面向聚类与供应链的人工蜂群多目标优化研究

发布时间：2020-04-02 19:42

【摘要】：供应链管理作为企业的左膀右臂,对企业能否健康发展起着重要作用,是给企业带来巨大收益的竞争利器,备受企业决策者的关注。然而,随着互联网金融的迅猛发展,越来越多的制造企业在采购原材料时不再受制于地域的限制。全世界满足要求的供应者蜂拥而来,供应商数量急剧增加,企业决策者如何正确、迅速地从中选取到满足自身利益要求、稳定、高质量的供应商变得非常的困难。智能优化算法能够从大量的原始数据中挖掘出隐含的有价值的信息,快速求解复杂的优化问题。供应链网络结构复杂的特征决定了应用智能优化算法对供应链网络的管理和决策上具有较强的可行性和现实性。本文通过对现今供应链中各供应商数据和网络拓扑结构的分析,利用智能优化算法和聚类方法,针对不同问题提出改进的算法,并对一家推土机制造企业的供应链网络进行优化和决策,主要内容如下:(1)针对密度峰值聚类算法对截断距离参数依赖性过强,数据点之间聚类结果过度影响所导致的类簇间数据点聚类结果的不确定性和缺乏客观性的问题,提出基于人工蜂群的密度峰值聚类算法。并将其应用到民营上市公司的聚类分析中。(2)针对供应链网络结构复杂、数据量大、求解速度较慢等问题,提出基于复杂网络和朴素贝叶斯分类的人工蜂群算法。使用复杂网络理论,降低供应链网络结构的复杂度;引入朴素贝叶斯分类,大幅度地加快了算法的寻优速度。并将其应用于供应链网络优化决策中。(3)针对人工蜂群算法寻优的解空间有限,寻优速度较慢的问题,提出基于模拟退火和梯度下降的人工蜂群算法。改变原始蜂群算法中侦察蜂随机游走的方式,扩大算法的搜索解集,加快算法的收敛速度。朴素贝叶斯概率的引用提高原始蜂群算法的启发性,加快算法的求解速度。并将改进的人工蜂群算法应用到供应链网络管理决策中。本文针对智能优化算法中的人工蜂群算法存在的问题,结合密度峰值聚类算法、复杂网络、朴素贝叶斯分类、模拟退火算法和梯度下降算法进行修改。结果表明,本文所提出的方法能够较为有效的对供应商筛选,为企业决策者寻求更有效的供应链优化方案。
【图文】：

聚类,数据集,取值,不合理

(a) =0.7288 (b) =1.4196图 3.1 不同取值下 R15 数据集使用 DPC 算法的聚类结果如图 3.1 所示，(a)图是取值为 0.7288 的聚类结果，聚类结果接近正确类结果，但仍旧存在类簇间数据点的分类不合理现象。(b)图是取值为 1.41

聚类,算法,不合理,数据点

图 3.2 使用 DPC 算法对随机点的聚类结果可以清晰看到，两个聚类中间的部分数据点聚类结点的不合理聚类也正是因为之前数据点的不合理聚 BeeDPC 算法在聚类原则上借鉴三角稳定原理的思
【学位授予单位】：吉林财经大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;F274

【参考文献】