基于BP神经网络需求预测的最优库存控制模型研究.pdf

基于BP 神经网络需求预测的最优库存 控制模型研究 1 2 崔宁 ，张万颖 1 辽宁工程技术大学机械工程学院，辽宁阜新（123000 ） 2 辽宁工程技术大学职业技术经济学院，辽宁阜新（123000 ） E-mail ：seaning618@126.com 摘 要：迅速变化的市场使企业面临着一个存在诸多不确定性因素且无法准确预测的买方市 场。在这样的背景下，其核心问题都是库存控制。本文采用BP 神经网络的方法对非平稳需 求(s , S ) 最优库存控制策略进行研究，通过分析模型的成本函数给出最优的(s , S ) 策略。 t t t t 关键词：BP 神经网络；库存控制；最优策略 中图分类号：N949 引言 为确保生产的持续进行，一定数量的备件储备是必要的，但是如果储备量过大，一方面 将占用大量的流动资金，产生巨额的资金占用成本；另一方面，由于备件的长期存放，备件 锈蚀损坏，加上由于生产及科技进步的需要，设备更新后的超储备件也将成为闲置或待报废 件，这都会使企业增加生产成本，降低经营效益。因此，在市场经济条件下，经济合理地组 织备件供应，压缩库存量，加速资金周转，具有重要意义。从模式识别的角度看，库存控制 是一个寻找(识别)模型的过程；从订货量影响因素→订货量之间的映射关系来看，库存控制 是一个函数逼近过程；从订货量影响因素→订货量之间的噪声与预测准确度处理方式来看， 库存控制又是一个最优化过程。模式识别、函数逼近、最优化处理是BP 神经网络最擅长的 应用领域，因此，BP 神经网络运用于库存控制是非常适合的。 1. BP 神经网络需求预测模型 1.1 BP 网络的拓扑结构 反向传播网络（Back-Propagation Network ，简称BP 网络）是将W-H 学习规则一般化， 对非线性可微分函数进行权值训练的多层网络。[1]BP 多层神经网络结构如图1 所示,网络结 构由输入层、中间层和输出层组成,中间层为隐含层,可以是一层或者多层。图中 BP 网络包 括输入层、隐层和输出层。 x 1 x 2 x n …… …… 层 入 输 层 隐 层 出 输 图1 BP 网络图 - 1 - 1.2 网络的学习过程 BP 网络的学习过程由正向传播和反向传播两部分组成。在正向传播过程中输入样本 * (x , y ) i k 从输入层经隐含层处理并传向输出层，每一层神经元状态只影响下一层神经元状 态。在输出层计算实际输出y k ，如果得不到期望的输出则转入反向传播。此时，误差从输 出层向输入层反向传播并沿途调整各层间权值W ，以使误差不断减小。经过反复迭代，当 误差小于允许值，即网络适应了要求的映射时，网络的训练过程即告结束。 BP 网络学习的具体步骤：[1] （1）初始化。确定神经元的转换函数（通常取为 Sigmoid 函数），给定精度控制参数 ε ε 0 ( )