基于神经网络的企业供应物流系统评价

田石磊

摘要：本文通过对企业物流系统自身特点的分析，通过对供应物流的系统评价方法的应用，进行供应物流系统相关内容的评价指标的建立，以此打造供应物流系统的BP神经网络来对企业的绩效评价作出评估。

关键词：神经网络；企业；供应物流系统；评价

中图分类号：F224.0；F252 文献识别码：A 文章编号：1001-828X（2017）009-0-01

前言

供应物流系统作为企业运营过程中的关键环节，就需要对其进行不断地升级和完善。物流系统的评价体系作为决策过程中的基本依据，就要求企业必须提高物流评价的准确性，以此促进企业物流的运行效率。

一、供应物流系统相关指标的建立

物流系统的指标建立需遵循以下原则：相关原则、可比原则和系统原则，然后通过与企业自身特点的结合，采用物流系统的评价方法来建立企业物流系统的指标评价综合体系。在这个体系中包含了四个一级指标以及18个二级指标。

二、BP神经网络

1.概述

美国认知心理学家鲁姆哈特于1986年提出了BP神经网络，它是为了进行多层次网络中所隐含连接问题的有效解决。由于BP神经网络具备强大的泛华、自组织、非线性映射以及误差反馈和调整能力，使得它在物流供应系统方面得到了广泛的应用与研究。

2.BP结构模型

作为一种都曾的前馈网络，BP神经网络包含了三个层次，即：输出层、隐含层和输入层。其中，隐含层的数目既可以是单层，也可以是多层。在这个网络层级当中，每一层网络都由若干结点构成，而每一个结点又表示了一个神经元。在隐含层中所包含的神经元经常运用S型的激活函数，输出或输入层所包含的神经元一般会采取线性传递函数，在BP神经网络中，其上层和下层的结点会经由权值来进行相互直接连接的建立，同一层网络中的结点相互之间并无关联。

从BP结构模型我们能够发现，输入层神经元节点的总数为m，而隐含层的神经元结点总数为n，且输出层的神经元节点总数为q。其中，xk（i）表示输入样本k及指标i的初始数据；vk（i）表示输入样本k和指标i在经过规范化处理后所得到的数据；wij表示输入层中第i个神经元与第j个隐含层的神经元之间的连接权重；rjl表示隐含层中第j个神经元与输出层中第l个神经元之间的连接权重；而yl表示第l个输出层的神经元输出。BP神经网络的隐含层一般运用S型的神经元函数（tansig（）），它的输出结果会被限定在区间[0，1]之内。输出层的神经元传递通常会使用purelin型的线性神经元。

3.BP神经网络计算

（1）于[-1，1]区间内对各个层级之间的连接权重Rjl和Wij与阈值θj和εc进行随机初始值的赋予；（2）选取其中的一组数据当作计算的训练样本X=（x1，x2，…，xm）T与期望的输出样本Y=（y1，y2，…，yq）T；（3）利用连接权重rjl和Wij以及输入数X=（x1，x2，…，xm）T2来对隐含层各个节点输入值sj进行计算，之后通过sj借助S型函数f（x）来对隐含层各个节点输入值bj进行计算；（4）通过对隐含层输出bj、阈值以及连接权重Rjl的利用，来计算输出层各节点处的输入值Pq，之后再通过Pq，并且借助输出层的函数来计算出输出层的各节点处的输出值；（5）然后对输出层与隐含层之间的误差进行数值计算；（6）通过反向传播，来对连接权重与阈值进行修正，从而得到新权重与阈值；（7）通过数次学习，使其最后的误差与网络预设值接近，那么训练结束；否则，将继续反复训练，直到达成目标误差或是达到了最大的学习次数，方能终止学习。

三、实例探究

1.指標值获取及处理

本例中将进行20个企业样本的选取，然后根据它的调查材料和财务年度报表来进行20个企业供应物流系统的各个评价指标初始数据的确定，而系统的各个综合期望值Q则由专家依据经验给出。考虑到初始数据表示含义的不同，因此，为了便于分析，这里会对初始数据进行系统性的的归一化处理。

2.建立神经网络

即对企业的供应物流系统的绩效作出评价，这需要建立三层的神经网络，包含了输入层、隐含层和输出层。

（1）输入层共有18个节点，与之相对应的是18个评价指标；输出层有1个节点，与综合评价值相对应。

（2）隐含层的节点数目是经由经验公式来确定的。隐含层节点过少，则会对神经网络信息处理与学习能力造成影响；节点过多则会增加神经网络计算学习的复杂程度，降低学习效率。经由计算我们能够得出隐含层节点数为4或者是5，具体的取值需要经过实际的训练来获取。我们经过多次训练发现，隐含层节点数设为5能够取得最佳效果。

3.神经网络的训练分析

在本例中，设置网络的学习率lr=0.01，其最大的训练次数是5000次，目标误差是0.001，具体的训练过程如下所示。

（1）BP神经网络的网络训练过程。首先，选取前面的15个样本当作训练时的样本，对神经网络进行训练，共经历了1352次的迭代训练，使其方差值达0.000999，对训练误差的要求达到了满足条件，此时训练终止。

（2）BP神经网络的可靠性验证。以20组评价数据当中的后面5组为测试实验组，对其进行网络训练检验。从训练中我们能够发现，神经网络最终的仿真结果同期望值基本保持一致，且后面5组的数据仿真误差值均在±0.1%的范围之内，这就表明，训练后的BP网络能够对企业的供应物流系统进行有效的绩效评价。

4.其他实例

我国是制造业大国，以制造企业为例。在进行企业物流系统的指标评价综合体系的构建中，首先，建立四个一级指标，9个二级指标，35个三级指标；其次，通过对所评价事物进行等级划分，以“非常好、较好、一般、较差、非常差”这五项等级进行划分，每个等级予以不同的权重赋值，在此基础上借助计算机软件技术实现对各个指标评价值的计算处理；再次，通过函数对评价指标值实现输入和输出的过程，从而确定各个指标的权重值；然后，通过计算进行实际值与误差值的比较，确保小于误差值，则停止迭代化计算，否则，则需返回重新进行计算，直至每个样本值都小于预期误差值方能停止；最后，建立综合评判性的数学模型，并依据各项指标的最终评估结果，发现制造企业供应链中的绩效薄弱环节，从而确定物理管理工作的切入点，实现企业物流的高效管理。

四、结语

综上所述，（1）对企业的供应物流系统进行了指标评价综合体系的建立，并依据实际因素，设立了四个一级指标以及十八个二级指标；（2）建立了BP神经网络，然后通过训练与检验得到了预期的评价结果，以此证明了神经网络方法是一种切实可行的方法，为完善企业的供应物流系统的评价提供了有力的依据。