基于机器学习对企业原材料订购与转运的优化

基于机器学习对企业原材料订购与转运的优化

蔡梓健,林丹静,邱创杰,陈细腾,李宇灏,杨惠乾

广州城市理工学院 510800

摘要：文章对数据中供应商的供货量进行数据可视化并量化分析，提取出7 个特征来衡量供应商的供货强度，分别是：总供货量，供应商每周之间的供货量方差、每年平均每周供货量等。其中总供货量反映供应商的供货能力，供应商每周之间的供货量方差反映供应商供货量的稳定性， 每年的平均每周供货量反映供应商各年供货量的集中趋势和离散程度。随后通过建立 TOPSIS 综合评价模型，运用 TOPSIS 算法，结合算法的特性，对数据进行正向化处理。将数据转化为效益型、成本型、稳定型指标数据，求出最优解，并对定义的特征指标分配权重，计算综合评分，最终列出 50 家最重要的供应商。[1]

关键词：TOPSIS综合评价模型 量化分析 特征指标

一、引言

文章主要研究生产企业对原材料的订购与运输问题。 原材料的订购与运输方案需要根据各企业针对 A，B，C 三种材料的相关资料与信息。该类问题的研究可以使企业在保障自身效益的前提下，令原材料的订购与转运方案得到合理策划。

二、基于TOPSIS法的企业原材料订购与转运的优化问题

基于对数据的分析，本题认为采用 TOPSIS（逼近理想解排序法）模型能够很好的解决问题。为了对众多供应商给出一个排序，再结合所有供应商的数据，构造出一个由所有供应商组成的系统中的理想最优解和最劣解。[2]

我们首先提取了七个指标：总供货量，供应商每周之间的供货量方差、第一年平均每周供货量、第二年平均每周供货量、第三年平均每周供货量、第四年平均每周供货量、第五年平均每周供货量。其中总供货量代表供应商在 240 周总的供货量。考虑到总供货量是衡量供应商供应强度的重要指标，以及衡量供应商质量的指标，我们将权重设定为50%；而方差代表供应商在 240 周的稳定性与连续性，考虑到供货稳定性与连续性是保障企业生产重要性的重要指标，我们将权重设定为 30%；最后关于每一年的平均每周供货量则代表供应商每一年供货的稳定性，我们将其权重设定为 20%。为此我们采用 TOPSIS（逼近理想解排序法）模型。通过一定的计算，评估系统当中任何一个供应商距离理想最优解和最劣解的距离。如果其中一个供应商距离理想最优解很近，我们有理由认为这个供应商在促进保障企业生产重要性中发挥了较大作用。[3]

TOPSIS 衡量公式：

当数值等于 1 时，则说明方案取得了最优解；当数值等于 0 时，则说明方案取得最劣解。

由图1可以看出每一年平均每周供货量两两之间的相关系数r 大于 0.75，所以每一年平均每周供货量两两之间的相关性很强。

首先为了让数据更好的贴合模型的计算，我们对数据进行了正向化处理、标准化处理，消除量纲等处理手段，减少范围太大带来的一系类问题。经过处理后的数据都已经转变为极大型数据，我们将数值最高的设定为理想最优解，数值最低的设置为最劣解。我们取出每个指标中的最优解，将其组成理想最优解向量，之后同理取出最劣解向量，在得到最优解最劣解向量的基础上计算距离评分。

理想最优解向量：

理想最劣解向量：

然后求出整体数据的方差，并将其正向化。将总供货量以及每一年的平均每周供货量代入计算，求出五年平均每周供货量的方差，也将其正向化。随后将求得的所有数据进行标准化，分别得出方差、总供货量、平均方差的得分，再根据权重计算出总评分，最后将供应商进行排名得出前 50 名。如表 1 所示：

三、总结

文章建立了 TOPSIS 模型适用于有众多约束条件之下。有利于现实中企业和供应商的相互发展，对企业生产原材料的订购与运输的优化问题巨大很好的借鉴意义。而且也采用了非常多的创新思维，具有很好的借鉴意义。

四、参考文献

[1] 多指标综合评价中指标正向化和无量纲化方法的选择.

https://blog.csdn.net/nieson2012/article/details/50402685., 2021.09.10

[2] TOPSIS(逼近理想解) 算法原理. https://zhuanlan.zhihu.com/p/266689519., 2021.09.10

https://blog.csdn.net/nieson2012/article/details/50402685., 2021.09.10

作者简介：蔡梓健，男，2001.04，汉族，本科，广东普宁，学生，数据挖掘