遗传算法在供应商绩效评价中的应用，本文主要内容关键词为：算法论文,供应商论文,绩效评价论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
1 引言
20世纪90年代以来，供应链管理作为一种新的适应全球制造和顾客需求多样化的管理模式，在企业中得到了广泛的应用。在供应链管理环境下，企业的管理思想发生了巨大的变化。很多企业也意识到供应链管理的潜力，但是由于缺少对集成供应链的全面理解，对供应商绩效评价的有效性较差。在供应链管理模式下，供应商与制造商之间不再是简单的货物交易关系，他们是一个利益共同体，通过优势互补和协调效应产生企业单独竞争时所不能产生的优势。如何在伙伴关系的情况下进行供应商的绩效评价和选择，对供应链的健康成长、实现战略目标有着重要的意义。供应商的绩效评价对制造企业的影响越来越大，在交货、产品质量、提前期、库存水平、产品设计等方面都影响着制造商的成功与否[1]。为了实现低成本、高质量、柔性生产、快速反应等企业目标，企业供应商合作伙伴的评价和选择对于企业来说是多目标的，包含许多可见的和不可见的多层次的因素。
对于如何评价供应商，国内外的很多学者都做了探讨，认为可从质量、成本、交货期3方面来评价供应商。大体来看，过去的供应商绩效评价多数是基于传统的简单交易关系，强调的指标主要是质量、价格和交货期等仅反映结果的滞后指标，不能对供应商进行全面性的评估，也不能满足长期稳定伙伴关系的发展需要，无法达到供应链组织长期发展的战略目标。
2 遗传算法及BP神经网络原理优化
遗传算法是一种基于自然选择和群体遗传机制的搜索算法[2]，它模拟了自然选择和自然遗传过程中发生的繁殖、杂交和突变现象。在利用遗传算法求解问题时，问题的每个可能解都被编码成一个“染色体”，即个体，若干个个体构成了群体，构成所有可能解。在遗传算法开始时，随机产生初代种群，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小挑选个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表的新解集的种群。这一群新个体由于继承了上一代的一些优良性状，因而在性能上要优于上一代，这样逐步朝着更优解的方向进化。因此，遗传算法可以看作是一个由可行解组成的群体逐代进化的过程。本文应用遗传算法对BP神经网络权值进行优化，利用了遗传算法的全局搜索能力，并具有较强的鲁棒性。
神经网络分类很多，其中反向传播(BP)网络应用最为广泛。Robert Hecht Nielson证明了对于任意闭合区间，连续函数都可以用含有一个或者多个隐层的BP网络来逼近[3]。在应用BP算法时应注意以下几点：①BP学习时权值的初始值是很重要的。初始值过大或过小都会影响学习速度，因此权值的初始值应选为均匀的小数经验值，应将初始权值设为随机数；②学习率的选择不当会导致很大的网络误差。学习率选得过小，则收敛速度将很慢；学习率选得过大，则很可能回馈调整过头而产生振荡甚至无法收敛；③学习过程中容易陷入局部极小值。为克服以上缺点，本文采取了以下措施：①单元的激活函数为tansig函数，数据进行归一化处理；②网络权值利用随机化初始数；③利用遗传算法的全局搜索能力[4]。
3 基于遗传算法和BP神经网络的供应商绩效评价系统
3.1 进化网络算法模型
结合遗传算法和BP神经网络，本文设计了如图1所示的进化网络算法。
图1 进化网络计算模型
3.2 遗传算法学习BP网络权值的具体步骤[5]
(5)将新个体插入到种群P中，并计算新个体的评价函数；
(6)如果找到了满意的个体，则结束，否则转(3)。
达到所要求的性能指标后，将最终群体中的最优个体解码即可得到优化后的网络连接权系数。
4 基于平衡记分卡的供应商绩效评价指标体系
4.1 基于平衡记分卡的供应商绩效评价指标体系的构建
由Kaplan & Norton所提出的平衡记分卡(BSC)系统为我们提供了一个评价组织战略绩效的基本框架。平衡记分卡的概念反映在一系列指标间形成的平衡，即短期目标和长期目标，财务指标和非财务指标，滞后型指标和领先型指标，内部绩效和外部绩效之间的平衡。管理的注意力从短期目标的实现转移到兼顾战略目标实现。
平衡记分卡分为4个方面，确保组织从系统的角度反映战略的实施，具体包括：顾客方面、内部流程运作方面、改进学习方面、财务方面[6]。本文建立了基于BSC思想的供应商绩效评价指标体系，如图2所示。
4.2 训练样本数据处理
本文选择了10家供应商作为样本，在将样本数据输入进化网络前，进行归一化预处理[8]。样本数据见表1。
5 结论与讨论
在Matlab上编程并运行，运行后的输出结果见表2，平方和误差曲线和适应度曲线见图3。从表2中可以看出运行结果比较理想，而图3表明经过大约900代的遗传搜索后，适应度趋于稳定。
本文设计了进化网络计算模型，克服了BP神经网络学习过程中易陷入局部极小的缺陷；而引入遗传算法则利用了遗传算法的宏观搜索能力，将两者结合很好地发挥了各自的优势。理想的输出结果也验证了进化网络的模型优势。