【摘要】本文利用神經(jīng)網(wǎng)絡(luò)方法建立了倉儲信息資源管理評估系統(tǒng)的數(shù)學(xué)模型。為了確保倉儲信息資源管理評估的科學(xué)性和合理性，把評價(jià)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入，把倉儲信息資源的管理效益作為輸出，基于最小二乘法原理，運(yùn)用梯度搜索技術(shù)，力圖使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值達(dá)到最小。經(jīng)仿真分析，所建立的數(shù)學(xué)模型較好地?cái)M合了部隊(duì)倉儲信息資源管理實(shí)踐狀況，具有較好的辨識精度。

 

    【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)；倉儲信息資源管理；評價(jià)模型；仿真

 

    0引言

 

    隨著信息技術(shù)的進(jìn)一步發(fā)展，倉儲信息資源在倉庫建設(shè)中發(fā)揮了越來越重要的作用。但是，由于倉儲信息資源建設(shè)資金投入的不斷加大，信息資源的種類不斷增多、數(shù)量逐漸加大、技術(shù)含量空前提高。倉儲信息資源管理呈現(xiàn)出越來越復(fù)雜的特點(diǎn)，如何提高倉儲信息資源管理效益，最大限度的利用倉儲信息資源，提高信息保障能力，已經(jīng)成為擺在信息管理者面前的現(xiàn)實(shí)課題。倉儲信息資源管理評估是提高倉儲信息資源管理水平的關(guān)鍵環(huán)節(jié)。由于倉儲信息資源管理系統(tǒng)，含有許多不確定性因素，這些因素一般比較難以量化，模糊性因素多，評價(jià)誤差往往較大。目前，評價(jià)倉儲信息資源管理質(zhì)量的方法有很多，大都基于傳統(tǒng)的定性方法或者模糊數(shù)學(xué)的方法，這些做法基本都局限于線性的運(yùn)算方式，而由于評價(jià)體系的輸入（各評價(jià)指標(biāo)）和輸出（管理質(zhì)量）之間的關(guān)系并不一定是簡單的線性關(guān)系，所以尋找評價(jià)體系的輸入和輸出的準(zhǔn)確數(shù)學(xué)關(guān)系，建立一個合理的、科學(xué)的數(shù)學(xué)模型，將對倉儲信息資源管理質(zhì)量的評估有著重要的意義。本文利用神經(jīng)網(wǎng)絡(luò)理論建立了倉儲信息資源管理質(zhì)量評價(jià)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，為倉儲信息資源管理質(zhì)量評估體系的研究提供了有效的方法。

 

    1評估指標(biāo)體系的建立

 

    1．1倉儲信息資源管理的內(nèi)涵

 

    倉儲信息資源管理，從狹義上講，是指對倉儲信息本身即倉儲信息內(nèi)容實(shí)施管理的過程。從廣義上講，是指對倉儲信息內(nèi)容及與信息內(nèi)容相關(guān)的資源，如：信息設(shè)備設(shè)施、信息技術(shù)、信息資源費(fèi)效、人員等內(nèi)容等進(jìn)行管理的過程。倉儲信息資源管理過程始于信息人員對用戶的信息需求的分析，以此為起點(diǎn)，經(jīng)過信源分析、信息采集與轉(zhuǎn)換、信息組織、信息存儲、信息檢索、信息再生和信息傳遞等環(huán)節(jié)，最終滿足用戶的信息需求。

 

    表1某倉庫倉儲信息資源管理質(zhì)量調(diào)查表

 

    序號評價(jià)指標(biāo)評價(jià)目標(biāo)

 

    X1X2X3X4X5X6X7

 

    16957456.56.50

 

    275.565.5477.57.50

 

    37.5486.53678.00

 

    46.55.5678776.25

 

    57.58.557.578.57.56.75

 

    66956.556.55.56.00

 

    747.535.574.566.25

 

    86.5574.54677.75

 

    9495697.566.50

 

    104865.566.566.50

 

    115.54432466.75

 

    128595.58777.50

 

    13768756.576.75

 

    1466.584776.56.50

 

    1576.5766777.25

 

    16736545.56.56.75

 

      1．2指標(biāo)體系的確立

 

    為了評價(jià)倉儲信息資源管理質(zhì)量，通常對其信息設(shè)備設(shè)施管理質(zhì)量、信息技術(shù)管理質(zhì)量、倉儲信息資源管理費(fèi)效、管理人員素質(zhì)等內(nèi)容進(jìn)行評價(jià)。評價(jià)指標(biāo)有7個，分別為X1，X2，X3，X4，X5，X6，X7，X1表示倉儲信息設(shè)備設(shè)施的使用狀況；X2表示信息設(shè)備設(shè)施的維護(hù)狀況；X3表示技術(shù)手段運(yùn)用狀況；X4表示倉儲信息資源管理的投入經(jīng)費(fèi)；X5代表倉儲信息資源管理經(jīng)費(fèi)的使用狀況；X6代表人員的履行管理職能的狀況；X7人員的管理創(chuàng)新能力狀況等。在實(shí)踐中，為了便于操作，我們給出了具體的下一級指標(biāo)，限于篇幅，在此省略。假設(shè)評價(jià)指標(biāo)的論域?yàn)閇0,10]。評價(jià)矩陣要素運(yùn)用德爾斐法確定，即分別由專家填寫相應(yīng)的分值，匯總后的倉儲信息資源管理質(zhì)量情況如表1所示。

 

    2神經(jīng)網(wǎng)絡(luò)評估模型的建立

 

    神經(jīng)網(wǎng)絡(luò)理論是近幾年來國內(nèi)外的一個前沿研究領(lǐng)域，它可用于預(yù)測、分類、模式識別和過程控制等各種數(shù)據(jù)處理場合。相對于傳統(tǒng)的數(shù)據(jù)處理方法，它更適合處理像教育信息資源管理這樣的模糊、非線性和模式特征不明確的問題。

 

    2．1建模引理

 

    BP模型是一種用于前向多層神經(jīng)網(wǎng)絡(luò)的反向傳播算法，由魯梅爾哈特(D.Ruvmelhar)和麥克萊倫德(McClelland)于1985年提出。

 

    2．1．1神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)

 

    BP算法可用于多層網(wǎng)絡(luò)，網(wǎng)絡(luò)中不僅有輸入層節(jié)點(diǎn)及輸出層節(jié)點(diǎn)，而且還有一層至多層隱層節(jié)點(diǎn)。采用BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對倉儲信息資源管理質(zhì)量評估系統(tǒng)的辯識。假設(shè)將7個評估指標(biāo)作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸入，把信息管理質(zhì)量作為系統(tǒng)的輸出，如圖所示。

 

    圖1BP網(wǎng)絡(luò)圖

 

    當(dāng)有信息向網(wǎng)絡(luò)輸入時(shí)，信息首先由輸入層傳至隱層節(jié)點(diǎn)，經(jīng)特性函數(shù)作用后，再傳至下一隱層，直到最終傳到輸出層輸出，其間每經(jīng)過一層都要由相應(yīng)的特性函數(shù)進(jìn)行變換。

 

    2.1.2BP算法

 

    反向傳播算法對評估體系進(jìn)行辯識，其基本思想是：以使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值最小為目標(biāo)，運(yùn)用最小二乘和梯度搜索技術(shù)進(jìn)行辨識。由于網(wǎng)絡(luò)的修正過程是誤差一邊向后傳播一邊修正加權(quán)系數(shù)的過程，因此，可用其對倉儲信息資源管理質(zhì)量評估體系進(jìn)行辨識。

 

    BP的修正目的是對網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，以使任一個輸入都能得到所期望的輸出。修正的方法是用一組訓(xùn)練樣例對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，每一個樣例都包括輸入和期望輸出兩部分。訓(xùn)練時(shí)，首先把樣例的輸入信息輸入到網(wǎng)絡(luò)中，由網(wǎng)絡(luò)自第一個隱層開始逐層地進(jìn)行計(jì)算，并向下一層傳遞，直至傳至輸出層，其間每一層神經(jīng)元只影響到下一層神經(jīng)元的狀態(tài)。然后，將其輸出與樣例的期望輸出進(jìn)行比較，如果它們的誤差不能滿足要求，則沿著原來的連接通路逐層返回，并根據(jù)二者的誤差按照一定的原則對各層節(jié)點(diǎn)的連接權(quán)值進(jìn)行調(diào)整，使誤差逐步減小，直到達(dá)到要求為止。

 

    2．2模型的建立

 

    設(shè)BP網(wǎng)絡(luò)的輸入層為：

 

    X＝｛x（1），…x（n）｝（1）

 

    其中x是信息資源管理質(zhì)量評估系統(tǒng)的各個評價(jià)指標(biāo),n=7。

 

    BP網(wǎng)絡(luò)的隱層為：

 

    neti＝ΣvijX（2）

 

    j

 

    Oi＝a（neti）（3）

 

    其中｛vij｝為權(quán)系數(shù),a（x）為系統(tǒng)的激勵函數(shù)或傳遞函數(shù),取Sigmoid函數(shù)，即：

 

    a（x）＝1－e－x(－x)（4）

 

    1＋e

 

    BP網(wǎng)絡(luò)的輸出層為：

 

    y贊＝ΣwiOi（5）

 

    i

 

    其中y贊是神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸出變量，｛wi｝為權(quán)系數(shù)。

 

    設(shè)準(zhǔn)則函數(shù)為：

 

    E＝［y－y贊］2＝e2（6）

 

    利用BP算法可使性能指標(biāo)最小化，為了保證系統(tǒng)的穩(wěn)定性，把被辨識對象信息資源管理質(zhì)量評估系統(tǒng)的實(shí)際輸出y作為反饋信號，將其與神經(jīng)網(wǎng)絡(luò)辨識器的輸出y贊比較，使E＜ε，其中ε為一個很小的數(shù)，如果不滿足要求，則不斷調(diào)整權(quán)系數(shù)，以達(dá)到期望要求。根據(jù)反向傳播計(jì)算公式，可得如下權(quán)系數(shù)修正規(guī)律：

 

    Δwi＝－η鄣E＝η［y－y贊］Oi（7）鄣wi

 

    Δvij＝η［y－y贊］a′（neti）wiX（8）其中η為修正率，0＜η≤1。

 

    2

 

    另外由（4）式，可得到：a′（x）=a（x）－a（x）。

 

    3仿真分析

 

    采用三層BP神經(jīng)網(wǎng)絡(luò)對上述的教育信息資源管理質(zhì)量評估系統(tǒng)進(jìn)行辨識，輸入層、隱含層和輸出層的結(jié)點(diǎn)數(shù)分別為7×14×1，激活函數(shù)采用sigmoid型，修正率η=0.9，學(xué)習(xí)訓(xùn)練算法采用反向傳播算法，將表1中的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)辨識模型的訓(xùn)練樣本，目標(biāo)誤差為0.001，仿真流程框圖和訓(xùn)練過程如圖2和圖3所示。學(xué)習(xí)訓(xùn)練達(dá)到要求后，可得到如表2所示的辨識值。從表2可以看出，原始數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)系統(tǒng)的辨識值非常接近。也就是說，該模型能較為準(zhǔn)確地根據(jù)各評價(jià)指標(biāo)來評估信息管理工作質(zhì)量。

 

    圖2仿真流程框圖

 

    圖3神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓(xùn)練過程

 

    表2原始數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)系統(tǒng)的辨識值比較

 

    樣本序號評價(jià)目標(biāo)網(wǎng)絡(luò)辨識值樣本序號評價(jià)目標(biāo)網(wǎng)絡(luò)辨識值

 

    16.56.499396.56.4994

 

    27.57.7494106.56.4990

 

    387.9945116.756.7495

 

    46.256.2573127.57.4994

 

    56.756.7513136.756.7500

 

    665.9996146.56.5014

 

    76.256.2478157.257.2511

 

    87.757.7488166.756.7510

 

    4結(jié)論

 

    運(yùn)用BP神經(jīng)網(wǎng)絡(luò)建立的倉儲信息資源管理質(zhì)量評估系統(tǒng)的數(shù)學(xué)模型，其輸出辨識值與真實(shí)值之間的誤差很小。一旦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和其算法確定后，數(shù)學(xué)模型的準(zhǔn)確程度與輸入的訓(xùn)練樣本的數(shù)量有著密切關(guān)系。訓(xùn)練樣本越多，該數(shù)學(xué)模型就越能準(zhǔn)確地根據(jù)各評價(jià)指標(biāo)來描述倉儲信息資源管理質(zhì)量的好壞。當(dāng)然，在倉儲信息資源管理實(shí)踐中，個別指標(biāo)的突變可能會導(dǎo)致評估結(jié)果的錯誤。這種現(xiàn)象是客觀存在的，個別指標(biāo)突變的突然性和不可預(yù)見性較強(qiáng)，極小的輸入會導(dǎo)致災(zāi)變的輸出，離差巨大，本論文所研究的神經(jīng)網(wǎng)絡(luò)評估模型沒有考慮個別指標(biāo)信息的突變現(xiàn)象，我們會在后續(xù)的工作中加以解決。

 

    【參考文獻(xiàn)】

    ［1］蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論.北京：高等教育出版社,2001.

    ［2］趙振宇,徐用懋.模糊理論和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)與應(yīng)用[M].北京:清華大學(xué)出版 社,1995:103-114.

    ［3］GeorgeDM,MichaelNV,GeorgeSA.Effectivebackpropagationtrainingwithvariablestepsize[J].NeuralNetworks,1997,10(1):69-82.
    ［4］CharlesWL.Trainingfeedforwardneuralnetworks:analgorithmgivingimprovedgeneralization[J].NeuralNetworks,1997，10(1):61-68.

    ［5］MohsenAttaran.Exploringtherelationshipbetweeninformationtechnologyandbusinessprocessreengineering．InformationManagement，2004.

    ［6］李永生,鄭文嶺.倉儲與配送管理[M].北京:機(jī)械工業(yè)出版社,2009．

    注:本文由筆耕文化傳播（www.bigengculture.com)整理，文章版權(quán)歸原作者所有，轉(zhuǎn)載請注明出處！