基于K-means算法的制造企业智能采购系统的设计与实现
发布时间：2021-06-23 07:42
进入新世纪以来,制造业企业逐渐采用信息化的管理方式,大大提升了企业的生产效率。但是企业在应用信息化管理时还存在着一些问题,比如目前很多企业只是对企业生产的信息记录到数据库中,而没有对数据进行分析,发现数据中的隐含信息来帮助企业减少成本,提高企业竞争力。目前很多制造业企业并没有对供应商信息进行聚类分析,导致企业在选择供应商时缺少科学的依据。为了解决企业在选取供应商问题时存在的短板,本文基于K-means算法对企业的供应商信息进行挖掘。为了让企业能够根据现实情况进行供应商选择,本文采用了层次分析法来帮助企业决策者科学合理选择供应商。基于K-means算法的制造业企业的智能采购系统的核心功能是实现对供应商的分类,并根据企业的实际需求选择供应商。本文主要论述了使用K-means算法和层次分析法对供应商进行选择,以合作单位的实际需求作为出发点,完成系统的设计、采购流程管理以及基于K-means和层次分析法的供应商选择系统,最后对完成的软件进行了图片以及文字的说明。本文以制造业企业的实际需求为支撑,结合实验室合作企业的具体要求对基于K-means算法的制造业企业的智能采购系统的核心功能进行研究和设...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
通用的数据挖掘方法
第2章数据挖掘和供应商评价方法选择11（2）基于划分的方法[32]：基于划分的方法是将一个数据集中的n个样本点，划分到k个簇中，然后按照特定的评判规则以及循环迭代的方式，对每个簇中的数据点进行分配。将每个样本点都分配到唯一的簇中，并且每个簇中都含有样本点。该方法的优点是：收敛速度快，聚类效果好，在大型数据集中表现优异；其缺点是：不同的簇数将对聚类结果产生很大的影响，而且数据集中如果有噪声数据和不完整的数据会对聚类结果产生很大的影响。常见算法有K-means算法，K-medoids算法。（3）基于密度的方法：基于密度方法将簇定义为密度相连的点的最大集合，将密度很大的区域划分为一类。该方法的优点是：可以在具有噪声的数据库中发现任意形状的聚类；其缺点是：设计复杂，很难处理离散数据集聚类。常用的算法有DBSCAN算法、OPTICS算法。（4）基于网格的方法：基于网格的聚类方法本质上是基于空间单元的，其思想是把给定的数据集量化成有限个单元，然后对量化的单元进行聚类。该方法的优点是：在处理大型复杂数据具有很高的效率，需要的参数少，并且孤立点对其没有影响。其缺点是：无法对聚类的精度进行保证。常用算法有STING算法和CLIQUE算法。（5）基于模型的方法：基于模型的聚类方法，每一种假设对应一个模型，之后的过程就是使用最佳数据对模型进行拟合。常用的算法有COBWEB算法和SOM算法。图2.2聚类分析算法
第3章基于K-means的供应商评价研究15代表的是第i个簇，代表的是第i个簇心。K-means算法的步骤可以描述如下：步骤1，选取K个样本点作为初始的聚类中心。步骤2，对不包括聚类中的其他样本点进行聚类，将每个样本的分到其距离最近的类中，并对类的中心点进行更新。步骤3，重复步骤2，直到簇心不再变化为止，完成聚类。图3.1传统K-means算法流程图
【参考文献】：
期刊论文
[1]基于熵权TOPSIS模型的建筑物料供应商评价与管理研究[J]. 范露华. 重庆理工大学学报(自然科学). 2019(12)
[2]最近邻优化的k-means聚类算法[J]. 林涛,赵璨. 计算机科学. 2019(S2)
[3]基于层次分析法-熵值法的电网供应商评价体系研究[J]. 袁太平,余海翔,易达. 企业改革与管理. 2019(02)
[4]一种改进的K-means算法[J]. 尹宝勇,吴斌,刘建生. 江西理工大学学报. 2018(05)
[5]基于AHP-灰色关联分析的建筑供应商选择[J]. 赵亚星,王红春. 工程经济. 2018(04)
[6]汽车制造企业零部件采购成本控制研究[J]. 卫菊红. 管理观察. 2018(11)
[7]基于熵值法和TOPSIS法的供应链环境下供应商选择[J]. 刘进,郭进超. 商业经济研究. 2018(06)
[8]供应商选择评价指标体系的影响因素研究[J]. 毋毅文. 企业改革与管理. 2018(04)
[9]O2O模式下工业品供应商的评价选择[J]. 郑义健,邱思琦,明新国,刘志文. 机械设计与研究. 2018(01)
[10]基于萤火虫优化的加权K-means算法[J]. 陈小雪,尉永清,任敏,孟媛媛. 计算机应用研究. 2018(02)
硕士论文
[1]数据挖掘在供应商评价中的应用[D]. 胡光杰.安徽大学 2007
本文编号：3244546
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
通用的数据挖掘方法
第2章数据挖掘和供应商评价方法选择11（2）基于划分的方法[32]：基于划分的方法是将一个数据集中的n个样本点，划分到k个簇中，然后按照特定的评判规则以及循环迭代的方式，对每个簇中的数据点进行分配。将每个样本点都分配到唯一的簇中，并且每个簇中都含有样本点。该方法的优点是：收敛速度快，聚类效果好，在大型数据集中表现优异；其缺点是：不同的簇数将对聚类结果产生很大的影响，而且数据集中如果有噪声数据和不完整的数据会对聚类结果产生很大的影响。常见算法有K-means算法，K-medoids算法。（3）基于密度的方法：基于密度方法将簇定义为密度相连的点的最大集合，将密度很大的区域划分为一类。该方法的优点是：可以在具有噪声的数据库中发现任意形状的聚类；其缺点是：设计复杂，很难处理离散数据集聚类。常用的算法有DBSCAN算法、OPTICS算法。（4）基于网格的方法：基于网格的聚类方法本质上是基于空间单元的，其思想是把给定的数据集量化成有限个单元，然后对量化的单元进行聚类。该方法的优点是：在处理大型复杂数据具有很高的效率，需要的参数少，并且孤立点对其没有影响。其缺点是：无法对聚类的精度进行保证。常用算法有STING算法和CLIQUE算法。（5）基于模型的方法：基于模型的聚类方法，每一种假设对应一个模型，之后的过程就是使用最佳数据对模型进行拟合。常用的算法有COBWEB算法和SOM算法。图2.2聚类分析算法
第3章基于K-means的供应商评价研究15代表的是第i个簇，代表的是第i个簇心。K-means算法的步骤可以描述如下：步骤1，选取K个样本点作为初始的聚类中心。步骤2，对不包括聚类中的其他样本点进行聚类，将每个样本的分到其距离最近的类中，并对类的中心点进行更新。步骤3，重复步骤2，直到簇心不再变化为止，完成聚类。图3.1传统K-means算法流程图
【参考文献】：
期刊论文
[1]基于熵权TOPSIS模型的建筑物料供应商评价与管理研究[J]. 范露华. 重庆理工大学学报(自然科学). 2019(12)
[2]最近邻优化的k-means聚类算法[J]. 林涛,赵璨. 计算机科学. 2019(S2)
[3]基于层次分析法-熵值法的电网供应商评价体系研究[J]. 袁太平,余海翔,易达. 企业改革与管理. 2019(02)
[4]一种改进的K-means算法[J]. 尹宝勇,吴斌,刘建生. 江西理工大学学报. 2018(05)
[5]基于AHP-灰色关联分析的建筑供应商选择[J]. 赵亚星,王红春. 工程经济. 2018(04)
[6]汽车制造企业零部件采购成本控制研究[J]. 卫菊红. 管理观察. 2018(11)
[7]基于熵值法和TOPSIS法的供应链环境下供应商选择[J]. 刘进,郭进超. 商业经济研究. 2018(06)
[8]供应商选择评价指标体系的影响因素研究[J]. 毋毅文. 企业改革与管理. 2018(04)
[9]O2O模式下工业品供应商的评价选择[J]. 郑义健,邱思琦,明新国,刘志文. 机械设计与研究. 2018(01)
[10]基于萤火虫优化的加权K-means算法[J]. 陈小雪,尉永清,任敏,孟媛媛. 计算机应用研究. 2018(02)
硕士论文
[1]数据挖掘在供应商评价中的应用[D]. 胡光杰.安徽大学 2007
本文编号：3244546
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3244546.html
