港口供应链网络均衡模型及风险评估研究

发布时间：2017-09-20 13:05

  本文关键词：港口供应链网络均衡模型及风险评估研究

  更多相关文章： 均衡模型 风险评估 港口供应链 变分不等式 支持向量机

【摘要】：随着供应链网络的发展,港口供应链已成为人们关注和研究的热点。港口供应链网络错综复杂,成员众多。这些组成成员构建形式各异,层次不齐。因此,为实现资源的合理配置,优势互补,提高整个供应链的作业效率成了港口供应链管理的最大目标。另外,在全球经济一体化的形式下,港口供应链涉及的行业越来越多,范围越来越大。在对商品进行生产、运输和存贮的过程中,有很多不确定性因素存在,这些不确定性如果不能被及早发现并制止,将会给整个供应链带来无法预计的后果,所以对港口供应链的风险进行评估是必要的,也是保证港口供应链协调发展的一项重要的任务。为了降低港口供应链各环节的不确定性与风险性,加强供应链中各成员之间的协作,本文对港口供应链网络均衡模型和风险评估进行了研究。本文的主要研究成果如下：1.基于港口供应链网络中同层成员间相互竞争,不同层成员间相互合作的关系,提出了一个由供应商、港口物流商和客户组成的三层港口供应链网络均衡模型,并在此基础上引入了电子商务。从供应商、港口物流商及客户三个角度给出了各自的最优目标及全局的最优目标,并基于变分不等式理论给出了最优目标的求解方法。最后通过算例验证了模型的有效性和合理性。2.为了降低求解二次规划问题的计算复杂度和计算量,提高算法的速度和精度,提出了基于变分不等式的线性和近似线性支持向量机训练方法。该方法将线性支持向量机训练过程中凸二次规划的求解问题转化为变分不等式的求解问题,进而得到最优分类超平面。该求解过程占用内存较少,从而可以提高支持向量机分类的训练速度。实验结果表明,基于变分不等式的支持向量机泛化能力强,而且比传统的支持向量机有更快的收敛速度。3.为了减少各种风险对港口供应链造成的损失,增强港口供应链管理的稳定性和运营的高效性,建立了基于支持向量机的港口供应链风险评估模型,并与基于BP神经网络、径向基神经网络评估模型进行对比分析,通过实例计算表明基于支持向量机的港口供应链风险评估模型是可行的。同时,考虑采集数据的误差问题,对采集数据引入容错值,构成容错区间,利用粗神经网络方法对港口供应链风险评估模型的数据进行了不确定分析,讨论了不同的容错值对评估误差的影响。为港口供应链风险评估模型的建立和发展提供了参考。
【关键词】：均衡模型 风险评估 港口供应链 变分不等式 支持向量机
【学位授予单位】：大连海事大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：F274;F552
【目录】：

• 创新点摘要5-6
• 摘要6-8
• 英文摘要8-13
• 第1章 绪论13-34
• 1.1 研究背景13-17
• 1.2 研究意义17-18
• 1.3 国内外研究现状18-29
• 1.3.1 港口供应链国外研究现状18-21
• 1.3.2 港口供应链国内研究现状21-23
• 1.3.3 均衡理论研究现状23-27
• 1.3.4 供应链风险评估研究现状27-29
• 1.4 研究的目标与主要内容29-31
• 1.4.1 研究的目标29-30
• 1.4.2 研究的主要内容30-31
• 1.5 研究的基本思路与方法31-32
• 1.5.1 研究的基本思路31
• 1.5.2 研究方法31-32
• 1.6 本章小结32-34
• 第2章 基础理论概述34-60
• 2.1 最优化理论34-37
• 2.1.1 凸理论34-35
• 2.1.2 具有约束条件的最优化问题35-37
• 2.2 变分不等式理论37-41
• 2.2.1 变分不等式的定义37
• 2.2.2 变分不等式解的性质37-38
• 2.2.3 变分不等式算法38-41
• 2.3 支持向量机及其学习算法简介41-51
• 2.3.1 线性支持向量机算法42-44
• 2.3.2 近似线性可分支持向量机算法44-46
• 2.3.3 非线性可分支持向量机算法46-49
• 2.3.4 用于拟合的支持向量机49-51
• 2.4 神经网络简介51-58
• 2.4.1 BP神经网络简介51-52
• 2.4.2 径向基神经网络简介52-55
• 2.4.3 粗神经网络简介55-58
• 2.5 本章小结58-60
• 第3章 港口供应链网络均衡模型60-76
• 3.1 港口供应链网络均衡模型构建61-62
• 3.2 港口供应链各层决策者的行为及目标分析62-65
• 3.2.1 供应商的行为及其最优目标63-64
• 3.2.2 港口物流商的行为及其最优目标64
• 3.2.3 客户的行为及其最优条件64-65
• 3.3 港口供应链网络平衡条件分析65-68
• 3.3.1 供应链平衡条件66-67
• 3.3.2 平衡条件分析67-68
• 3.4 算法实现68-72
• 3.4.1 投影算法68-69
• 3.4.2 修正投影算法69-70
• 3.4.3 算法步骤70-72
• 3.5 实例分析72-75
• 3.6 本章小结75-76
• 第4章 基于电子商务的港口供应链网络均衡模型76-96
• 4.1 网络均衡模型构建77-78
• 4.2 网络模型中各层决策者的最优状态78-84
• 4.2.1 供应商的最优状态分析79-80
• 4.2.2 港口物流商的最优状态分析80-82
• 4.2.3 客户的最优状态分析82-84
• 4.3 网络模型的平衡状态及其求解算法84-88
• 4.3.1 平衡状态84-85
• 4.3.2 求解步骤85-87
• 4.3.3 计算结果87-88
• 4.4 实例分析88-94
• 4.5 本章小结94-96
• 第5章 港口供应链风险评估研究96-124
• 5.1 基于变分不等式的线性支持向量机96-102
• 5.1.1 问题转化97-99
• 5.1.2 算法步骤99-100
• 5.1.3 实例分析100-102
• 5.2 基于变分不等式的近似线性支持向量机102-106
• 5.2.1 问题转化102-103
• 5.2.2 算法步骤103-105
• 5.2.3 实例分析105-106
• 5.3 基于支持向量机的港口供应链风险评估106-118
• 5.3.1 港口供应链风险评估指标体系设定107-111
• 5.3.2 模型建立及结果分析111-113
• 5.3.3 与其他神经网络方法对比分析113-118
• 5.4 基于粗神经网络的港口供应链风险评估118-122
• 5.4.1 模型建立118-120
• 5.4.2 结果分析120-122
• 5.5 本章小结122-124
• 第6章 结论124-126
• 参考文献126-138
• 附录 港口供应链风险评估指标体系数据表138-140
• 攻读学位期间公开发表论文140-142
• 致谢142-143
• 作者简介143

【参考文献】

中国期刊全文数据库 前10条

1 王玖河;夏炎;方淑芬;;基于Stackelberg模型的港口供应链伙伴关系研究[J];燕山大学学报;2006年06期

2 谢海燕,赵连昌,王德强;粗神经网络及其在股市预测中的应用[J];大连海事大学学报;2002年03期

3 张东波;王耀南;黄辉先;;基于变精度粗糙集的粗集神经网络[J];电子与信息学报;2008年08期

4 宣金钊;张纪会;张海滨;;电力供应链的超网络模型与均衡分析研究[J];复杂系统与复杂性科学;2011年01期

5 刘诚;李伟;瞿攀;;随机需求条件下闭环供应链网络均衡[J];系统工程;2008年08期

6 王治华;关于单调变分不等式的不精确邻近点算法的收敛性分析[J];高等学校计算数学学报;2003年04期

7 杨立才,贾磊;粗神经网络及其在交通流预测中的应用[J];公路交通科技;2004年10期

8 李志方;程国平;;基于灰色系统的供应链风险模糊综合评价研究[J];中国管理信息化;2008年24期

9 郑桂兰;赵刚;;基于港口集团式双扇型供应链的供需同步模型[J];河海大学学报(自然科学版);2007年06期

10 周秋麟,杨圣云;港为城用 城以港兴──兼论厦门港口与城市的关系[J];海洋开发与管理;2000年01期

中国博士学位论文全文数据库 前1条

1 王玖河;港口企业供应链的结构分析与优化[D];燕山大学;2007年

中国硕士学位论文全文数据库 前6条

1 冯晓华;基于AHP和灰色关联分析的中国石油进口供应链风险评价及战略对策选择[D];中国海洋大学;2010年

2 崔华丽;基于粗神经网络的数据挖掘方法及其应用[D];西安建筑科技大学;2004年

3 张玲;港口企业供应链的风险问题研究[D];西南交通大学;2008年

4 张琅;供应链金融信用风险评估研究[D];西安理工大学;2010年

5 侯梅媛;基于BP神经网络的供应链风险评价方法研究[D];辽宁师范大学;2013年

6 陈国朋;港口服务供应链的风险评估与策略研究[D];武汉理工大学;2013年

，

本文编号：888213