一种多准则库存分类的混合预测方法

提出一种基于混合模型,对企业库存信息管理系统中的物质项目进行多准则分类预测的方法。整个分类过程包括两部分:其一,以粗糙集方法作为初始分类工具,实现库存分类中多准则属性的约简,减少计算量,但不损失任何有效信息,同时,基于提出的三个信息测量概率规则,发展了抽取决策规则的穷尽算法和覆盖算法;其二,对于不能由粗糙集模型正确分类的物质项目,进一步采用BP算法的人工神经网络进行分类。该方法不仅克服了神经网络分类模型输入个数受限的缺点,而且可得到较高的预测精度。为验证方法的有效性,仿真实验时比较了具有BP算法的神经网络模型和粗糙集模型的分类预测精度。结果表明,混合模型是企业库存信息管理系统中进行决策预测的一种可行方法。

基于密度峰值聚类方法的多准则ABC库存分类模型

对于ABC库存分类管理的多准则优化问题,已有多种分类模型被提出,其中无监督机器学习方法具有吸引人的理论和实践特性,最大优点是不涉及主观性。在平均单位成本、全年货币使用量和提前期这三种库存决策要素的基础上,提出一个基于密度峰值聚类方法的多准则ABC库存分类模型。使用DPC模型和K-Means 模型对由47个库存单位组成的标准数据集进行聚类分类,利用成本-服务绩效方法将DPC模型、K-Means 模型和GMM模型分类结果进行比较分析。研究结果表明,在成本-服务绩效方面,DPC模型优于K-Means 模型和GMM模型,同时发现这三个无监督聚类模型分类结果优于使用同一数据集的几种数学规划模型。

ABC库存分类的多准则优化方法

库存分类管理是一类多准则优化问题。根据多准则库存管理问题的特点,提出了一种基于多准则优化思想的ABC库存分类方法。首先根据多准则优化思想求取包括由Pareto最优的库存项目组成的Pareto最优解集,然后根据决策者的偏好在Pareto最优解集中选定需要重点管理的库存项目。在此基础上,采用Memetic算法设定不同准则的权重系数,使得所选定库存项目的多准则取值的加权和在所有的库存项目中最大。准则的权重系数确定后多准则库存分类问题就转换为单准则的库存分类问题,可以按照传统ABC分类法进行库存分类管理。仿真实验表明了该库存分类方法和所设计的Memetic算法的有效性。

基于SMOTE-SVM的多准则库存分类

为了对不平衡的库存物料进行精准化的分类,提出了基于合成少数类过采样技术-支持向量机算法(SMOTE-SVM)的多准则库存分类模型。在Kraljic模型的基础上进行细化,建立了多准则库存分类指标体系。通过改进SMOTE对多分类不平衡物料数据集进行预处理,得到平衡的物料训练集,并结合SVM将库存物料分为四类。以D公司库存物料数据为例,采用多种算法进行分类对比,引入网格搜索法确定最优参数,留一法交叉验证得到算法分类精度,所提算法总分类准确率达到了97.81%,四类物料分类准确率均在90%以上。

备件库存多准则分类方法FRMIC

备件因为种类繁多,其库存管理政策相对生产制造其他环节较为复杂。备件传统的分类方法是基于帕累托原理的ABC分类法,其局限在于它没有考虑备件分类目的的关键指标,如交货期、关键性等。以模糊规则为基础的多准则备件库存分类方法(FRMIC)考虑的多个指标,并充分考虑到各指标间的关系,以此建立模型。该模型灵活性很高,方便管理者决策。

An Improvement to Multiple Criteria ABC Inventory Classification Using Shannon Entropy

This paper extends the Ng-model [Ng, 2007] for multiple criteria ABC inventory classification based upon Shannon entropy. The proposed approach determines the common weights associated with all criteria importance rankings, and provides a comprehensive scoring scheme by aggregating all rankings of the criteria importance. A numerical illustration is presented to compare the model with previous studies.