個(gè)體。BP神經(jīng)網(wǎng)絡(luò)利用該最優(yōu)個(gè)體對網(wǎng)絡(luò)初始權(quán)值和閾值賦值，經(jīng)過網(wǎng)絡(luò)訓(xùn)練后得到滿足條件的輸出[59]。圖5-1是GA_BP算法流程圖。是否滿足約束是否滿足約束BP神經(jīng)網(wǎng)絡(luò)開始網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定網(wǎng)絡(luò)結(jié)構(gòu)初始化誤差信號計(jì)算權(quán)值閾值調(diào)整網(wǎng)絡(luò)全局總誤差計(jì)算輸出結(jié)果結(jié)束遺傳算法染色體編碼初始種群產(chǎn)生適應(yīng)度函數(shù)建立比例選擇算子交叉變異群體更新輸出最優(yōu)解是否滿足約束否是否圖5-1GA_BP算法流程圖1.3GA_BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和仿真基于遺傳算法優(yōu)化過程中，最佳適應(yīng)度值變化如圖5-2所示，群體在進(jìn)化中不斷更新，到第8代時(shí)，算法得到最優(yōu)個(gè)體適應(yīng)度0.1816，網(wǎng)絡(luò)找到最優(yōu)個(gè)體。圖5-2最佳適應(yīng)度值變化優(yōu)化后得到BP神經(jīng)網(wǎng)絡(luò)最優(yōu)初始權(quán)值和閾值如下：輸入層隱含層權(quán)值W1為：[-2.3865 -2.9314 0.0361 -0.6430 1.7971 0.0569 -0.3183 -0.42751.75630.2779 2.1644 2.9950 2.2073 2.7832 1.8252 -0.1802 -2.4506 -0.75670.4141 -1.6132 0.7569 1.1749 1.5405 -0.3414 1.4477]隱含層輸出層權(quán)值W2為：[-2.6955 1.1779 1.6816 -0.72471.6898]隱含層閾值B1為：[1.4405 0.5975 -1.9612-0.8946 0.3718]輸出層閾值B2為-2.4593。利用這些數(shù)據(jù)對190組樣本進(jìn)行訓(xùn)練，迭代到100代時(shí)，滿足條件并終止，此時(shí)的最佳驗(yàn)證性能為0.00000012107。圖5-3最佳驗(yàn)證性能曲線訓(xùn)練網(wǎng)絡(luò)預(yù)測性能的驗(yàn)證性分析如圖5-4所示。R值為擬合程度，用于測量輸出值與目標(biāo)值之間的相關(guān)度?？梢钥闯?，對于4個(gè)樣本，R值都在0.99以上。模型擬合精度R2圖5-5網(wǎng)絡(luò)預(yù)測性能驗(yàn)證性分析圖圖5-6GA_BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出和期望輸出對比網(wǎng)絡(luò)預(yù)測誤差和預(yù)測誤差百分比分別如圖5-7和圖5-8所示。網(wǎng)絡(luò)輸出值和預(yù)測值之間的絕對誤差在0.07以內(nèi)，表現(xiàn)出預(yù)測值的高度準(zhǔn)確性。圖5-7預(yù)測誤差圖5-8預(yù)測誤差率1.4靈敏度分析1.4.1單因素靈敏度分析不同影響因素對網(wǎng)絡(luò)輸出量的影響程度不同，單因素靈敏度檢驗(yàn)通過計(jì)算某一參數(shù)的變動而導(dǎo)致的模型輸出結(jié)果變化率來反映該參數(shù)的靈敏度。本文采用因子變化法進(jìn)行靈敏度檢驗(yàn)，單因素靈敏度檢驗(yàn)的原理如下式[46]：其中，δ是靈敏度系數(shù)；γ是GA_BP神經(jīng)網(wǎng)絡(luò)預(yù)測值；Δγ根據(jù)該原理，本文選取1組數(shù)據(jù)作為樣本對訂貨價(jià)格、制造周期、訂單批量和準(zhǔn)達(dá)率分別進(jìn)行靈敏度檢驗(yàn)，該組數(shù)據(jù)詳見表5-1。單因素靈敏度分析結(jié)果如表5-2所示。表5-1單因素靈敏度分析樣本日期訂單價(jià)格制造周期訂單批量準(zhǔn)達(dá)率實(shí)際庫存需求GA_BP神經(jīng)網(wǎng)絡(luò)預(yù)測值2017121350.2201512323.3939555表5-2單因素靈敏度分析結(jié)果被檢驗(yàn)參數(shù)（μi變化率（k）變化量（Δμ網(wǎng)絡(luò)原輸出值（γ）網(wǎng)絡(luò)現(xiàn)輸出值（γi輸出值變化量（Δγ）靈敏度系數(shù)（δ）訂貨價(jià)格-10%1.0223.4021.762.3610.11%制造周期-10%223.4024.200.83.43%訂單批量-10%1.523.4024.290.893.82%準(zhǔn)達(dá)率-10%0.123.4021.091.697.23%從表5-2可以看出，在被檢驗(yàn)參數(shù)變化率相同、皆為10%的情況下，該網(wǎng)絡(luò)的輸出量不盡相同，訂貨價(jià)格、制造周期、訂單批量和準(zhǔn)達(dá)率的靈敏度系數(shù)分別是10.11%、3.43%、3.82%和7.23%，也就是，相對于制造周期和訂單批量而言，訂貨價(jià)格和準(zhǔn)達(dá)率的單一變動對庫存量的影響更大，因此，管理者在制定庫存策略、實(shí)施庫存管理時(shí)，應(yīng)著重注意訂貨價(jià)格和準(zhǔn)達(dá)率這兩個(gè)因素。1.4.2全因素靈敏度分析全因素靈敏度分析，即計(jì)算因全因素的同向變動而導(dǎo)致的輸出量的變化率，選用與單因素檢驗(yàn)相同的數(shù)據(jù)作為檢驗(yàn)樣本，與單因素靈敏度分析方法相似，全因素靈敏度分析方法原理如下式：當(dāng)把訂貨價(jià)格、制造周期、訂單批量和準(zhǔn)達(dá)率的源數(shù)據(jù)都變化10%是=時(shí)，神經(jīng)網(wǎng)絡(luò)的輸出值發(fā)生了變化，分析結(jié)果如表5-3所示。表5-3全因素靈敏度分析結(jié)果被檢驗(yàn)參數(shù)（μi變化率（k）變化量（Δμ網(wǎng)絡(luò)原輸出值（γ）網(wǎng)絡(luò)現(xiàn)輸出值（γ）輸出值變化量（Δγ）靈敏度系數(shù)（β）訂貨價(jià)格-10%1.0223.4024.350.964.09%制造周期-10%2訂單批量-10%1.5準(zhǔn)達(dá)率-10%0.1從表5-3可以看出，當(dāng)訂貨價(jià)格、制造周期、訂單批量和準(zhǔn)達(dá)率這四個(gè)輸入量全部變動10%，網(wǎng)絡(luò)輸出量相應(yīng)變化4.09%，表現(xiàn)出較強(qiáng)的靈敏度。1.5模型預(yù)測效果對比分析采用Excel2016繪制了兩種模型預(yù)測的整車配送