技術(shù)領(lǐng)域：

本發(fā)明涉及一種供應(yīng)商評價領(lǐng)域，尤其涉及一種基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商的客觀綜合評價方法。

背景技術(shù)：
：

目前，隨著經(jīng)濟(jì)發(fā)展及現(xiàn)代化水平的提高，供應(yīng)鏈管理越來越受到眾多企業(yè)的重視。供應(yīng)商的選擇、評價作為供應(yīng)鏈管理中一個重要問題也變得更為重要，如何對供應(yīng)商做出全面、客觀、真實的評價，對于保證物資供應(yīng)質(zhì)量，降低采購成本，提高生產(chǎn)企業(yè)的整體效益均具有十分重要的現(xiàn)實意義。供應(yīng)商評價，又稱供應(yīng)商選擇，問題研究始于1966年美國學(xué)者dickson在《采購》上發(fā)表的一篇論文，隨后便引起學(xué)術(shù)界的普遍關(guān)注。一直以來，國內(nèi)外學(xué)者對供應(yīng)商評價問題展開了深入研究，現(xiàn)有文獻(xiàn)對供應(yīng)商評價的方法主要包括定性和定量兩種方法。定性方法主要是經(jīng)驗型概念型的研究，通過主觀判斷與協(xié)商等途徑，建立供應(yīng)商選擇和評價指標(biāo)體系。定量方法是指采用數(shù)學(xué)模型進(jìn)行分析，主要包括線性加權(quán)、概率統(tǒng)計、數(shù)學(xué)規(guī)劃、決策分析以及數(shù)據(jù)挖掘技術(shù)等。上述兩種方法都存在一定的局限性，定性方法由于受主觀因素的影響，判斷結(jié)果的客觀性無法保證。定量方法由于供應(yīng)商選擇評價的許多指標(biāo)無法量化，使得判斷結(jié)果的全面性得不到保證。在對供應(yīng)商進(jìn)行評價時，因為每個指標(biāo)都在不同程度上反映了供應(yīng)商的信息，并且指標(biāo)間彼此相關(guān)，使得所獲得的統(tǒng)計數(shù)據(jù)反映的信息在一定程度上有重疊。在用統(tǒng)計方法研究多指標(biāo)評價問題時，指標(biāo)太多會增加計算量和分析問題的復(fù)雜性，因此人們希望在對供應(yīng)商定量評價過程中，在不影響客觀準(zhǔn)備評價的基礎(chǔ)上涉及的指標(biāo)越少越好。

主成分分析(principalcomponentsanalysis,pca)就是將多個指標(biāo)綜合成少數(shù)指標(biāo)的一種多元統(tǒng)計方法，通過將原來指標(biāo)線性組合成綜合指標(biāo)的方式，保留了原始指標(biāo)的主要信息且彼此間不相關(guān)，同時具有比原始變量更加優(yōu)越的性質(zhì)。然而現(xiàn)實指標(biāo)間的關(guān)系往往都是非線性的，對于線性相關(guān)性不大的指標(biāo)而言采用傳統(tǒng)線性pca方法是不妥的，甚至可能會出現(xiàn)各指標(biāo)貢獻(xiàn)率過于分散的情況。能否通過某種變換將原有空間變換到高維空間，使得原有指標(biāo)間的非線性關(guān)系在高維變換空間呈現(xiàn)線性關(guān)系，而后再對高維空間的數(shù)據(jù)進(jìn)行pca變換，這就是kernelpca(kernelprincipalcomponentsanalysis,kpca)算法的思想。但是，kpca沒有考慮到原始數(shù)據(jù)的全局結(jié)構(gòu)特征。核熵成分分析(kernelentropycomponentanalysis，keca)作為一種新的算法，考慮到全局分布特點，是保持指標(biāo)數(shù)據(jù)流行結(jié)構(gòu)特征的降維方法，keca嘗試通過基于內(nèi)核的密度估計器來維持原始數(shù)據(jù)集renyi二次熵的最大估計。keca與上面兩個算法的根本不同在于：一方面，keca不需要選擇最大特征值和相應(yīng)的特征向量；另一方面，維度降低維護(hù)了原始數(shù)據(jù)renyi熵的內(nèi)在結(jié)構(gòu)。此外，keca通常能生成具有不同角度結(jié)構(gòu)的變換數(shù)據(jù)集，這意味著即使是非線性相關(guān)輸入數(shù)據(jù)集也能通過keca生成高維核特征空間中具有不同角度方向的數(shù)據(jù)集。終上所述，keca更利于用極少的綜合指標(biāo)實現(xiàn)供應(yīng)商的評價。因此，本發(fā)明引用keca算法進(jìn)行企業(yè)供應(yīng)商評價。

技術(shù)實現(xiàn)要素：
：

1.一種基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法。其特征在于：該方法包括以下步驟：

(1)利用與企業(yè)工作人員及相關(guān)領(lǐng)域?qū)＜医涣髟L談和問卷調(diào)查方式得到企業(yè)有關(guān)供應(yīng)商的評價準(zhǔn)則，設(shè)共m個評價指標(biāo)；

(2)對步驟(1)獲取的評價準(zhǔn)則進(jìn)行分類處理：產(chǎn)出指標(biāo)和投入指標(biāo)；設(shè)共l個產(chǎn)出評價指標(biāo)，共p個投入評價指標(biāo)，m＝l+p；

(3)根據(jù)步驟(2)獲取的分類評價指標(biāo)，收集企業(yè)供應(yīng)商們的各種指標(biāo)所對應(yīng)的信息，設(shè)有n個供應(yīng)商；

(4)將步驟(3)獲取的供應(yīng)商們的指標(biāo)值數(shù)值化，然后把所有供應(yīng)商的投入指標(biāo)信息取倒數(shù)，使得每個指標(biāo)的數(shù)值范圍確定在[0,1]之間，最終生成樣本矩陣x∈r^m×n；

(5)將步驟(4)得到的供應(yīng)商們評價數(shù)據(jù)樣本矩陣x∈r^m×n進(jìn)行核熵成分分析，計算出樣本矩陣x對應(yīng)的核矩陣k，其中k∈r^n×n，矩陣k的元素(i,j)是kσ(xi,xj)，其中kσ(x,xi)是以xi為中心的核函數(shù)或估計器，σ是平滑寬度或稱為核的半徑。這里建議核函數(shù)為高斯核函數(shù)，其中高斯核的半徑σ＝0.5；

(6)將步驟(5)得到相應(yīng)的核矩陣分解為k＝ede^t。其中，d＝diag(λ1,λ2,…,λn),e＝(e1,e2,…,en)。λi,ei分別為核矩陣k＝ede^t的特征值和特征向量；

(7)對步驟(6)得到特征值和特征向量根據(jù)的大小進(jìn)行排序，dd＝diag(λ1,λ2,…,λd),ed＝(e1,e2,…,ed),λi,ei分別為核矩陣k對應(yīng)于值最大的前d個特征值和對應(yīng)的特征向量,1是n×1向量(所有元素都為1)。本發(fā)明采用d＝2進(jìn)行評價；

(8)對步驟(7)得到的排序后的前d＝2特征值和特征向量進(jìn)行投影：d＝2，φeca∈r^2×n；

(9)計算相應(yīng)新的基坐標(biāo)的權(quán)重向量w＝[w1,w2]^t，

(10)將步驟(8)獲得的投影值φeca與步驟(9)獲得的權(quán)重向量wi，加權(quán)求和得到最終的評價指標(biāo)，ei＝w^t*φeca；

(11)根據(jù)步驟(10)得到的ei評價指標(biāo)值從大到小排序，得到最終的企業(yè)供應(yīng)商排序。

2、根據(jù)權(quán)利要求1所述的基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法，其特征在于，步驟(2)中產(chǎn)出指標(biāo)是指能反映供應(yīng)商提供產(chǎn)品或服務(wù)的及時程度和效率情況，能綜合反映供應(yīng)商發(fā)展能力、營運(yùn)能力的指標(biāo)，其值越大表明供應(yīng)商的能力越強(qiáng)。而投入指標(biāo)是指供應(yīng)商的銷售成本，供貨時間，離岸品質(zhì)，延遲時間，違約次數(shù)等，其值越小越好。

3、根據(jù)權(quán)利要求1所述的基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法，其特征在于，步驟(4)中對投入指標(biāo)xij∈x,i＝1,2,…,p,j＝1,2,…,n，xij＝1/xij，對每個指標(biāo)下的信息進(jìn)行標(biāo)準(zhǔn)化所采用的方法是最大最小值法，其具體步驟如下：設(shè)xij∈x,i＝1,2,…,m,j＝1,2,…,n，然后對其中的指標(biāo)i進(jìn)行標(biāo)準(zhǔn)化處理：

4、根據(jù)權(quán)利要求1所述的基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法，其特征在于，步驟(5)樣本矩陣x對應(yīng)的相應(yīng)核的核矩陣k，其中kij的計算方法如下所述：

xj＝[x1j,x2j,…,xmj]^t,i,j＝1,2,…,n,σ＝0.5高斯核半徑

5、根據(jù)權(quán)利要求1所述的基于混合權(quán)重核熵成分分析供應(yīng)商評價方法，其特征在于，核熵成分分析通過將原始高維觀測空間投影到低維特征空間以獲得低維特征。且在降維過程中充分考慮到原始空間的全局結(jié)構(gòu)特征，嘗試通過基于內(nèi)核的密度估計器來維持輸入數(shù)據(jù)集renyi二次熵，并選擇對renyi熵貢獻(xiàn)最大的d個keca坐標(biāo)構(gòu)成ud,通過將出投影到ud。其中，φ是keca的高維核空間的投影函數(shù)，d代表要投影的低維空間的維數(shù)。ud是keca軸的子集。注意：與kpca不同的是keca不是必須取最大d個特征值對應(yīng)的特征向量。因此，所得到的keca表達(dá)式為：

本發(fā)明投影到2維特征空間以獲取低維特征。所得到的keca表達(dá)式為：

其中，d2＝diag(λ1,λ2),e2＝(e1,e2)。

本發(fā)明的有益效果：

1.本發(fā)明的供應(yīng)商評價方法，是一種定量客觀全面的供應(yīng)商評價方法。其中采用的指標(biāo)分為產(chǎn)出指標(biāo)和投入指標(biāo)，而不是只采用一類指標(biāo)；使得供應(yīng)商的評價結(jié)果更加全面，更加真實，更加客觀。

2、本發(fā)明采用keca方法，一方面不需要選擇最大特征值和相應(yīng)的特征向量；另一方面，維度降低維護(hù)了原始數(shù)據(jù)renyi熵的內(nèi)在結(jié)構(gòu)。

3、本發(fā)明采用keca方法，通常能生成具有不同角度結(jié)構(gòu)的變換數(shù)據(jù)集，這意味著即使是非線性相關(guān)輸入數(shù)據(jù)集也能通過keca生成高維核特征空間中具有不同角度方向的數(shù)據(jù)集，更利于供應(yīng)商排序。

4、本發(fā)明采用的keca方法在特征空間中進(jìn)行類似kpca的相關(guān)操作，但兩者最大的不同在于keca方法在求解過程中需要計算特征值與特征向量的renyi熵。keca方法不需要重新建立核矩陣的中心，且它突破了僅依賴于前d個特征值限制的局限性，具有降低復(fù)雜程度、簡單有效的優(yōu)點。

附圖說明：

附圖1是本發(fā)明的實施2企業(yè)供應(yīng)商的評判準(zhǔn)則層次圖。

附圖2是本發(fā)明的實施2標(biāo)準(zhǔn)化后的供應(yīng)商評價指標(biāo)矩陣圖。

附圖3是本發(fā)明的實施2對投入指標(biāo)處理后供應(yīng)商評價指標(biāo)矩陣圖。

附圖4是本發(fā)明的實施2基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法供應(yīng)商的綜合評價指標(biāo)圖。

附圖5是本發(fā)明的實施3企業(yè)供應(yīng)商的評判準(zhǔn)則層次圖。

附圖6是本發(fā)明的實施3準(zhǔn)化后的供應(yīng)商評價指標(biāo)矩陣圖。

附圖7是本發(fā)明的實施3投入指標(biāo)處理后供應(yīng)商評價指標(biāo)矩陣圖。

附圖8是本發(fā)明的實施3基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法供應(yīng)商的綜合評價指標(biāo)圖。

實施例1：

一種基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法，所述的核熵成分分析(keca)包括如下具體步驟：

renyi二次熵定義為：

h(x)＝-log（∫p²(x)dx)

這里，p(x)是概率函數(shù)產(chǎn)生數(shù)據(jù)集或樣本x＝x1,x2,…,xn。由于對數(shù)函數(shù)的單調(diào)性，只需考慮積分函數(shù)v(p)＝∫p²(x)dx＝e{p(x)}.為了估計v(p)，應(yīng)用了窗口密度估計器，其中kσ(x,xi)是以xi為中心的核函數(shù)或估計器，σ是平滑寬度或稱為核的半徑。這里建議核函數(shù)為高斯核函數(shù)，其中高斯核的半徑σ＝0.5。

利用樣本均值估計代替期望，可以得到以下估計：

其中，k＝φ^tφ是n×n的核矩陣，矩陣k的元素(i,j)是kσ(xi,xj)，1是n×1向量(所有元素都為1)，因此，k＝φ^tφ。可以說從一致樣本集得到的renyi熵估計完全依賴于相應(yīng)的核矩陣。我們將相應(yīng)的核矩陣分解為k＝ede^t，來估計renyi二次熵。其中，d＝diag(λ1,λ2,…,λn),e＝(e1,e2,…,en)。λi,ei分別為核矩陣k＝ede^t的特征值和特征向量。可得：

上式稱為熵估計。該式說明某特征值，特征向量會對熵估計的貢獻(xiàn)更大。keca作為一種d維數(shù)據(jù)變換，嘗試通過基于內(nèi)核的估計器來維持輸入數(shù)據(jù)集renyi二次熵貢獻(xiàn)最大的d個keca坐標(biāo)構(gòu)成ud，通過將φ投影到ud。其中，d代表要投影的低維空間的維數(shù)。ud是keca軸的子集。注意：與kpca不同的是keca不是必須取最大d個特征值對應(yīng)的特征向量。因此，所得到的keca表達(dá)式為：

其中，dd＝diag(λ1,λ2,…,λd),ed＝(e1,e2,…,ed),dd和ed分別存儲著核矩陣k＝ede^t對應(yīng)值最大的前d個特征值和對應(yīng)的特征向量。

實施例2

為了驗證基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法，實驗中對國內(nèi)某大型煤炭國企的軸承供應(yīng)商進(jìn)行評價。首先根據(jù)與其工作人員訪談和問卷調(diào)查得到該企業(yè)有關(guān)供應(yīng)商的評判準(zhǔn)則。并繪制成以下層次圖，如圖1所示。其中產(chǎn)出指標(biāo)為：技術(shù)能力，產(chǎn)能，管理水平，投入指標(biāo)：報價，響應(yīng)時間，離岸品質(zhì)。標(biāo)準(zhǔn)化后的24個供應(yīng)商評價指標(biāo)矩陣如圖2所示。將投入指標(biāo)取倒數(shù)并作最大最小化處理，得到圖3所示。為了顯示地說明排序的效果，人為定義最好的供應(yīng)商和最差的供應(yīng)商，分別為工廠1和工廠2。

為了驗證keca分析方法的合理性，對上述數(shù)據(jù)進(jìn)行核熵成分分析，計算出樣本矩陣x對應(yīng)的相應(yīng)核的核矩陣k并對核矩陣進(jìn)行分解，求出特征值和特征向量，選出對應(yīng)于值最大的前d個特征值和對應(yīng)的特征向量進(jìn)行投影，計算相應(yīng)新的基坐標(biāo)的權(quán)重向量，并與投影值加權(quán)求和得到最終的供應(yīng)商綜合評價指標(biāo)如圖4所示。由圖4可以看出第一和第二個人為構(gòu)造的工廠分別排序在第一和最后的位置，驗證了keca核熵成分分析的正確性。根據(jù)原始數(shù)據(jù)上的比較結(jié)果以及相關(guān)專家的評定，我們利用keca分析方法得出的結(jié)果與專家評定結(jié)果是一致的，工廠13的指標(biāo)要優(yōu)于其他工廠，因此可以說明基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法給出的評價的合理性。

實施例3

為了驗證基于混合權(quán)重核熵成分分析的企業(yè)供應(yīng)商評價方法，本實驗對國內(nèi)某大型家電制造商的零件供應(yīng)商進(jìn)行評價。首先根據(jù)與其工作人員訪談和問卷調(diào)查得到該企業(yè)有關(guān)供應(yīng)商的評判準(zhǔn)則，評價指標(biāo)分為五大類共13個，分別有(1)企業(yè)信譽(yù)風(fēng)險：①訂單完成率，用該供應(yīng)商交貨成功的次數(shù)與訂單總次數(shù)的比率來計算；②服務(wù)滿意率，是指企業(yè)對供應(yīng)商在供應(yīng)的全過程中所提供服務(wù)的滿意狀況；③企業(yè)名譽(yù)與地位，指供應(yīng)商在同一行業(yè)中的影響力。(2)合作能力：①準(zhǔn)時交貨率，是從時間的角度考察供應(yīng)商的交貨能力；②訂貨滿足率，是從數(shù)量方面反映供應(yīng)商交貨能力的一項指標(biāo)；③合約信任度，反映供應(yīng)商的可信任程度。(3)供貨能力：①庫存周轉(zhuǎn)率，是一定時期內(nèi)企業(yè)銷售成本與存貨平均資金占用額的比率；②庫存保證率，反映庫存能否保證生產(chǎn)要求的指標(biāo)；③供貨中斷率，反映供應(yīng)商到制造商兩個節(jié)點之間配送的可靠程度。(4)環(huán)境風(fēng)險：①經(jīng)濟(jì)和技術(shù)環(huán)境；②自然災(zāi)害影響度，指不可抗拒的自然災(zāi)害發(fā)生的可能性對供應(yīng)造成的破壞程度。(5)信息風(fēng)險：①信息傳遞及時率，用數(shù)據(jù)及時傳送的次數(shù)占傳送總數(shù)的百分比表示；②溝通程度，即合作過程中制造企業(yè)與供應(yīng)商進(jìn)行溝通和交流的頻繁程度以及雙方所采取的溝通方式。根據(jù)上述指標(biāo)繪制成以下層次圖，如圖5所示。其中投入指標(biāo)為：供貨中斷率和自然災(zāi)害影響度，其余為產(chǎn)出指標(biāo)。標(biāo)準(zhǔn)化后的24個供應(yīng)商評價指標(biāo)矩陣如圖6所示。將投入指標(biāo)取倒數(shù)并作最大最小化處理，得到圖7所示。為了顯示地說明排序的效果，人為定義最好的供應(yīng)商和最差的供應(yīng)商，分別為工廠1和工廠2。

為了驗證keca分析方法的合理性，對上述數(shù)據(jù)進(jìn)行核熵成分分析，計算出樣本矩陣x對應(yīng)的相應(yīng)核的核矩陣k并對核矩陣進(jìn)行分解，求出特征值和特征向量，選出對應(yīng)于值最大的前d個特征值和對應(yīng)的特征向量進(jìn)行投影，計算相應(yīng)新的基坐標(biāo)的權(quán)重向量，并與投影值加權(quán)求和得到最終的供應(yīng)商綜合評價指標(biāo)如圖8所示。由圖8可以看出第一和第二個人為構(gòu)造的工廠分別排序在第一和最后的位置，驗證了keca核熵成分分析的正確性。根據(jù)原始數(shù)據(jù)上的比較結(jié)果以及相關(guān)專家的評定，我們利用keca分析方法得出的結(jié)果與專家評定結(jié)果是一致的，工廠11的指標(biāo)要優(yōu)于其他工廠，因此可以說明基于混合權(quán)重核熵成分分析企業(yè)供應(yīng)商評價方法給出的評價具有合理性。另外keca方法不需要重新建立核矩陣的中心，且它突破了僅依賴于前d個特征值限制的局限性，具有降低復(fù)雜程度、簡單有效的優(yōu)點。