逆向物流供应链最佳供应商选择及订单量分配*

为解决逆向物流供应链中,供应商选择、订单量分配和提货点位置等不确定问题,建立了一个新的模糊多目标数学模型来确定最佳供应商选择、供应量及提货点位置,为避免在解决多目标模型时人为主观赋权,运用基于模糊目标规划的蒙特卡罗仿真模型来求解帕累托(pareto)理想解,采用遗传算法进行求解,并给出了相应优化方案,在此基础上研究讨论了不同权重分配下结果的优劣性及供应商选择风险,最后,针对不同权重分配,比较了遗传算法和Gurobi求解,实验表明,对于该问题模型遗传算法在解的优劣性上优于Gurobi。     

基于信息熵的模糊多属性决策供应商选择方法

提出了一种针对供应商选择最优决策问题的基于信息熵的模糊多属性决策方法。针对供应商的多属性决策问题,确定属性集,利用信息熵求出各属性权重,运用模糊数排序方法对方案的模糊效用值进行排序,以确定最优方案。最后以某企业为例做了实例分析,将此方法应用于对这五个供应商进行评分排序,并从中选择出最为合适的供应商,表明此方法行之有效。     

基于熵的第三方物流供应商选择评估模型

应用模糊聚类算法和熵权多目标决策法建立评估模型,以实现物流服务供应商选择的优中选优。其中,模糊聚类法对所有可供选择的供应商进行聚类分析,确定各物流服务供应商优势或特点,以获得满足客户物流服务需求的供应商类作为备选供应商;应用熵权多目标决策法计算备选供应商与理想点的距离及贴近度,并按量化的计算结果对备选供应商进行优先权排序,从而为企业选择第三方物流供应商提供可参考的模型和理论依据。     

集群式供应链中基于约束层次和模糊偏好的供应商评价选择模型

针对集群式供应链中采购商选择供应商过程中出现的过约束问题,提出一种基于约束层次和模糊偏好的供应商评价选择模型.该模型基于约束层次理论,依据采购商对供应商约束的必需性程度,将约束分为强制性约束层和非强制性约束层;同时采用模糊偏好的量化方法来确定采购商对供应商的模糊偏好,简化了供应商的选择过程;另外,该模型改进了约束层次理论中的全局评价算子,基于线性加权法构造了基于强制性约束层评价模型和非强制性约束层评价模型的供应商综合评价模型,提高了供应商选择的成功率.最后通过算例验证该模型是有效的.     

基于Vague软集的模糊群决策方法研究

运用传统的模糊集进行模糊型群决策时存在一定的困难,而Vague软集是一种处理不确定信息的重要工具。为此,给出了一种加权的Vague软集间相似度定义,并运用Vague软集对备选方案进行评判;在此基础上运用正态云模型进行群体一致性评判,将基于Vague软集的模糊群决策方法应用于供应商选择问题中,结果表明,Vague软集能极大地提高模糊群决策的科学性和有效性。     

基于模糊最优化模型的供应商选择方法研究

供应商选择是供应链管理中的一个重要课题,其本质是一个决策问题。针对供应商的选择问题,首先基于最优化模型提出一种乘性一致模糊偏好关系的构建方法,并引入新的一致性指数用以衡量模糊偏好关系的一致性水平。在此基础上,建立了基于乘性一致性调整算法的供应商权重确定方法,该方法不仅保证调整后的模糊偏好关系满足满意一致性条件,而且使得决策者获得合理可靠的供应商权重向量。最后将提出的选择方法运用于经销商选择综合条件最优的供应商问题中。     

供应商协同能力评价指标体系研究

供应链协同已经成为供应链集团在与其他集团之间日趋激烈的竞争中创造竞争优势的势在必行的现代管理战略,供应商选择对供应链协同至关重要。通过控制进化种群划分与进化过程,利用压缩变异与Gauss变异设计一种组合变异方式,进而提出改进的模糊C-均值聚类遗传算法（IFCMGA）;在初步确定面向供应链协同的供应商评价指标后,利用IFCMGA算法对供应商协同能力评价指标进行分类,构建了面向供应链协同的供应商评价指标体系。结合模糊层次分析法与重要指标筛选法进行指标分析和筛选以及指标体系重构,以为供应商评价与选择提供科学决策依据。     

基于战略对应的IT项目组合选择模型

把信息技术项目当作组合来管理可以通过平衡风险和收益来促进企业目标和IT应用的结合,但由于决策信息的不确定性和IT项目目标与企业战略的难以对应,企业面临IT项目组合选择的挑战。构建基于战略对应的IT项目组合选择模型,其中模糊集和模糊层次分析法用来刻画不确定信息和评估IT项目风险、成本及收益,关键成功因素法用来提高IT项目与企业战略的对应,并建立模糊0－1整数规划。利用定性可能性理论把模糊组合选择模型转化为一般可求解的整数规划形式,最后用一个案例说明模型的用法。     

干燥机质量屋建模中系统参数确定与仿真

针对干燥机QFD系统的内在模糊性 ,运用带有对称模糊系数的模糊回归及模糊规划理论 ,建立了关联函数及自相关函数的模糊规划模型 ,分析了h值与各模糊系数展值的关系 ,提出了确定h最佳取值的方法 .仿真研究表明 ,这些干燥机模型能够在信息不确定、不完整、不充分的环境下 ,帮助开发人员有效确定质量屋中的关联函数及自相关函数 .该结果可应用于各种质量屋建模过程 .     

模糊需求的联合补充问题研究

研究了需求不确定的联合补充问题.用梯形模糊数表示不确定需求,建立了问题的模糊规划数学模型,目标函数为最小化总成本,包括订货成本和库存持有成本;采用遗传算法对模型求解,给出了编码方案,并讨论了选择、交叉、变异等遗传算子.用数值实例验证了所提出的模糊数学模型及求解算法,并对确定需求模型结果进行了对比分析.     

发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法， 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架， 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

MSRep:利用模糊控制的邮件服务器信誉度生成算法

在分析现有的信誉度生成算法的基础上,结合模糊控制技术设计了一个参数模糊控制器,提出了一种分布式网络中基于模糊控制的邮件服务器信誉度生成算法MSRep。MSRep算法使用参数模糊控制器控制其参数的取值,得到的信誉度更符合信誉度计算原则。仿真结果显示,与现有的信誉度生成算法相比,当邮件服务器开始恶意行为时,MSRep算法计算得到的信誉度下降更快;当邮件服务器重建自身的信誉度时,其信誉度上升则更加缓慢。在不同的发送模型中,MSRep算法计算得到的重建指数平均是TrustGuard算法的4.389倍,恶意节点为发送垃圾邮件所付出的代价更高。     

基于局部线性聚类算法的模糊建模

提出了一种新的基于T-S模糊模型的建模方法，首先通过一种局部线性聚类算法，自适应确定模糊规则数目及初始T-S模型的前提和结论参数，建立相应的一阶T-S模糊神经网络．并用梯度下降和递推最小二乘混合算法训练网络参数，从而提高建模精度．最后，通过两个仿真实例验证了本文方法的有效性．     

减法聚类-ANFIS在网络故障诊断的应用研究

提出了一种基于减法聚类-自适应模糊神经网络（ANFIS）的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统,ANFIS建立网络故障诊断原始模型,应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真实验表明基于减法聚类-ANFIS的建模方法是有效的;通过仿真结果比较,减法聚类-ANFIS的网络故障诊断能力及收敛速度均优于BP神经网络,更适合作为网络故障诊断模型。     

Inventory lot-sizing with supplier selection using hybrid intelligent algorithm

In supply chain management (SCM), multi-product and multi-period models are usually used to select the suppliers. In the real world of SCM, however, there are normally several echelons which need to be integrated into inventory management. This paper presents a hybrid intelligent algorithm, based on the push SCM, which uses a fuzzy neural network and a genetic algorithm to forecast the rate of demand, determine the material planning and select the optimal supplier. We test the proposed algorithm in a case study conducted in Iran.     

基于一种新模糊模型的非线性系统模糊辨识

提出一种基于新的模糊模型和加权递推最小二乘算法 (WRLSA)的非线性系统模糊辨识方法.新型的具有插值能力的模糊系统可以通过学习从输入输出采样数据中提取MISO系统模糊规则,它继承了Sugeno模型及其变化形式的许多优点.采用相应的模糊隶属函数,使得被辨识的模型可用若干局部线性模型来表示,然后利用WRLSA拟合这些线性模型.给出了详细的模糊辨识算法,为了验证该辨识方法的有效性,还给出了对熟知的Box-Jenkins数据的辨识结果.     

基于BP神经网络的模糊参数辨识

提出一种与TSK模糊模型相似的模糊模型—M-2模型,证明了M-2模型与一个4层前向神经网络是等价的,在此基础上提出基于BP神经网络的模糊模型参数辨别算法,即通过BP神经网络对样本数据的学习,直接从样本数据获取模型参数,建立M-2模糊模型,通过仿真实例验证了该算法的有效性。     

模糊神经网络分类器在盲均衡算法中的应用

提出一种基于模糊神经网络分类器的盲均衡算法,将盲信道估计与模糊神经网络分类器相结合,先对通信信道进行盲估计,然后利用卷积原理重建信号,用模糊神经网络替代原有的判决器,从而实现了盲均衡。通过仿真实验证明,该算法加快了收敛速度,减小了剩余误差,降低了误码率。     

模糊神经网络分类器在盲均衡算法中的应用

提出一种基于模糊神经网络分类器的盲均衡算法,将盲信道估计与模糊神经网络分类器相结合,先对通信信道进行盲估计,然后利用卷积原理重建信号,用模糊神经网络替代原有的判决器,从而实现了盲均衡。通过仿真实验证明,该算法加快了收敛速度,减小了剩余误差,降低了误码率。     

基于递阶遗传算法模糊加权神经网络的模糊规则自动获取

针对模糊规则的自动获取一直是模糊系统的一个瓶颈问题,提出一种基于递阶结构的混合编码遗传算法与进化规划相结合的模糊加权神经网络学习新算法,利用该算法同时优化模糊加权神经网络的结构和参数,最后说明了从网络中提取模糊规则的方法,从而自动获得最优的模糊规则。分析和实验结果表明,本文方法在规则提取和分类准确性等方面比其他方法更好。