仿生理论在供应链绩效评价中的应用

学习功能，自我学习功能对于预测具有重要意义；（2）具有联想存储功能，网络结构神经元错综复杂的关系使得联想存储特别便捷；（3）具有高速寻找最优解的能力。

神经网络在供应链绩效中的应用是目前仿生理论中研究和应用最广泛的方法。Pawlak（2002）率先将粗糙集中数据挖掘思想和神经网络智能优化思想结合起来，探讨了一种简化指标的神经网络模型。史成东（2007）把粗糙集理论关于论域、条件属性和决策属性的概念引入供应链绩效评价体系中对指标进行约简，消除冗余指标，并结合BP网络进行训练，通过实例证明预测结果与实际结果基本吻合，误差10.36%满足供应链预测结果10%的误差要求。姜波（2007）提出可以使用模糊综合评价方法和人工神经网络方法对供应链的整体性能进行评价，并沿用与外部供应链的绩效评价相同的步骤，最终从外部供应链和整体的角度来判断供应链绩效的情况，发现对给供应链带来负面作用的或者性能相对较低的部分。席一凡等（2007）探讨了改进的模糊神经网络算法在供应链绩效评价中的应用，将中间层分为模糊化层和推理层，通过模糊化层处理归一化数据、附加动量项不断调整连接权值，摆脱了评价方法在评价过程中的随机性和评价人员主观上的不确定性，保证了结果的客观性。郑培（2008）提出了一种粗糙简和BP神经网络学习相结合的混合动态供应链绩效评价方法，它首先缩减动态供应链绩效评价决策表中的因素，减少绩效评估的维度，然后利用BP神经网络对样本进行学习和训练，训练完成后的网络可以评估供应链绩效。这种绩效评价的方法可以大大减少数据处理的数量，降低BP网络设计的复杂性和计算的复杂性。文培娜等（2009）利用BP神经网络对北京市供应链物流需求进行了预测。

神经网络在供应链绩效评价中的应用，研究方法是通过建立供应链绩效评价的指标体系，利用绩效评价的历史数据建立供应链绩效评价模型，使用此模型能够预测下一段时间的供应链绩效情况，再总结数据对模型进行修正。如此反复，直到模型在实践中检验误差最小。神经网络的训练需要大量历史性数据，周期较长；检验过程需要实际生产数据，风险较大。在目前提出的几十种神经网络模型中，应用在供应链绩效评价之中的以BP网络的研究最为广泛。

2． 遗传算法方面。遗传算法摆脱了梯度信息或其他辅助知识的束缚，应用过程中不局限于问题领域，具有非常好的鲁棒性。该算法具有整体搜索战略的思想，只对目标函数和适应性函数有限制，提供一个解决复杂系统求解问题的共同性参考方法。遗传算法在函数优化，组合优化等方面广泛应用。函数优化中解决一些多模型、多目标、非线性的函数优化问题是遗传算法的经典应用领域，组合优化中遗传算法对NP问题非常有效。另外遗传算法也在生产调度、自动控制、图像处理、遗传编码及学习等方面有应用。

Zhang（2008）等人利用遗传理论对供应链绩效中效率性、满意性、合作性、供应、配送、成本、收益和能力八个方面进行选择分析，大大减少了模型的复杂程度。李艳（2010）将供应链绩效评价问题用GA进行特征选择并同时对支持向量机参数（SVM）进行了优化，达到了使供应链绩效评价指标减少的目的。于金梅（2011）提出解决带软时间窗供应链网络优化模型（STW-SCN模型）和硬时间窗的供应链网络优化模型（HTW-SCN模型），用遗传算法分别求解，得出供应链优化模块包括供应链网络中开放的供应商、制造商和分销商花费的固定费用，开放的制造商、分销商、零售商的采购产品费用，委托物流公司的车辆运输费用，超过时间期限的罚金。Gabbert（1991）应用遗传理论对铁路网络复杂运输调度进行了研究，降低了供应链总成本。刘诚（2006）提出了一个并行遗传理论对带软时间窗的物流配送车辆路径问题进行求解，优化了供应链系统的运输环节，提高了供应链的绩效水平。

遗传算法在供应链绩效评价中的应用，与神经网络直接建立的模型相比不同，目前应用遗传算法在供应链绩效评价中的应用主要是在处理数据方面（例如缩减指标数量），结合其他系统模型或者直接利用神经网络算法建立网络系统模型。遗传算法对数据的预处理使得数据更加有效，对供应链绩效的研究起到了重要的辅助作用。

3． 粒子群优化算法。粒子群优化算法在供应链中的应用主要在货物调度运输、仓储环节，在供应链绩效评价中的应用是基于对神经网络结果的优化，借助神经网络再对供应链绩效进行评价。吴学静等（2010）基于供应链产品的生产调度与分批配送角度，利用粒子群优化算法对多层供应链网络的协同优化模型进行求解。文献利用改进的粒子群优化算法训练BP神经网络，并利用这种新的网络结构建立供应链库存模型。何佳（2007）利用粒子群优化算法对供应链集成系统进行优化，确定仓储与分销点销售、采购数量。

4． 其他理论方面。蚁群算法在供应链中应用的研究主要集中在供应链的调度方面，暂时没有应用在供应链绩效评价方面的研究。丁秀明（2008）建立了供应链生灭过程模型，利用蚂蚁算法对物流调度的路径进行了优化。刘云忠和宣慧玉（2004）通过蚁群算法对供应链物流调度问题进行求解。戴树贵（2007）通过设计混合蚁群算法HACA求解多配送中心车辆路径安排问题。李金津（2011）从仿生学的角度把供应链、产业链和价值链结合起来重新定义为一种企业的生态链，建立企业间的logistic增长模型、企业种群的Lotka-Volterra捕食模型和企业共生模型，并结合吉林省汽车制造企业生态链实例，从发展零部件配套体系，完善群落营养结构，协调上下游企业建立畅通生态通道，重视关键种企业协同进化，发展新能源汽车企业生态链，加强种间共生合作，建立创新性主体种群对生态链进行了改善。其他算法理论并没有对供应链绩效评价的直接应用，方向主要是在优化供应链处理环节。

基于以上仿生算法在供应链绩效中的应用分析，本文总结得出神经网络和遗传算法在供应链绩效评价中的应用已经有理论、应用和各种软件的支持，而粒子群优化算法在理论和应用方面有少量成果探讨。其他算法有少量涉及，没有发现关于供应链绩效评价中应用的研究。神经网络可以说是模拟人类思维的第二种方式，具有分布式存储、并行协同处理等特点和网络系统的特点。这些智能优点能够实现对系统输入输出样本对照进行自主学习，以任意精度逼近非常任意复杂的非线性映射，使得在绩效评价模型建立中应用特别广泛。遗传算法处理过程将导致种群像自然进化一样的后生代种群比前代种群更加适应环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。这使得遗传算法再处理供应链绩效评价中的数据时发挥了重要作用。粒子群优化算法、蚂蚁算法等应用在供应链的运输与生产环节解决路径规划问题，把这些仿生算法结合神经网络应用在供应链绩效评价中将是下一步研究的方向之一。

四、 结语

仿生学理论丰富，神经网络、遗传算法的发展特别迅速，近些年不断有新的模拟生物系统机理的方法出现，大大丰富了仿生学的研究。仿生理论需要一个统一的框架，以便以后对仿生学的研究与补充。研究神经网络等其他仿生算法在供应链绩效评价中的应用是具有广阔的发展前景。对这些新的仿生算法的研究，以及怎样扩展目前已有仿生学的方法应用在供应链绩效评价中是今后重要研究方向之一。仿生学目前在供应链绩效中应用的角色是充当一种数学建模工具，在这个角色上的突破或许能给我们一种新的研究仿生学在供应链绩效评价中应用的思维。由于供应链中的不确定性因素（例如信息）和供应链的环境开放性、复杂多变性，供应链的响应速度及适应能力也是在不断变化的。在实际评价过程中，企业需要根据动态变化不断地进行优化，并对指标的重要性进行再分类。供应链评价体系只有适宜具体环境变化，并能感应环境变化，及时调整，通过反馈机制不断完善供应链，才能在竞争中利于不败地位。

参考文献：

1. 王兴元.仿生创新机理、原则及策略途径研究.科技进步与对策，2010，9（17）：1-5.

2. Peter J.B. Evolution design by computers.London：University College London，UK，2001.

3. 李金津.企业生态链理论研究.长春：吉林大学学位论文，2011.

4. 王玮，蔡莲红.基于粗糙集理论的神经网络.计算机工程，2001，21（5）：65-67.

5. 史成东，陈菊红，胡健.基于粗糙集和神经网络的供应链绩效预测研究.计算机工程与应用，2007，43（33）：203-245.

6. 席一凡，王超，聂兴信.基于模糊神经网络的供应链绩效评价方法研究.情报杂志，2007，（9）：77-79.

7. 吴学静，周泓，梁春华.基于协同进化粒子群的多层供应链协同优化.计算机集成制造系统，2010，16（1）：127-132.

基金项目：吉林省社会科学基金项目（项目号：2009B032）。

作者简介：杨印生，吉林大学生物与农业工程学院教授、博士生导师；樊雪梅，吉林大学军需科技学院副教授，农业机械化工程专业博士生；王龙昭，吉林大学军需科技学院硕士生。

收稿日期：2012-07-18。