基于BP神经网络需求预测的最优库存控制模型研究//.paper.edu-1-基于BP神经网络需求预测的最优库存控制模型研究崔宁1，张万颖21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〔〕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(,)ttsS最优库存控制策略进行研究，通过分析模型的本钱函数给出最优的(,)ttsS策略。关键词：BP神经网络；库存控制；最优策略：N949引言为确保生产的持续进行，一定数量的备件储藏是必要的，但是如果储藏量过大，一方面将占用大量的流动资金，产生巨额的资金占用本钱；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，设备更新后的超储藏件也将成为闲置或待报废件，这都会使企业增加生产本钱，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给，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1.1BP网络的拓扑结构反向传播网络〔Back-PropagationNetwork，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。1x2xnx图1BP网络图…………输入层隐层输出层//.paper.edu-2-1.2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局部组成。在正向传播过程中输入样本()*,ikxy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ky，如果得不到期望的输出那么转入反向传播。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()0εε》，学习率L及动量系数α，并选择初始权值0W；〔2〕计算网络输出ky；〔3〕用式()2*112nkkkEyy==??∑计算误差函数E。如果Eε??，转〔5〕，否则转〔4〕；〔4〕用式()()()1jkjkjkwwjkjkEwNLwNwNα????=??+??????和()()()1iji激jwwi激jEwNLwNwNα????=??+??????分别调整输出层和隐含层的权值，转〔2〕；〔5〕存储最有值*W，算法结束。权值调整是在误差向后传播过程中逐层进行的，当网络的所有权值都被更新一次之后，网络就经过了一个学习周期。网络经过假设干次训练〔迭代〕后，得到了网络的最优权值。网络训练得到最优权值之后，我们就可以利用所建立的BP网络对需求进行相对准确的预测，而预测结果用于库存控制，那么可以有效的提高库存控制的效率，提高客户效劳水平。2.基于BP神经网络需求预测的最优库存控制模型库存控制的目的主要是解决三个问题：确定库存检查周期、确定订购量和确定订购点〔何时订货〕。根据需求性质的不同库存控制又可以分为平稳需求的库存控制策略和非平稳的库存控制策略。下面研究的是非平稳需求的库存控制策略。现有的非平稳需求库存控制策略可分成三类：静态不确定策略〔staticuncertaintystrategy〕、静动不确定策略〔static-dynamicuncertaintystrategy〕和非平稳的(,)sS策略。[2]这里所采用的(,)ttsS库存控制策略即是这种动态的非平稳需求的策略，不同阶段的参数〔再订购点和订制水平〕就不同。[3]假设订购某种产品来满足方案时间段T期内的非平稳需求。需求()1,2,...,tDtT=为独立，非负离散的随机变量，其分布函数(.)tF预测可得，需求的均值与分布随时间变化。从t期...