低碳供应链柔性资源配置模型及算法的鲁棒性研究
发布时间：2021-01-29 08:21
随着全球化环境危机与资源禀赋困境加剧,要求供应链在资源环境约束下提高资源利用率,实现低碳绿色转型。新冠肺炎疫情对全球供应链运营及经济发展带来了新的挑战。本文在资源属性及混合算法等研究基础上,以资源配置模型及其算法为研究对象,通过对资源配置问题、模型参数及鲁棒性实验分析,合理地解决低碳供应链柔性资源配置平衡问题。考虑资源环境的双重属性,如何优化供应链资源配置,本文从政府层面和企业层面给出了相应的对策:政府要加强低碳供应链的建设与管理;企业要强化碳减排与资源配置方法的创新。在经济全球化影响下,如何实现线上线下供应链资源的优化配置,值得进一步思考与研究。
【文章来源】：企业经济. 2020,39(08)北大核心
【文章页数】：8 页
【部分图文】：
基于混合神经网络的柔性资源配置的实验误差配置次数T00500010001500配置误差曲线
QiYeJingJi2020年第8期(第39卷，总第480期)图1基于混合神经网络的柔性资源配置的实验误差0.10-0.1-0.2-0.302468101214161820配置误差曲线属性个数配置次数T21.510.500500010001500图2基于量子神经网络的柔性资源配置的实验误差配置误差曲线0.10-0.1-0.2-0.30246810121416182021.510.50属性个数0500010001500配置次数T配置误差平均误差配置误差平均误差图3基于混合量子神经网络的柔性资源配置的实验误差0.10-0.1-0.2-0.30246810121416182021.510.500500010001500属性个数配置次数T配置误差曲线配置误差平均误差低碳供应链柔性资源配置模型及算法的鲁棒性研究基于以上低碳供应链柔性资源配置实验可以看出，因粒子群算法能提高函数逼近精度，而混合粒子群算法不需要借助问题的特征信息，具有很好的全局收敛能力以及鲁棒性能。因此，混合量子神经网络算法不仅能发挥混合神经网络泛化与映射性能，而且能够提高该混合算法本身的收敛速度及其混合网络结构学习能力。通过其学习能力的改进，从而提高混合量子神经网络算法的收敛速度以及低碳供应链柔性资源配置的正确率，并减少配置误差率。七、结论及对策建议本文从资源属性视角对低碳供应链柔性资源配置模型及其算法展开具体研究，得到以下结论：一是85
QiYeJingJi2020年第8期(第39卷，总第480期)图1基于混合神经网络的柔性资源配置的实验误差0.10-0.1-0.2-0.302468101214161820配置误差曲线属性个数配置次数T21.510.500500010001500图2基于量子神经网络的柔性资源配置的实验误差配置误差曲线0.10-0.1-0.2-0.30246810121416182021.510.50属性个数0500010001500配置次数T配置误差平均误差配置误差平均误差图3基于混合量子神经网络的柔性资源配置的实验误差0.10-0.1-0.2-0.30246810121416182021.510.500500010001500属性个数配置次数T配置误差曲线配置误差平均误差低碳供应链柔性资源配置模型及算法的鲁棒性研究基于以上低碳供应链柔性资源配置实验可以看出，因粒子群算法能提高函数逼近精度，而混合粒子群算法不需要借助问题的特征信息，具有很好的全局收敛能力以及鲁棒性能。因此，混合量子神经网络算法不仅能发挥混合神经网络泛化与映射性能，而且能够提高该混合算法本身的收敛速度及其混合网络结构学习能力。通过其学习能力的改进，从而提高混合量子神经网络算法的收敛速度以及低碳供应链柔性资源配置的正确率，并减少配置误差率。七、结论及对策建议本文从资源属性视角对低碳供应链柔性资源配置模型及其算法展开具体研究，得到以下结论：一是85
【参考文献】：
期刊论文
[1]三级低碳供应链联合减排及宣传促销微分博弈研究[J]. 向小东,李翀. 控制与决策. 2019(08)
[2]供应链背景下企业环境管理与技术创新绩效的关系及其作用机理[J]. 刘志刚,杨洁辉,水会莉. 企业经济. 2017(02)
[3]政府干涉对大宗货物双渠道低碳运输供应链的协调研究[J]. 罗天龙,蔡文学. 软科学. 2016(10)
[4]不同情境下的服务供应链运作模式——资源和环境共同驱动的B2B多案例研究[J]. 宋华,于亢亢,陈金亮. 管理世界. 2013(02)
本文编号：3006581
【文章来源】：企业经济. 2020,39(08)北大核心
【文章页数】：8 页
【部分图文】：
基于混合神经网络的柔性资源配置的实验误差配置次数T00500010001500配置误差曲线
QiYeJingJi2020年第8期(第39卷，总第480期)图1基于混合神经网络的柔性资源配置的实验误差0.10-0.1-0.2-0.302468101214161820配置误差曲线属性个数配置次数T21.510.500500010001500图2基于量子神经网络的柔性资源配置的实验误差配置误差曲线0.10-0.1-0.2-0.30246810121416182021.510.50属性个数0500010001500配置次数T配置误差平均误差配置误差平均误差图3基于混合量子神经网络的柔性资源配置的实验误差0.10-0.1-0.2-0.30246810121416182021.510.500500010001500属性个数配置次数T配置误差曲线配置误差平均误差低碳供应链柔性资源配置模型及算法的鲁棒性研究基于以上低碳供应链柔性资源配置实验可以看出，因粒子群算法能提高函数逼近精度，而混合粒子群算法不需要借助问题的特征信息，具有很好的全局收敛能力以及鲁棒性能。因此，混合量子神经网络算法不仅能发挥混合神经网络泛化与映射性能，而且能够提高该混合算法本身的收敛速度及其混合网络结构学习能力。通过其学习能力的改进，从而提高混合量子神经网络算法的收敛速度以及低碳供应链柔性资源配置的正确率，并减少配置误差率。七、结论及对策建议本文从资源属性视角对低碳供应链柔性资源配置模型及其算法展开具体研究，得到以下结论：一是85
QiYeJingJi2020年第8期(第39卷，总第480期)图1基于混合神经网络的柔性资源配置的实验误差0.10-0.1-0.2-0.302468101214161820配置误差曲线属性个数配置次数T21.510.500500010001500图2基于量子神经网络的柔性资源配置的实验误差配置误差曲线0.10-0.1-0.2-0.30246810121416182021.510.50属性个数0500010001500配置次数T配置误差平均误差配置误差平均误差图3基于混合量子神经网络的柔性资源配置的实验误差0.10-0.1-0.2-0.30246810121416182021.510.500500010001500属性个数配置次数T配置误差曲线配置误差平均误差低碳供应链柔性资源配置模型及算法的鲁棒性研究基于以上低碳供应链柔性资源配置实验可以看出，因粒子群算法能提高函数逼近精度，而混合粒子群算法不需要借助问题的特征信息，具有很好的全局收敛能力以及鲁棒性能。因此，混合量子神经网络算法不仅能发挥混合神经网络泛化与映射性能，而且能够提高该混合算法本身的收敛速度及其混合网络结构学习能力。通过其学习能力的改进，从而提高混合量子神经网络算法的收敛速度以及低碳供应链柔性资源配置的正确率，并减少配置误差率。七、结论及对策建议本文从资源属性视角对低碳供应链柔性资源配置模型及其算法展开具体研究，得到以下结论：一是85
【参考文献】：
期刊论文
[1]三级低碳供应链联合减排及宣传促销微分博弈研究[J]. 向小东,李翀. 控制与决策. 2019(08)
[2]供应链背景下企业环境管理与技术创新绩效的关系及其作用机理[J]. 刘志刚,杨洁辉,水会莉. 企业经济. 2017(02)
[3]政府干涉对大宗货物双渠道低碳运输供应链的协调研究[J]. 罗天龙,蔡文学. 软科学. 2016(10)
[4]不同情境下的服务供应链运作模式——资源和环境共同驱动的B2B多案例研究[J]. 宋华,于亢亢,陈金亮. 管理世界. 2013(02)
本文编号：3006581
本文链接：https://www.wllwen.com/guanlilunwen/gongyinglianguanli/3006581.html
