基于混沌神經(jīng)網(wǎng)絡的庫存預測模型及其構造方法
【專利摘要】一種基于混沌神經(jīng)網(wǎng)絡的庫存預測模型及其構造方法，成品庫存的備貨量在精準配送中是關鍵的因素，成品庫存量充足則精準配送就有了保障，但成品庫存量高會給企業(yè)帶來高風險，一方面原卷加工成成品后就很難再用于加工其他物料成品，一旦用戶不使用就很可能變成廢品，另一方面成品庫存占用較大的庫存空間，會使本來就有限的庫容變得更加緊張。本發(fā)明將工作分成兩個階段來展開，先是學習階段，通過近三年樣本公司全部配送用戶的數(shù)據(jù)作為樣本建立模型，利用這些樣本對混沌神經(jīng)網(wǎng)絡的連接權系數(shù)進行學習和調(diào)整，以使網(wǎng)絡實現(xiàn)給定的輸入輸出關系；然后是實施階段，使用已經(jīng)訓練成型的神經(jīng)網(wǎng)絡獲取預期的效果，建立完善運算模型，實現(xiàn)庫存量的合理設置。
【專利說明】
基于混沌神經(jīng)網(wǎng)絡的庫存預測模型及其構造方法
技術領域
[0001] 本發(fā)明引入一種經(jīng)過改進的Aihara混沌神經(jīng)網(wǎng)絡模型，對配送成品備庫進行合理 預測，具體地指一種基于混沌神經(jīng)網(wǎng)絡的庫存預測模型及其構造方法。
【背景技術】
[0002] 成品庫存的備貨量在精準配送中是關鍵的一個因素，成品庫存量充足則精準配送 就有了保障，但是成品庫存量高會給企業(yè)帶來高風險，一方面原卷加工成成品后就很難再 用于加工其他物料成品，一旦用戶不使用就很可能變成廢品，另一方面成品庫存占用較大 的庫存空間，會使本來就有限的庫容變得更加緊張。
[0003] 以往的做法是給成品庫存設定一個下限值，這樣會導致有的零件成品庫存過高， 幾個月都消耗不完，有的零件的成品庫存就過低，隨著全球化信息網(wǎng)絡和全球化市場形成 形成及技術變革的加速，配送中緊急拉動每天都有幾筆，這種緊急拉動的頻繁出現(xiàn)給生產(chǎn) 組織帶來了極大的壓力，造成了生產(chǎn)的無序化，嚴重的影響著準時準量將貨物配送到用戶。 市場經(jīng)濟條件下外部環(huán)境是瞬息萬變的，影響成品庫存也有較多的因素，且各個因素有著 復雜的內(nèi)在聯(lián)系，很難通過簡單的公式來建立一個合適的數(shù)據(jù)模型，所以實際的效果往往 很差。
[0004] 庫存需求特征分析主要是從兩方面著手，其一是從影響庫存需求的影響因素進行 分析，發(fā)現(xiàn)影響庫存需求的因素是多種多樣和紛繁復雜的，其二從庫存需求量的角度進行 分析，發(fā)現(xiàn)影響因素與庫存需求量之間的關系模糊復雜，庫存需求量呈現(xiàn)高度的不規(guī)律的 非線性特征。通過對整個供應鏈環(huán)節(jié)中各項因素的分析，我們找到了影響庫存需求量的8 項因素，分別為：用戶的要貨計劃(到零件）、整車廠車輛生產(chǎn)計劃、運輸距離、節(jié)假日、季節(jié)、 運輸車輛年限、不同品種、設備產(chǎn)能等。同時考慮到庫存需求量總是呈現(xiàn)出高度不規(guī)律的非 線性特征，所以傳統(tǒng)的預測方法，如線性回歸分析、非線性回歸分析、時間序列模型等很難 在企業(yè)中實施。近幾年的研究成果表明，神經(jīng)網(wǎng)絡技術已被成功應用于股票預測、農(nóng)產(chǎn)品價 格預測等領域，并取得卓越成效，因此其在預測領域的適用性毋庸置疑。通過將混沌動力學 引入神經(jīng)網(wǎng)絡，可以有效克服神經(jīng)網(wǎng)絡容易陷入局部最小的缺點，預測效果也會得到顯著 提升。
[0005] 混沌是確定性系統(tǒng)的固有隨機產(chǎn)生的外在復雜表現(xiàn)，是一種貌似隨機的非隨機運 動，表現(xiàn)出非常復雜的非線性動力學行為?；煦缡菑碗s的系統(tǒng)，迄今為止混沌一詞還沒有一 個普遍適用的數(shù)學定義。混沌運動只出現(xiàn)在非線性動力系統(tǒng)中，它是既普遍又極復雜的現(xiàn) 象。時至今日，科學上仍沒有能給混沌下一個完全統(tǒng)一的定義，它的定常狀態(tài)不是通常概念 下確定性運動的三種狀態(tài):靜止、周期運動和準周期運動，而是一種始終局限于有限區(qū)域且 軌道永不重復的、性態(tài)復雜的運動。混純具有不重復地經(jīng)歷一定范圍內(nèi)的所有狀態(tài)的遍歷 性。因此，與常規(guī)神經(jīng)網(wǎng)絡不同，混沌神經(jīng)網(wǎng)絡不是按照梯度下降方法進行搜索，而是在混 沌吸引子的相空間內(nèi)按照一定的分形結構進行"自抑制"搜索，從而有效地避免了局部極小 問題。
[0006] 混沌神經(jīng)網(wǎng)絡技術的發(fā)展源遠流長，相關應用也是多種多樣。一些學者提出了多 種類型的混沌神經(jīng)網(wǎng)絡模型，其中最具代表性的大致有兩種：（l)Aihara是依據(jù)動物實驗提 出的模型:通?？梢哉J為Aihara混沌神經(jīng)網(wǎng)絡模型是將混沌動力引入傳統(tǒng)的Hopfield神經(jīng) 網(wǎng)絡模型，并作為后者的自然擴展。在Aihara混沌神經(jīng)網(wǎng)絡模型中，每個神經(jīng)元同時受到外 部輸入項和網(wǎng)絡內(nèi)部反饋項的作用，并且這種作用同不應項一樣隨時間指數(shù)衰減，同時每 個神經(jīng)元都受到網(wǎng)絡中所有神經(jīng)元的作用，因此神經(jīng)元是多輸入單輸出的。網(wǎng)絡的混沌特 性由Lyapunov指數(shù)譜來度量，Lyapunov指數(shù)是吸引子的局部穩(wěn)定性的度量估計，正 Lyapunov指數(shù)表示軌道附近的平均指數(shù)發(fā)散，負Lyapunov指數(shù)表示軌道的平均指數(shù)收斂于 吸引子。如果最大Lyapunov指數(shù)至少有一個為正值，則認為網(wǎng)絡處于混沌狀態(tài)。當K，a，ai接 近零時，系統(tǒng)從混沌神經(jīng)網(wǎng)絡模型向Hopfield模型轉化。該混沌神經(jīng)網(wǎng)絡既有可能逃離具 有混沌過渡期的偽狀態(tài)，又有像Hopfield模型一樣聯(lián)想目標圖案的功能。（2)Inoue依據(jù) Logistic映象提出的模型：1991年Inoue等提出用親合的混純振蕩子作為單個神經(jīng)元，構造 混沌神經(jīng)網(wǎng)絡的方法。耦合的混沌振蕩子的同步和異步分別對應神經(jīng)元的激活和抑制兩個 狀態(tài)。雖然混沌是由簡單的確定性規(guī)則產(chǎn)生的，但它包含規(guī)則性和不規(guī)則性兩個方面。耦合 的混沌振蕩子的同步來自規(guī)則性，而不規(guī)則性可產(chǎn)生隨機搜索能力。
[0007] 經(jīng)過調(diào)研發(fā)現(xiàn)，國內(nèi)已有許多將混沌神經(jīng)網(wǎng)絡技術應用在預測領域的研究成果， 上述研究對混沌神經(jīng)網(wǎng)絡的應用方法大致相同：取得所需預測值的時間序列，對該序列進 行相空間重構，尋找混沌特性，然后將包含混沌規(guī)律的一系列數(shù)據(jù)集導入傳統(tǒng)神經(jīng)網(wǎng)絡結 構（如BP網(wǎng)絡，Hopfield網(wǎng)絡），對網(wǎng)絡進行訓練，最后使用已訓練的網(wǎng)絡進行預測。然而該 方法存在以下幾點不足：（1)輸入因素單一。時間序列只是考慮到"實踐性"影響因素，但是 影響庫存需求的因素往往是多方面的，比如消費者偏好、價格等因素。（2)當輸入數(shù)據(jù)集并 未表現(xiàn)出混沌特性或混沌特性不明顯時，該模型和傳統(tǒng)神經(jīng)網(wǎng)絡模型一樣容易陷入局部最 小。（3)由于神經(jīng)網(wǎng)絡模型內(nèi)部并未引入混沌動力，所以該模型對系統(tǒng)混沌動力學的聯(lián)想和 泛化推廣能力較弱，預測效果往往不甚理想。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于，克服上述各種因素中存在的弊端，提供一種基于混沌神經(jīng)網(wǎng) 絡的預測模型，具有非線性動力系統(tǒng)的特性和處理大量輸入、輸出數(shù)據(jù)的能力，能夠模仿 人腦的識別能力，解釋成品庫存因素數(shù)據(jù)中的復雜關系，能夠非常好的適應配送過程中的 復雜動態(tài)變化的環(huán)境進行自適應的學習，從而構造基于混沌神經(jīng)網(wǎng)絡的庫存預測模型，提 高計算速度與預測精度。
[0009] 實現(xiàn)本發(fā)明的技術方案是，這種基于混沌神經(jīng)網(wǎng)絡的庫存預測模型，
[0010] 其基本單元為混沌神經(jīng)元，所述混沌神經(jīng)元的主要參數(shù)包括:神經(jīng)網(wǎng)絡內(nèi)部各神 經(jīng)元的反饋項h[ yj(k)]、來自神經(jīng)網(wǎng)絡外部的輸入項I(k)、來自于神經(jīng)元自身的不應性(神 經(jīng)元被激活后，對自身的記憶延遲影響，即為不應性)影響gi [xi(k)]、神經(jīng)元xi (k)的閾值 θ?
[0011] 所述基于混沌神經(jīng)網(wǎng)絡的庫存預測模型中，在第i個混沌神經(jīng)元在第k+1時刻的動 態(tài)行為可由以下公式表示：
[0012]
[0013] yi(k+l)=ft(xi(k+l)) (2.2)
[0014] 式中，Xi(k+1)為第i個混沌神經(jīng)元在第k+1時刻的輸入;yi(k+l)為第i個混沌神經(jīng) 元在第k+Ι時刻的輸出;B為外部輸入項、反饋輸入項和不應項衰減率;，|為從第j個外部輸 入節(jié)點到第i個混沌神經(jīng)元的連接權重;F為從外部輸入節(jié)點到該混沌神經(jīng)元的權重空間標 記;續(xù)為從第j個反饋輸入節(jié)點到第i個混沌神經(jīng)元的連接權重;R為從反饋輸入節(jié)點到該 混沌神經(jīng)元的權重空間標記山(k)為第j個外部輸入節(jié)點在k時刻的輸入山為反饋函數(shù);f N 為sigmoid函數(shù);gi[fN(xi(k))]為第i個混純神經(jīng)元在k時刻自身的不應項;η和m分別為與第 i個混沌神經(jīng)元相連的外部輸入節(jié)點個數(shù)和反饋輸入節(jié)點個數(shù);Θ,為第i個混沌神經(jīng)元的閾 值。
[0015] 所述式(2 · 1)中，當i = j，即考慮到混純神經(jīng)元的自反饋時，< V 與<^[:^^(10)]相交迭，故在改進模型中可將(^[；^^(10)]簡化，令0押(1-8)為〇;11」取自 變量的恒等函數(shù)，即hj(k)=k。
[0016] 在改進混沌神經(jīng)網(wǎng)絡中第i個混沌神經(jīng)元在第k+1時刻的動態(tài)行為可描述為：
[0017]
[0018]
[0019]................. . 、,
[0020]優(yōu)選地，所述基于混沌神經(jīng)網(wǎng)絡的庫存預測模型為全連接網(wǎng)絡，有兩個權重連接 方向：一、隱層和輸出層的同層結點的相互連接，包括隱層節(jié)點及輸出層節(jié)點的自反饋;二、 輸入層與隱層及隱層與輸出層的層間節(jié)點的前向連接，為了增加網(wǎng)絡的動態(tài)性能，避免采 用對稱網(wǎng)絡形式，在這里4
[0021 ]最后得到的混沌神經(jīng)網(wǎng)絡模型可用以下公式表示：
[0022] 對于隱層第j個節(jié)點在k時刻的內(nèi)部狀態(tài)，可用表述為
[0023]
[0024]
[0025] 對于輸出層結點，其在k時刻的內(nèi)部狀態(tài)可用S°(k)表示，輸出可用y(k)表示，則有
[0026]
[0027] y(k)=fN[S°(k)] (2.9)。
[0028] 上述基于混沌神經(jīng)網(wǎng)絡的庫存預測模型的構造方法，包括:混沌神經(jīng)網(wǎng)絡模型的 建立、網(wǎng)絡訓練、庫存預測誤差評價三個步驟；
[0029]步驟一:混沌神經(jīng)網(wǎng)絡模型的建立，所述混沌神經(jīng)網(wǎng)絡模型為三層網(wǎng)絡拓撲結構， 包含輸入層，隱含層，和輸出層三個層次;所述輸入層是指通過對供應鏈環(huán)節(jié)中各項因素的 分析，將影響企業(yè)庫存水平的8項因素作為混沌神經(jīng)網(wǎng)絡的輸入向量，分別為：用戶的要貨 計劃(到零件）、整車廠車輛生產(chǎn)計劃、運輸距離、節(jié)假日、季節(jié)、運輸車輛年限、不同品種、設 備產(chǎn)能等。相應地，確定輸入層節(jié)點數(shù)量為8個;規(guī)定參數(shù)用下面的變量形式表示(其中k為 時間變量）：XI:用戶要貨計劃;X2:整車廠車輛生產(chǎn)計劃;X3:運輸距離;X4:節(jié)假日；X5:季節(jié)； X6:運輸車輛年限;X7:零件的品種;X8:設備產(chǎn)能水平;所述輸出層是指將代表預測結果的量 作為神經(jīng)網(wǎng)絡的輸出，設定輸出層節(jié)點個數(shù)，輸出結果是某零件兩周內(nèi)成品庫存量，輸出 層節(jié)點數(shù)量為1，其中：S°(k):表示輸出層節(jié)點在k時刻的狀態(tài);G:表示零件的預測庫存量； 所述隱含層中，$(?代表隱含層第j個節(jié)點在k時刻的內(nèi)部狀態(tài)；
[0030] 變量定義：
[0031] 輸入向量：X = ( XI，X2，X3，X4，X5，X6，X7，X8 )
[0032] 隱含層輸入向量：SiH= (siHi，siH2，soH3。。。，siHio)
[0033] 隱含層輸出向量：SoH= (S〇Hl，S〇H2，S〇H3。。。，S〇H1〇)
[0034] 輸出層輸入向量:Si = (si)
[0035] 輸出層輸出向量:So = (so)
[0036] 預測庫存:G
[0037] 輸入層與隱含層間的連接權重矩陣I1
[0038] 隱含層與輸出層間的連接權重矩陣j13
[0039] 隱含層和輸出層的自反饋權重矩陣
[0040] 各神經(jīng)元的閾值:b [00411最大學習次數(shù):M
[0042]步驟二：網(wǎng)絡訓練，采集零件庫存歷史數(shù)據(jù)，按照上一步驟中的網(wǎng)絡模型的輸入各 項參數(shù)后，就開始用訓練樣本來訓練網(wǎng)絡，經(jīng)過訓練之后，網(wǎng)絡充分吸收歷史樣本中所包含 的模糊復雜的規(guī)律；
[0043]步驟三:誤差評價，采用對觀測值均值歸一化的均方根誤差，其公式為
[0044]
[0045] 其中N為數(shù)據(jù)點個數(shù)，預測數(shù)據(jù)值，0溈觀測數(shù)據(jù)值，0m為觀測數(shù)據(jù)的個數(shù)，i為 數(shù)據(jù)序號;對觀測值均值歸一化的均方根誤差反映了預測值對觀測值的平均偏離程度，取 值大于或等于零，預測無誤差時等于零，誤差允許值為ε = 1〇_4,在誤差允許的情況下即可認 為該模型已經(jīng)具備實用條件。
[0046] 所述步驟二中，網(wǎng)絡訓練又具體包括如下步驟：
[0047]第一步：網(wǎng)絡初始化
[0048] 給個連接權值設置一個初值，該初值的取值范圍規(guī)定為(_1，1)，設定計算最大允 許誤差ε = 10 4和最大學習次數(shù)Μ;
[0049] 第二步:隨機選取三年對應的歷史數(shù)據(jù)第k個樣本作為輸入，其中H(k)為數(shù)據(jù)中的 實際庫存，并通過模型計算對應的期望輸出，
[0050] X(k) = (xi(k)，X2(k)，X3(k)，X4(k)，X5(k)，X6(k)，X7(k)，X8(k))
[0051] G(k)
[0052] 第三步:計算隱含層和輸出層各神經(jīng)元的輸入和輸出
[0053] 隱含層：
[0054]
[0055]
[0056]
[0057]
[0058] y(k) =fN[S°(k)]
[0059] 第四步:利用網(wǎng)絡期望輸出和實際的歷史數(shù)據(jù)，使用遺傳算法修正各連接權重矩 陣的權值：
[0060] (1)按輸入層至隱含層，隱含層至輸出層的順序，連接神經(jīng)網(wǎng)絡的權值和閾值隨機 產(chǎn)生η個染色體，形成初始化種群；
[0061 ] (2)計算每個染色體的適應值，適應度值為均方誤差函數(shù)，誤差越小，適應度越高；
[0062] (3)選擇適應度大的個體遺傳給下一代對其進行選擇，交叉，變異操作，產(chǎn)生下一 代種群；
[0063] (4)判斷是否達到結束條件，如滿足轉到(5)，否則返回（2);
[0064] (5)選擇最優(yōu)個體作為神經(jīng)網(wǎng)絡的初始權值和閾值；
[0065]第五步:計算預測庫存誤差；
[0066] E= |G(k)-H(k) |/H(k)
[0067] 第六步:判斷預測誤差是否滿足要求；當誤差滿足精確度要求或者訓練次數(shù)大于Μ 的情況下終止訓練過程;否則選取下一樣本，返回步驟兒繼續(xù)神經(jīng)網(wǎng)絡的訓練過程。
[0068] 該模型允許的最大誤差ε = 10-4。在用遺傳算法調(diào)整各連接權值過程中，適應度函 數(shù)主要考慮神經(jīng)網(wǎng)絡輸出的準確性，fnessil/fKthfiU)為模型期望輸出和實際輸出之間 的均方差;算術交叉運算中，交叉概率為0.90,非均勻交叉參數(shù)α取(-0.5,1.5)之間的隨機 數(shù);非一致變異運算中，變異概率為〇. 10，λ取為2.5，完成權重優(yōu)化過程;混沌神經(jīng)元的衰減 率Β可通過仿真測試確定，Β取0.1。
[0069] 本發(fā)明的優(yōu)點在于：引入了一種經(jīng)過改進的混沌神經(jīng)網(wǎng)絡模型。該模型擁有多維 輸入，且神經(jīng)網(wǎng)絡內(nèi)部特性具有混沌機制，對負荷初值和混沌軌跡的游動性有較強的敏感 性，可將微觀空間分散記憶的信息利用混沌加以放大，從而發(fā)現(xiàn)數(shù)據(jù)之間的潛在聯(lián)系。
[0070] 引入遺傳算法代替?zhèn)鹘y(tǒng)神經(jīng)網(wǎng)絡中的ΒΡ算法來調(diào)整網(wǎng)絡中各連接的權值，有效避 免了陷入局部最小的情況，全局尋優(yōu)能力較強。
[0071] 使用混沌神經(jīng)網(wǎng)絡對庫存進行預測，相比于普通的神經(jīng)網(wǎng)絡而言，混沌具有不重 復地經(jīng)歷一定范圍內(nèi)的所有狀態(tài)的遍歷性。利用這一特點，混沌可以有效的避免在搜索全 局最優(yōu)解的過程中陷入局部最小解，從而更易于獲取更高質量全局最優(yōu)解。
[0072]傳統(tǒng)混沌神經(jīng)網(wǎng)絡模型的訓練方法用ΒΡ算法獲取不同層間的連接權重；用Hebb算 法調(diào)整同層結點間的連接權重。我們的改進為:采用遺傳算法調(diào)整網(wǎng)絡的2個方向的權值， 改進后的混沌神經(jīng)網(wǎng)絡除具有全局優(yōu)化性能外，還有易于編程和通用性強的優(yōu)點。
【附圖說明】
[0073]圖1是混沌神經(jīng)元模型示意圖；
[0074]圖2是混沌神經(jīng)網(wǎng)絡預測模型示意圖；
[0075]圖3是模型訓練過程示意圖；
[0076]圖4是混純神經(jīng)網(wǎng)絡二層模型不意圖；
【具體實施方式】
[0077]下面結合附圖和具體實施例對本發(fā)明作進一步的詳細說明。
[0078] 本發(fā)明提供一種基于混沌神經(jīng)網(wǎng)絡的預測模型，具有非線性動力系統(tǒng)的特性和處 理大量輸入、輸出數(shù)據(jù)的能力，能夠模仿人腦的識別能力，解釋成品庫存因素數(shù)據(jù)中的復雜 關系，能夠非常好的適應配送過程中的復雜動態(tài)變化的環(huán)境進行自適應的學習，從而構造 基于混沌神經(jīng)網(wǎng)絡的庫存預測模型，提高計算速度與預測精度。
[0079] 這種基于混沌神經(jīng)網(wǎng)絡的庫存預測模型，其基本單元為混沌神經(jīng)元，所述混沌神 經(jīng)元的主要參數(shù)包括:神經(jīng)網(wǎng)絡內(nèi)部各神經(jīng)元的反饋項h[ yi(k)]、來自神經(jīng)網(wǎng)絡外部的輸 入項I(k)、來自于神經(jīng)元自身的不應性(神經(jīng)元被激活后，對自身的記憶延遲影響，即為不 應性)影響gi[xi (k)]、神經(jīng)元xi(k)的閾值Θi;
[0080] 所述基于混沌神經(jīng)網(wǎng)絡的庫存預測模型中，在第i個混沌神經(jīng)元在第k+1時刻的動 態(tài)行為可由以下公式表示：
[0081]
[0082] yi(k+l)=ft(xi(k+l)) (2.2)
[0083] 式中，Xi(k+1)為第i個混沌神經(jīng)元在第k+1時刻的輸入;yi(k+l)為第i個混沌神經(jīng) 元在第k+Ι時刻的輸出；B為外部輸入項、反饋輸入項和不應項衰減率;，|為從第j個外部輸 入節(jié)點到第i個混沌神經(jīng)元的連接權重;F為從外部輸入節(jié)點到該混沌神經(jīng)元的權重空間標 記；鮮|為從第j個反饋輸入節(jié)點到第i個混純神經(jīng)元的連接權重;R為從反饋輸入節(jié)點到該 混沌神經(jīng)元的權重空間標記山(k)為第j個外部輸入節(jié)點在k時刻的輸入山為反饋函數(shù);f N 為sigmoid函數(shù);gi[fN(xi(k))]為第i個混純神經(jīng)元在k時刻自身的不應項;η和m分別為與第 i個混純神經(jīng)元相連的外部輸入節(jié)點個數(shù)和反饋輸入節(jié)點個數(shù)；Qi為第i個混純神經(jīng)元的 閾值。神經(jīng)元模型如圖1所示。
[0084] 所述式(2.1)中，當i = j，即考慮到混沌神經(jīng)元的自反饋時，% * ΙΜαΟΦ! 與<^[:^^(10)]相交迭，故在改進模型中可將(^[；^^(10)]簡化，令0押(1-8)為〇;11」取自 變量的恒等函數(shù)，即hj(k)=k。
[0085] 在改進混沌神經(jīng)網(wǎng)絡中第i個混沌神經(jīng)元在第k+1時刻的動態(tài)行為可描述為：
[0086]
[0087]
[0088]
[0089] 本實施例中，輸入節(jié)點選取為三個，輸出節(jié)點選取為一個，如圖2所示；
[0090] 所述基于混沌神經(jīng)網(wǎng)絡的庫存預測模型為全連接網(wǎng)絡，有兩個權重連接方向：一、 隱層和輸出層的同層結點的相互連接，包括隱層節(jié)點及輸出層節(jié)點的自反饋;二、輸入層與 隱層及隱層與輸出層的層間節(jié)點的前向連接，為了增加網(wǎng)絡的動態(tài)性能，避免采用對稱網(wǎng) 絡形式，在這里令
和W13分別表示輸入層節(jié)點到隱 含層節(jié)點以及隱含層節(jié)點到輸出層節(jié)點之間的連接權重矩陣。W?只表示輸出層節(jié)點的自反 饋權重矩陣，包括隱層節(jié)點及輸出層節(jié)點的自反饋。
[0091]圖2中的l、m分別表示網(wǎng)絡中輸入層和隱層節(jié)點個數(shù)，輸出層節(jié)點個數(shù)為UuKk) 表示第i個輸入節(jié)點在k時刻的輸入，xj(k)表示隱含層第j個神經(jīng)元在k時刻的輸出，B表示 衰減率參數(shù)。W1和W0分別表示輸入層節(jié)點到隱含層節(jié)點以及隱含層節(jié)點到輸出層節(jié)點之間 的連接權重矩陣。
[0092 ]最后得到的混沌神經(jīng)網(wǎng)絡模型可用以下公式表示：
[0093] 對于隱層第j個節(jié)點在k時刻的內(nèi)部狀態(tài)，可用聲》表述為
[0094]
[0095]
[0096] 對于輸出層結點，其在k時刻的內(nèi)部狀態(tài)可用S'k)表示，輸出可用y(k)表示，則有
[0097]
[0098] y(k)=fN[S°(k)] (2.9)。
[0099] 上述基于混沌神經(jīng)網(wǎng)絡的庫存預測模型的構造方法，包括:混沌神經(jīng)網(wǎng)絡模型的 建立、網(wǎng)絡訓練、庫存預測誤差評價三個步驟；
[0100]步驟一:混沌神經(jīng)網(wǎng)絡模型的建立，所述混沌神經(jīng)網(wǎng)絡模型為三層網(wǎng)絡拓撲結構， 包含輸入層，隱含層，和輸出層三個層次;如圖4所示。所述輸入層是指通過對供應鏈環(huán)節(jié)中 各項因素的分析，將影響企業(yè)庫存水平的8項因素作為混沌神經(jīng)網(wǎng)絡的輸入向量，分別為： 用戶的要貨計劃(到零件）、整車廠車輛生產(chǎn)計劃、運輸距離、節(jié)假日、季節(jié)、運輸車輛年限、 不同品種、設備產(chǎn)能等。相應地，確定輸入層節(jié)點數(shù)量為8個;規(guī)定參數(shù)用下面的變量形式表 示(其中k為時間變量戶要貨計劃; X2:整車廠車輛生產(chǎn)計劃;X3:運輸距離;X4:節(jié)假 日；X5:季節(jié); X6:運輸車輛年限；X7:零件的品種;X8:設備產(chǎn)能水平;所述輸出層是指將代表 預測結果的量作為神經(jīng)網(wǎng)絡的輸出，設定輸出層節(jié)點個數(shù)，輸出結果是某零件兩周內(nèi)成品 庫存量，輸出層節(jié)點數(shù)量為1，其中：S 13 (k):表示輸出層節(jié)點在k時刻的狀態(tài);G:表示零件的 預測庫存量;所述隱含層中，隱含層神經(jīng)元的個數(shù)確定是一個比較復雜的問題，到目前為止 還沒有明確的理論指導，更沒有一個確定的數(shù)學公式。而隱含層節(jié)點數(shù)對神經(jīng)網(wǎng)絡的泛化 能力、預測水平有很大的影響。如果節(jié)點數(shù)過少，網(wǎng)絡在學習過程可能不收斂，更不可能逼 近樣本數(shù)據(jù);如果節(jié)點數(shù)過多，那么神經(jīng)網(wǎng)絡就具備記住所有訓練數(shù)據(jù)的特性，甚至包括了 一些噪聲數(shù)據(jù)的影響，反而降低了神經(jīng)網(wǎng)絡泛化能力和預測水平。
[0101] 在實際操作中為了確定神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)，主要靠經(jīng)驗積累法和多次實驗 法。參照其他研究成果，將隱含層節(jié)點個數(shù)設置為10個是一個合適的數(shù)值，能得到較好的預 測效果。穿(吵隱含層第j個節(jié)點在k時刻的內(nèi)部狀態(tài)
[0102] 該模型允許的最大誤差ε = 10-4。在用遺傳算法調(diào)整各連接權值過程中，適應度函 數(shù)主要考慮神經(jīng)網(wǎng)絡輸出的準確性，fnessil/fKthfiU)為模型期望輸出和實際輸出之間 的均方差;算術交叉運算中，交叉概率為0.90,非均勻交叉參數(shù)α取(-0.5,1.5)之間的隨機 數(shù);非一致變異運算中，變異概率為〇. 10，λ取為2.5，完成權重優(yōu)化過程;混沌神經(jīng)元的衰減 率B可通過仿真測試確定，B取0.1。
[0103]輸入層有8個神經(jīng)元，隱含層設定10個神經(jīng)元，輸出層設置1個神經(jīng)元用于輸出零 件的預測庫存。變量定義：
[01 04]輸入向量：X = ( XI，X2，X3，X4，X5，X6，X7，X8 )
[0105] 隱含層輸入向量:SiH= (siHi，siH2，soH3。。。，siHio)
[0106] 隱含層輸出向量：SoH= (S0H1，soH2，soH3。。。，S〇H1〇)
[0107] 輸出層輸入向量:Si = (si)
[0108] 輸出層輸出向量:So = (so)
[0109] 預測庫存:G
[0110] 輸入層與隱含層間的連接權重矩陣I1
[0111] 隱含層與輸出層間的連接權重矩陣
[0112] 隱含層和輸出層的自反饋權重矩陣
[0113] 各神經(jīng)元的閾值:b
[0114] 最大學習次數(shù):M
[0115] 步驟二：網(wǎng)絡訓練，采集零件庫存歷史數(shù)據(jù)，按照上一步驟中的網(wǎng)絡模型的輸入各 項參數(shù)后，就開始用訓練樣本來訓練網(wǎng)絡，經(jīng)過訓練之后，網(wǎng)絡充分吸收歷史樣本中所包含 的模糊復雜的規(guī)律；
[0116] 混沌神經(jīng)網(wǎng)絡并不是即插即用系統(tǒng)，在進行庫存預測之前需要按照特定的應用環(huán) 境對神經(jīng)網(wǎng)絡模型進行訓練。模型訓練過程如圖3所示；
[0117] 步驟三:誤差評價，采用對觀測值均值歸一化的均方根誤差，其公式為:V、。
[0118] 其中N為數(shù)據(jù)點個數(shù)，PA預測數(shù)據(jù)值，觀測數(shù)據(jù)值，Om為觀測數(shù)據(jù)的個數(shù)，i為 數(shù)據(jù)序號;對觀測值均值歸一化的均方根誤差反映了預測值對觀測值的平均偏離程度，取 值大于或等于零，預測無誤差時等于零，誤差允許值為ε = 10-4,在誤差允許的情況下即可認 為該模型已經(jīng)具備實用條件。
[0119] 上述步驟二中，網(wǎng)絡訓練又具體包括如下步驟：
[0120] 第一步:網(wǎng)絡初始化
[0121]給個連接權值設置一個初值，該初值的取值范圍規(guī)定為(_1，1)，設定計算最大允 許誤差ε = 10 4和最大學習次數(shù)Μ;
[0122] 第二步:隨機選取三年對應的歷史數(shù)據(jù)第k個樣本作為輸入，其中H(k)為數(shù)據(jù)中的 實際庫存，并通過模型計算對應的期望輸出，
[0123] X(k) = (xi(k)，X2(k)，X3(k)，X4(k)，X5(k)，:X6(k)，X7(k)，xs(k))
[0124] G(k)
[0125] 第三步:計算隱含層和輸出層各神經(jīng)元的輸入和輸出
[0126] 隱含層：
[0127]
[0128]
[0129]
[0130]
[0131] y(k) =fN[S0(k)]
[0132] 第四步:利用網(wǎng)絡期望輸出和實際的歷史數(shù)據(jù)，使用遺傳算法修正各連接權重矩 陣的權值：
[0133] (6)按輸入層至隱含層，隱含層至輸出層的順序，連接神經(jīng)網(wǎng)絡的權值和閾值隨機 產(chǎn)生η個染色體，形成初始化種群；
[0134] (7)計算每個染色體的適應值，適應度值為均方誤差函數(shù)，誤差越小，適應度越高；
[0135] (8)選擇適應度大的個體遺傳給下一代對其進行選擇，交叉，變異操作，產(chǎn)生下一 代種群；
[0136] (9)判斷是否達到結束條件，如滿足轉到(5)，否則返回（2);
[0137] (10)選擇最優(yōu)個體作為神經(jīng)網(wǎng)絡的初始權值和閾值；
[0138] 第五步:計算預測庫存誤差；
[0139] E= |G(k)-H(k) |/H(k)
[0140] 第六步:判斷預測誤差是否滿足要求；當誤差滿足精確度要求或者訓練次數(shù)大于Μ 的情況下終止訓練過程;否則選取下一樣本，返回步驟二繼續(xù)神經(jīng)網(wǎng)絡的訓練過程。
[0141] 混沌神經(jīng)網(wǎng)絡技術是一種典型的黑箱技術，它具有非線性動力系統(tǒng)的特性和處理 大量輸入、輸出數(shù)據(jù)的能力，能夠模仿人腦的識別能力，解釋成品庫存因素數(shù)據(jù)中的復雜關 系，能夠非常好的適應配送過程中的復雜動態(tài)變化的環(huán)境進行自適應的學習。通過需求分 析，構建模型，訓練模型三個步驟，就能從模型中得到較為理想的預測結果。
[0142] 此外，在進行連接權值計算的過程中使用遺傳算法代替ΒΡ神經(jīng)網(wǎng)絡的方法，有效 避免了取值的局部最小，同時顯著提高了收斂速度，采用遺傳算法優(yōu)化混沌神經(jīng)網(wǎng)絡權值 計算的方法使模型的計算速度和預測精度顯著提高。
【主權項】
1. 一種基于混濁神經(jīng)網(wǎng)絡的庫存預測模型，其特征在于： 所述庫存預測模型的基本單元為混濁神經(jīng)元，所述混濁神經(jīng)元的主要參數(shù)包括:神經(jīng) 網(wǎng)絡內(nèi)部各神經(jīng)元的反饋項hjy^k)]、來自神經(jīng)網(wǎng)絡外部的輸入項1化）、來自于神經(jīng)元自 身的不應性(神經(jīng)元被激活后，對自身的記憶延遲影響，即為不應性)影響gi[Xi化）]、神經(jīng)元 Xi化)的闊值9i; 所述基于混濁神經(jīng)網(wǎng)絡的庫存預測模型中，在第i個混濁神經(jīng)元在第k+1時刻的動態(tài)行 為可由W下公式表示：式中，XI化+1)為第i個混濁神經(jīng)元在第k+1時刻的輸入;yi化+1)為第i個混濁神經(jīng)元在 第k+1時刻的輸出；B為外部輸入項、反饋輸入項和不應項衰減率;S續(xù)為從第j個外部輸入節(jié) 點到第i個混濁神經(jīng)元的連接權重;F為從外部輸入節(jié)點到該混濁神經(jīng)元的權重空間標記； @葛為從第j個反饋輸入節(jié)點到第i個混濁神經(jīng)元的連接權重;R為從反饋輸入節(jié)點到該混濁 神經(jīng)元的權重空間標記；。(k)為第j個外部輸入節(jié)點在k時刻的輸入;hj為反饋函數(shù);fN為 sigmoid函數(shù);gi[fN(xi化））]為第i個混濁神經(jīng)元在k時刻自身的不應項;η和m分別為與第i 個混濁神經(jīng)元相連的外部輸入節(jié)點個數(shù)和反饋輸入節(jié)點個數(shù)；θι為第i個混濁神經(jīng)元的闊 值。2. 根據(jù)權利要求1所述的基于混濁神經(jīng)網(wǎng)絡的庫存預測模型，其特征在于：所述式 (2.1)中，當i = j，即考慮到混濁神經(jīng)元的自反饋時：與agi[fN(Xi化））] 相交迭，故在改進模型中可將agi[fN(Xi化））]簡化，令Θι*(1-Β)為0山取自變量的恒等函數(shù)， 良化 j(k) =k。 在改進混濁神經(jīng)網(wǎng)絡中第i個混濁神經(jīng)元在第k+1時刻的動態(tài)行為可描述為：3. 根據(jù)權利要求1所述的基于混濁神經(jīng)網(wǎng)絡的庫存預測模型，其特征在于:所述基于混 濁神經(jīng)網(wǎng)絡的庫存預測模型為全連接網(wǎng)絡，有兩個權重連接方向：一、隱層和輸出層的同層 結點的相互連接，包括隱層節(jié)點及輸出層節(jié)點的自反饋;二、輸入層與隱層及隱層與輸出層 的層間節(jié)點的前向連接，為了增加網(wǎng)絡的動態(tài)性能，避免采用對稱網(wǎng)絡形式，在運里令胖1和W0分別表示輸入層節(jié)點到隱含層節(jié)點W及隱含層節(jié)點到輸出層節(jié)點之間的連接權 重矩陣，W0K只表示輸出層節(jié)點的自反饋權重矩陣，包括隱層節(jié)點及輸出層節(jié)點的自反饋； 最后得到的混濁神經(jīng)網(wǎng)絡模型可用W下公式表示： 對于隱層第j個節(jié)點在k時刻的內(nèi)部狀態(tài)，可用纖表述為(2.7) 對于輸出層結點，其在k時刻的內(nèi)部狀態(tài)可用SU化)表示，輸出可用y化)表示，則有y(k)=fN[S°(k)] (2.9)。4. 一種基于混濁神經(jīng)網(wǎng)絡的庫存預測模型的構造方法，包括：混濁神經(jīng)網(wǎng)絡模型的建 立、網(wǎng)絡訓練、庫存預測誤差評價Ξ個步驟； 步驟一：混濁神經(jīng)網(wǎng)絡模型的建立，所述混濁神經(jīng)網(wǎng)絡模型為Ξ層網(wǎng)絡拓撲結構，包含 輸入層，隱含層，和輸出層Ξ個層次;所述輸入層是指通過對供應鏈環(huán)節(jié)中各項因素的分 析，將影響企業(yè)庫存水平的8項因素作為混濁神經(jīng)網(wǎng)絡的輸入向量，分別為：用戶的要貨計 劃(到零件）、整車廠車輛生產(chǎn)計劃、運輸距離、節(jié)假日、季節(jié)、運輸車輛年限、不同品種、設備 產(chǎn)能等。相應地，確定輸入層節(jié)點數(shù)量為8個;規(guī)定參數(shù)用下面的變量形式表示(其中k為時 間變量）：XI:用戶要貨計劃;X2 :整車廠車輛生產(chǎn)計劃;X3 :運輸距離;X4 :節(jié)假日；X日:季節(jié);X6 : 運輸車輛年限;X7:零件的品種;X8:設備產(chǎn)能水平;所述輸出層是指將代表預測結果的量作 為神經(jīng)網(wǎng)絡的輸出，設定輸出層節(jié)點個數(shù)，輸出結果是某零件兩周內(nèi)成品庫存量，輸出層節(jié) 點數(shù)量為1，其中：s°(k):表示輸出層節(jié)點在k時刻的狀態(tài);G:表示零件的預測庫存量;所述 隱含層中，琴X、巧代表隱含層第j個節(jié)點在k時刻的內(nèi)部狀態(tài)； 變量定義： 輸入向量：X= (X1，X2,X3,X4,X5,X6,X7,X8) 隱含層輸入向量:SiH=(siHi，siH2，s〇H3. . . iSi%) 隱含層輸出向量:S〇H=(S〇Hi，S〇H2，S〇H3. . . ,30%) 輸出層輸入向量:Si = ( si) 輸出層輸出向量:So =( so) 預測庫存:G 輸入層與隱含層間的連接權重矩陣:Wt 隱含層與輸出層間的連接權重矩陣:wu 隱含層和輸出層的自反饋權重矩陣:W? 各神經(jīng)元的闊值:b 最大學習次數(shù):Μ 步驟二：網(wǎng)絡訓練，采集零件庫存歷史數(shù)據(jù)，按照上一步驟中的網(wǎng)絡模型的輸入各項參 數(shù)后，就開始用訓練樣本來訓練網(wǎng)絡，經(jīng)過訓練之后，網(wǎng)絡充分吸收歷史樣本中所包含的模 糊復雜的規(guī)律； 步驟Ξ:誤差評價，采用對觀測值均值歸一化的均方根誤差，其公式另其中Ν為數(shù)據(jù)點個數(shù)，Pi為預測數(shù)據(jù)值，〇1為觀測數(shù)據(jù)值，Om為觀測數(shù)據(jù)的個數(shù)，i為數(shù)據(jù) 序號;對觀測值均值歸一化的均方根誤差反映了預測值對觀測值的平均偏離程度，取值大 于或等于零，預測無誤差時等于零，誤差允許值為ε = 10-4,在誤差允許的情況下即可認為該 模型已經(jīng)具備實用條件。5. 根據(jù)權利要求4所述的基于混濁神經(jīng)網(wǎng)絡的庫存預測模型的構造方法，其特征在于： 所述步驟二中，網(wǎng)絡訓練又具體包括如下步驟： 第一步：網(wǎng)絡初始化 給個連接權值設置一個初值，該初值的取值范圍規(guī)定為(-1,1)，設定計算最大允許誤 差ε = 10-4和最大學習次數(shù)M; 第二步：隨機選取Ξ年對應的歷史數(shù)據(jù)第k個樣本作為輸入，其中mk)為數(shù)據(jù)中的實際 庫存，并通過模型計算對應的期望輸出， X(k) = (Xl(k) ,X2(k) ,X3化），X4化），X5化），X6化），X7化），X8化）） G化） 第Ξ步:計算隱含層和輸出層各神經(jīng)元的輸入和輸出 隱含層：第四步:利用網(wǎng)絡期望輸出和實際的歷史數(shù)據(jù)，使用遺傳算法修正各連接權重矩陣的 權值： (1) 按輸入層至隱含層，隱含層至輸出層的順序，連接神經(jīng)網(wǎng)絡的權值和闊值隨機產(chǎn)生 η個染色體，形成初始化種群； (2) 計算每個染色體的適應值，適應度值為均方誤差函數(shù)，誤差越小，適應度越高； (3) 選擇適應度大的個體遺傳給下一代對其進行選擇，交叉，變異操作，產(chǎn)生下一代種 群； (4) 判斷是否達到結束條件，如滿足轉到巧），否則返回（2); (5) 選擇最優(yōu)個體作為神經(jīng)網(wǎng)絡的初始權值和闊值； 第五步:計算預測庫存誤差； Ε= |G化)-Η化）Ι/Η化） 第六步:判斷預測誤差是否滿足要求；當誤差滿足精確度要求或者訓練次數(shù)大于Μ的情 況下終止訓練過程;否則選取下一樣本，返回步驟兒繼續(xù)神經(jīng)網(wǎng)絡的訓練過程。6.根據(jù)權利要求4所述的基于混濁神經(jīng)網(wǎng)絡的庫存預測模型的構造方法，其特征在于： 該模型允許的最大誤差ε = 10-4。在用遺傳算法調(diào)整各連接權值過程中，適應度函數(shù)主要考 慮神經(jīng)網(wǎng)絡輸出的準確性，fness=l/fl(t)，fl(t)為模型期望輸出和實際輸出之間的均方 差;算術交叉運算中，交叉概率為0.90,非均勻交叉參數(shù)α取(-0.5,1.5)之間的隨機數(shù);非一 致變異運算中，變異概率為0.10，λ取為2.5，完成權重優(yōu)化過程;混濁神經(jīng)元的衰減率Β可通 過仿真測試確定，Β取0.1。
【文檔編號】G06Q10/04GK105976049SQ201610277880
【公開日】2016年9月28日
【申請日】2016年4月28日
【發(fā)明人】姚琳, 王永川, 高山, 車靜, 張東, 劉利
【申請人】武漢寶鋼華中貿(mào)易有限公司