ac公司基于bp神经网络预测安全库存优化研究

《ac公司基于bp神经网络预测安全库存优化研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、AC公司基于BP神经网络预测安全库存优化研究　　摘要：中国工程机械行业不断扩大的产品线及业务规模，使企业面临一个存在较多不确定因素且无法准确预测客户需求的买方市场。在这种背景下，如何更好的满足客户的需求，同时能有效降低企业库存成本，成为许多工程机械企业面临的最大难题。本文运用BP神经网络预测方法，通过Matlab工具箱仿真实现企业对于售后服务配件安全库存的预测及优化，保证客户满意度的同时，优化企业库存成本，提升企业产品服务的竞争力。关键词：工程机械安全库存BP神经网络预测MATLAB仿真模型一、引言AC公司作

2、为全球最大的气体压缩机及工程机械产品专业制造商，是世界上最大的工业集团之一。集团在四大洲15个国家生产3000多种产品。通过渗透于150个国家的销售网络，采取多品牌策略，专业营销麾下各产品，其中半数产品由集团全权拥有或控制的销售公司统一销售。7集团主要由四大部门组成，即压缩机技术部、工业技术部、建筑及矿山技术部和租机服务部。其中，移动式空气压缩机、液压破碎锤、移动式发电机、手持式气动工具等机械工程产品，是AC公司建筑及矿山技术部的主打产品。为适应日趋激烈的市场竞争，公司产品线覆盖面的不断扩大。随着公司业务不断

3、增长的同时，各类工程机械产品售后服务配件的种类和数量也越来越多，客户对售后服务配件的要求不断提高。面对客户与市场复杂的需求，企业为提升市场反应能力，保证销售及业务的连续性，库存金额逐月上升。如何更好地满足客户的需求，同时能有效降低企业库存成本；不断提高企业的竞争力，成为许多工程机械企业面临的最大难题。在这种背景下，在保证客户满意度的同时，优化企业库存成本，成为AC公司售后服务部重要目标。本文运用BP神经网络预测方法，通过Matlab工具箱仿真实现企业对于售后服务配件安全库存的预测及优化。二、BP神经网络需求预

4、测模型反向传播网络（Back-PropagationNetwork，简称为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。BP多层神经网络结构如图1所示，BP网络结构由输入层、中间层和输出层组成，中间层为隐含层，可以是一层或多层。图中BP网络包括输入层、隐含层和输出层。7BP网络算法的基本思想，是在学习过程中，由信号的正向传播以及误差的反向传播这两个过程组成。正向传播时，输入样本由输入层传入，经过各隐层逐层处理完毕后，传向输出层。若输出层的实际输出与期望的输出不相符，即转入误差的

5、反向传播阶段。误差反传将输出误差以某种形式由隐含层向输入层逐层反传，并将输出误差反摊给各层的所有单元，从而得到各层单元的误差信号，该误差信号即为修正各单元权值的依据。这种信号在各层权值中的正向传播与误差的反向传播调整过程是周而复始的，这也就是网络的学习训练过程。此过程持续进行到网络输出的误差数值减少到可接受的程度为止。三、AC公司实际库存值的影响因素分析针对AC公司每月库存进行分析，以重要售后服务零件为样本，记录每月的仓库安全库存值，以及相关影响指标值，预测对象是各售后服务备件的月度最小安全库存值。为便于讨论

6、，本文选取20组AC公司最常用的售后服务零配件的某月度最小实际库存值历史数据作为参考依据。通过实际调查发现，AC公司影响原料安全库存的因素可以分为企业内部因素和企业外部综合因素，结合AC公司的实际情况，选取对影响安全库存量较大的因素作为网络输入层节点。1.企业外部综合影响因素：主要考虑供应商等因素，如市场需求量（件/月）、订单到货周期（天）、供应商产品合格率等。7（1）市场需求量（件/月）：售后服务产品零配件月度总市场需求；（2）订单到货周期（天）：物料部门根据市场需求，下订单后，供应商供应周期；（3）供应商

7、产品合格率：配件订单到货后检测合格率；2.企业内部影响因素：主要考虑物料部门对库存维护，发货管理等费用及产生影响因素，如配件订货费用（元/件）、保管费用（元/件）、缺货损失（元/件）等。（1）订货费用（元/件）：物流部门根据售后服务部门的需求，向供应商产生订单后，配件入库前所产生的运输等费用；（2）保管费用（元/件）：物流部门对安全库存的维护管理费用；（3）缺货损失（元/件）：缺货成本是指生产时因缺少该物资而造成的损失费用。本文根据AC公司某月度实际库存数据，将以上6点影响安全库存的主要因素作为输入层，输出层

8、为实际安全库存，即对AC公司现实运营中安全库存进行预测及模拟分析，详见表1。由于神经网络预测系统是非线性的，初始值的设定将对学习能否达到局部最小化起到很大的作用，因此需要初7始化权值使输入累加时每个神经元的初始状态值都接近于零。输入/输出样本需进行归一化处理，使比较大的输出落在传递函数梯度较大的地方，避免因指标量纲的不同，使得部分神经元达到过饱和状态。现对数据输入/输出向量作归一化处理，令：X‘=X