论文部分内容阅读
随着经济与信息技术的快速发展,给传统制造业带来严峻的挑战,企业需要整改传统制造业的面貌,实现传统制造业向智能制造业的转变。为适应市场需求,企业需要不断整合资源提升企业供应链的竞争力。供应商作为供应链的重要环节,对于企业的核心竞争力有极其重要的地位。基于智能制造企业供应商的背景,采用机器学习的评价方法,对供应商效率评价进行深入的研究。本文首先介绍研究背景和研究意义,综述国内外企业供应商评价指标体系和供应商评价方法。然后,介绍相关理论基础,简单叙述智能制造定义、对供应商进行分类界定、介绍激励机制和供应商效率以及供应商效率评价的定义。在已有相关文献基础上,总结出相对独立性、科学简明性、灵活操作性、可扩展性、定性与定量相结合五大供应商评价指标体系构建原则,结合已有关于供应商评价指标体系文献和智能制造企业供应商的特点,构建智能制造企业供应商分类和评价指标体系,并对指标体系中的各个指标做详细解释。其次,供应商效率评价问题是针对效率型供应商进行的,对比贝叶斯、决策树和支持向量机分类方法,选用贝叶斯对众多供应商进行分类,挑选出效率型供应商进行评价。供应商评价为复杂的非线性映射问题,对比国内外供应商评价方法,在传统BP神经网络的基础上,结合改进的PSO算法,在供应商评价指标体系的基础上,构建DPMPSO-BP神经网络的智能制造企业供应商效率评价模型。通过收集的样本数据对网络进行训练仿真,对结果进行分析。最后,将设计好的模型应用于某大型电池制造企业中,验证分析了基于DPMPSO-BP神经网络的智能制造企业供应商效率评价方法是有效可行的,对比传统的BP神经网络方法有一定改进。