發(fā)布時(shí)間：2024-04-15 05:30

　　隨著大數(shù)據(jù)、物聯(lián)網(wǎng)和智能控制等技術(shù)與制造業(yè)的深度融合,傳統(tǒng)制造開(kāi)始向智能制造轉(zhuǎn)變,而供應(yīng)鏈協(xié)同作為一種高效的供應(yīng)鏈管理方式對(duì)智能制造的發(fā)展具有重要意義,已經(jīng)引起學(xué)術(shù)界的廣泛關(guān)注和研究。針對(duì)智能制造場(chǎng)景下供應(yīng)鏈需求不確定、制造企業(yè)間協(xié)作水平低、環(huán)境影響大、服務(wù)質(zhì)量不高等問(wèn)題,通過(guò)收集歷史需求數(shù)據(jù),建立供應(yīng)鏈需求預(yù)測(cè)模型,實(shí)現(xiàn)基于需求預(yù)測(cè)的供應(yīng)鏈協(xié)同優(yōu)化,提升智能制造企業(yè)的協(xié)同水平和用戶(hù)滿(mǎn)意度。本文主要研究智能制造場(chǎng)景下的供應(yīng)鏈需求預(yù)測(cè)模型,以及基于需求預(yù)測(cè)的供應(yīng)鏈協(xié)同優(yōu)化問(wèn)題,具體的研究?jī)?nèi)容如下:(1)提出了基于LSTM的供應(yīng)鏈需求預(yù)測(cè)模型�；�于智能制造供應(yīng)鏈?zhǔn)占�的時(shí)間序列數(shù)據(jù),本文提出了一種名為IPSO-LSTM-corr的預(yù)測(cè)模型,該模型是在LSTM的基礎(chǔ)上采用改進(jìn)的粒子群算法對(duì)網(wǎng)絡(luò)的隱藏層神經(jīng)元數(shù)目、學(xué)習(xí)率等參數(shù)進(jìn)行優(yōu)化,并且在LSTM的輸出端添加了一層用于校正輸出結(jié)果的校正層,從而實(shí)現(xiàn)參數(shù)自動(dòng)優(yōu)化,可以提供更精確的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明IPSO-LSTM-corr模型的預(yù)測(cè)效果和訓(xùn)練速度明顯好于LSTM模型,為后續(xù)供應(yīng)鏈協(xié)同模型的建立奠定基礎(chǔ)。(2)提出了面向智能制造的供應(yīng)鏈協(xié)同...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖4.3算法收斂圖

南京郵電大學(xué)碩士研究生學(xué)位論文第四章基于綠色配送補(bǔ)償?shù)墓��?yīng)鏈?zhǔn)找鎱f(xié)同分配模型44的經(jīng)驗(yàn)評(píng)估得到企業(yè)在完成任務(wù)過(guò)程中的風(fēng)險(xiǎn)損失率、和風(fēng)險(xiǎn)事件發(fā)生的概率，它們分別為=0.13，=0.09，=0.15，=0.05，=0.3，=0.2，=0.2，=0.3。根據(jù)公式(4.10)和(4.11....

本文編號(hào)：3955807