基于改进聚类和神经网络的多准则备件分类

传统的备件分类方法存在主观性强、补偿性差的问题,且在分类完成后缺少持续更新的能力。首先,本文考虑备件的经济、供给和重要性三个方面建立了备件分类指标体系,并结合否定规则改进聚类算法,解决多指标的互补性问题。其次,提出了一种改进粒子群优化BP神经网络的备件分类模型,对新入库备件分类有持续更新能力。最后,结合S公司的备件数据,利用改进的算法对备件进行分类和更新。结果表明,所提出的改进聚类算法更符合实际需求,且所提出的BP神经网络平均准确率为96.77%,优于其他传统的算法,可为企业的备件分类管理提供有力的支持。