（计算机软件与理论专业论文）基于组件和数据挖掘的采购决策支持系统的设计与实现.pdf

摘要 摘要 采购决策在整个企业决策过程中占有十分重要的地位。通过利用准确高效 的采购决策来辅助企业进行采购管理，是提高企业管理水平、降低产品成本、 提高企业效益的一个有力保障。 目前的决策支持系统都面临着可重用性、可伸缩性和可维护性差的问题。 另外，国内自主开发的、功能完善的提供基于数据挖掘技术的企业采购决策支 持系统也非常少，多数系统也只是做了简单的统计分析和预测，很难满足企业 日益增长的实际需求。为解决上述问题，本文提出了采用c s 三层架构来设计 一套采购决策支持系统，同时引入组件和数据挖掘技术来提高系统性能的新思 路，并且将该方案在实际系统中进行了实现。 文章首先介绍了与采购决策相关的各种概念及组件和数据挖掘技术在系统 中的应用过程。接着阐述了系统的三层框架结构并分析了利用组件技术实现三 层结构的优越性。之后重点阐述了a b c 分类原理和k - m e a n s 聚类法原理及两种 原理在物料采购决策和供应商选择决策中的应用过程，同时对决策模型的组件 化和数据挖掘的算法进行了描述，另外还对k - m e a n s 聚类算法进行了研究和改 进，提高了系统的运行效率。最后详细描述了该方案在系统中的实现过程。 系统在设计上采用三层结构模式并应用基于组件的设计思想，使系统的结 构更加清晰，可以很好地解决d s s 开发中存在的可重用性差、可维护性差等诸 多问题，并且将组件和数据挖掘技术相结合应用于物料采购决策和供应商管理 中使系统的决策更加科学合理，系统的实用性、复用性、扩充性更高。 关键词采购决策；三层结构；组件技术；数据挖掘；供应商选择 a b s t r a c t p u r c l l a s ed e c i s i o nt a k e sav e r yi m p o r t a n tr o l ei nt h ew h o l ep r o c e s so fe n t e r p r i s e d e c i s i o n m a k i n gu s eo fh i 曲p e r f o r m a n c ep u r c h a s ed e c i s i o nt oa i de n t e r p r i s e m a n a g ep u r c h a s i n gi sag o o dg u a r a n t e et oi m p r o v em a n a g e m e n tl e v e l ，r e d u c e p r o d u c t sc o s ta n dt oi m p r o v ee n t e r p r i s e sb e n e f i t n o w a d a y sd s s e c i s i o ns u p p o r ts y s t e m ) f a c e sm a n yt e c h n i c a lc h a l l e n g e s ， i n c l u d i n gr e u s a b i l i t y ，s c a l a b i l i t ya n dm a i n t a i n a b i l i t y o t h e r w i s e ，t h e r ea r ef e w i n h o u s ed e v e l o p e dp u r c h a s ed e c i s i o ns u p p o r ts y s t e m si nc h i n aw h i c hh a v e f e a t u r e - r i c hf u n c t i o n a l i t ya n db a s e do nd a t a - m i n i n gt e c h n o l o g y m o s ts y s t e m se i t h e r c a no n l yp r o v i d es i m p l es t a t i s t i ca n a l y s e so rf o r e c a s t i n g ，b o t ho f w h i c hc a nn o tm e e t p r e s s i n gd e m a n d so ft h ee n t e r p r i s e s t h e r e f o r e ，t h i sp a p e re x a m i n e san e w p o s s i b i l i t yt od e s i g nap u r c h a s ed e c i s i o ns u p p o r ts y s t 咖b a s e do nc st h r e e t i e r f r a m e w o r ka n di n t r o d u c ec o m p o n e n ta n d d a t a - m i n i n gt e c h n o l o g yt oe n h a n c e s y s t e m sp e r f o r m a n c e a tl a s t t h i si sr e a l i z e di na na c t u a ls y s t e m f i r s lt h i sp a p e ri n t r o d u c e sp u r c h a s ed e c i s i o na n dr e l a t i v et e c h n o l o g i e sa n dt h e a p p l i c a t i o no fc o m p o n e n ta n dd a t a - m i n i n gt e c h n o l o g i e si nt h es y s t e m s e c o n d ，t h e p a p e re x p o u n d st h es y s t e m st h r e e t i e rf r a m e w o r ka n dt a l k sa b o u tt h ea d v a n t a g eo f u s i n gc o m p o n e n tt or e a l i z et h i sf r a m e w o r k a n dt h e nt h i sp a p e rd e t a i l e d l yd e s c r i b e s t w om a i np r i n c i p l e so fa b cc l a s s i f i c a t i o na n dk - m e a n sc l u s t e r i n ga n dt h e i r a p p l i c a t i o n si nt h es y s t e md e c i s i o na n dd e s c r i b e sh o wt ou s ec o m p o n e n tt or e a l i z e d e c i s i o nm o d e la n dt h er e w r i t i n go ft h ek - m e a n sa r i t h m e t i ct oi m p r o v et h es y s t e m s e f f i c i e n c y a tl a s t ，t h ep a p e rd e s c r i b e st h er e a l i z a t i o no f t h i ss c h e m ei nt h ep r o j e c t t h ed e s i g no ft h r e e - t i e rf r a m e w o r kb a s e do nc o m p o n e n tt e c h n o l o g ym a k e st h e s t r u c t u r eo ft h es y s t e mm o r ec l e a r l ya n di m p r o v e si t sr e u s a b i l i t y ，s c a l a b i l i t ya n d m a i n t a i n a b i l i t y t h ei n t e g r a t i n go fc o m p o n e n ta n dd a t a - m i n i n gt e c h n o l o g yw h i c h a p p l i e di nt h ed e c i s i o no fi t e mp u r c h a s ea n ds u p p l i e rm a n a g e m e n t ，m a k e st h es y s t e m d e c i s i o nm o r es c i e n t i f i ca n di m p r o v e st h es y s t e m sp r a c t i c a b i l i t y , r e u s a b i l i t ya n d s c a l a b i l i t y k e y w o r d sp u r e l l a s e d e c i s i o n ；t h r e e - t i e r ；c o m p o n e n t ；d a t a - m i n i n g ；s u p p l i e r m a n a g e m e n t - l l i - 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已 经发表或撰写过的研究成果，也不包含为获得北京工业大学或其它教育机构的学位 或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文 中作了明确的说明并表示了谢意。 关于论文使用授权的说明 本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学校有权保 留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内 容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 日期： 第1 章绪论 1 1 研究背景和意义 第1 章绪论 随着我国社会主义市场经济体制的确立和进入w t 0 后，企业，尤其是流通 企业与外部经济体系的联系越来越广泛。现代管理理论认为：“现代管理的核心 是经营，经营的重点在于决策”。目前，决策已逐步成为我国企业管理工作的核 心和重点。对于一个开放性的流通企业来说，涉及到的因素更多，且具有很大 的不确定性。显然，传统的、凭借个人经验和知识的管理理论、方法均已不能 满足形势发展的需要。只有现代企业决策理论、决策方法和决策工具的有机结 合，才是正确进行现代企业决策的重要保证。充分利用现代信息技术，为企业 决策提供快速准确的决策支持，已成为大多数成功企业的共识。本课题即来源 于一个流通企业对决策支持的应用需求，该决策支持系统可以辅助其采购部门 进行决策，改善其经营管理。 在现代流通企业的经营活动中，采购是企业价值链中非常重要的一环。在 世界范围内，对于一个典型的企业，一般采购成本要占6 0 。而该流通企业， 采购成本占到企业销售成本的7 0 左右，因此，采购决策在整个企业决策过程 中占有十分重要的地位。通过利用准确高效的采购决策来辅助企业进行采购管 理，是提高企业管理水平，降低产品成本、提高企业效益的一个有力保障脚。 自从2 0 世纪8 0 年代决策支持系统( d e c i s i o ns u p p o r ts y s t e m ，d s s ) 产 生以来，决策支持系统的发展经历了从单机向网络、分布式平台的发展过程， 在这个发展过程中，也对d s s 的开发提出了可重用、分布式应用及模型跨平台 调用等新的要求。 2 0 世纪9 0 年代中后期，组件技术的出现、成熟和发展，为d s s 的开发提供了 新的技术支持，可以很好地解决d s s 开发中存在的诸多问题。组件技术是当今解 决软件重用的最有效和最前沿的技术，许多公司和机构都在研究基于组件的编程 方法，并逐渐形成了几种组件技术规范。这些技术规范以其可扩充性、可移植性、 对分布式应用的支持及在i n t e r n c t 上的广泛应用为d s s 的开发注人了新的活力。将 组件技术引人决策支持系统的开发符合当前软件业的发展需要，是一种理想的建 构软件的应用方案。 随着大型数据系统的广泛使用和把数据转换成有用知识的迫切需要，企业 希望从它们积累的大量数据中，找出单纯用数学方法无法得到的信息，即要从 数据中挖掘出不易观察出来的信息。一种用于决策支持的新技术数据挖掘 应运而生。通过数据挖掘能自动处理数据仓库中的海量数据，抽象出具有意义 北京工业大学工学硕士学位论文 的模式，找出人们需要的目标知识。同时数据挖掘应用范围非常广泛，用于零 售业、银行业、金融业、电信等诸多行业。在信息化过程中有很大的应用背景， 所以进行数据挖掘的研究具有重大的理论意义和实践意义。同时，数据仓库以 及数据仓库技术也迅速发展起来，这为数据挖掘技术的不断提高以及广泛的应 用，提供了很好的数据条件。 数据挖掘技术提供了大量挖掘算法能从海量的数据里挖掘出重要的知识 来，一定程度上促进了决策支持系统的发展，也提高了决策的科学性陆”。 因此，本文将组件技术和数据挖掘技术进行有效结合，把数据挖掘的算法 模型组件化，并应用到采购决策支持系统的设计中。一方面采用数据挖掘技术 提高了采购决策过程中的准确性和科学性，另一方面又充分利用先进的组件技 术实现挖掘算法，实现了决策模型的移植和重用，从而降低了d s s 系统的开发 周期和费用，使我们能利用模型组件快速搭建系统，同时也提高了系统的可维 护性、可靠性和可扩充性。 1 2 相关技术研究现状 1 2 1 决策支持系统 决策支持系统( d s s ) 是在电子处理系统和管理信息系统( m i s ) 的基础上发 展起来的一种更高级的管理信息系统。d s s 是一种以支持半结构化或非结构化 的决策过程为特征的人机交互系统，主要用来为决策者提供分析问题、构造模 型、模拟决策过程及决策效果的决策支持环境，可以协助企业决策，在企业决 策的全部过程中均能发挥作用。1 9 8 0 年s p r a g u e 提出著名的决策支持系统三部 件结构，是一种典型的d s s 组成结构，由三个子系统组成，即人机交互系统、 模型库系统和数据库系统“1 。 近年来，在d s s 的理论、方法、结构、模型库技术、人工智能支持等方面 的研究取得了很大进展。目前，d s s 的研究主要在三个层次上进行： 第一层次是d s s 应用系统的研究，即专用d s s ，主要从事面向某类特定决 策环境下的应用系统的开发，本文即属于该层次的研究； 第二层次是d s s 生成器的研制； 第三层次是支持d s s 应用系统和d s s 生成器开发的软、硬件技术的研究。 经过2 0 多年的发展，d s s 的应用已经逐步推广到大、中、小型企业，尤其 是在企业的预算与分析，预测与计划，销售与生产，研究与开发等方面的应用 收到了良好的效果。国内外已经开发和应用有通用的d s s 生成器和各种专用的 d s s e 2 “。 第1 章绪论 我国d s s 的研究和开发是在1 9 8 5 年左右开始的，目前正在向综合集成方 向发展。在应用领域上，部门、区域和企业的d s s 开发正在全方位展开，特别 是在区域规划和企业管理领域内的d s s 研发，已经取得了较大的成就，积累了 比较丰富的经验。但到目前为止，d s s 开发上存在着通用性和移植性差等亟待 解决的问题，d s s 软件几乎不可重用，这在一定程度上限制了d s s 的开发和应 用“5 ”。 1 2 2 物料采购决策 为保证企业生产经营活动的连续性，企业必须根据生产经营的需要，计算 物料的需求数量和需求时间，制定物料的需求计划，选择合适的供应商，采购 足够数量的物料。需求预测常用的预测方法较多，如移动平均法、指数平滑法、 回归分析法等“”。在满足生产需求、保证质量和及时交货的前提下，如何确定 每次物料的最佳采购批量、采购周期，以使物料的订货成本和存储成本最低， 以及在发出订单到订货入库的提前期内，物料的实际需求存在着一定的不确定 性，所以，企业应保存有一定的库存备用量。常用的物料优化采购决策方法有： 经济批量采购决策、按需批量采购决策、最小总费用采购决策、最小单位费用 采购决策、批量价格折扣采购决策等。目前关于供应商评价和选择的定量方法 主要有：层次分析法、模糊聚类分析法、线性权重法等。 1 2 3 数据挖掘技术与d s s 1 9 8 9 年在美国的国际人工智能联合会议上首次提出了数据库中的知识发 现( k d d ) 这一新技术。k d d 是一个从数据库中挖掘有效的、新颖的、潜在有用 的和最终可理解的模式的复杂过程。数据挖掘( d a t am i n i n g ，d m ) 是k d d 过程 中对数据真正应用算法抽取知识的那一步骤，是k d d 过程中的重要环节。数 据挖掘不同于传统数据分析及联机分析处理。数据挖掘是一个高级的处理过程， 它通过采用基于发现的方法，分析大量的数据，从数据集中识别出以模式来表 示的知识。这些挖掘出来的知识和信息可以为企业的决策者提供非常重要的参 考价值，辅助决策者进行科学合理的决策。 对于数据挖掘技术的研究，在国外已经有好多年的历史了。数据挖掘技术 及相关的决策支持系统发展很快，已经迅速、直接地给商业界、公共服务行业 带来了令人吃惊的利润。并且有很多学校和科研机构也正在投入大量资金，进 行数据挖掘技术的进一步开发和深入研究“”。 最近几年，国内也有相当多的数据挖掘和知识发现方面的研究成果，许多 学术会议上都设有专题进行学术交流。许多科研单位和高校竞相开展数据挖掘 北京工业大学工学硕士学位论文 的基础理论及应用研究。但是国内与国外相比，对数据挖掘领域研究仍处于初 期阶段。绝大多数工作集中于局部算法设计，有的开始软件的开发，但还是处 于业务数据转移和建立数据仓库的初级阶段；进行综合的系统集成设计却寥寥 无几1 ”。 目前数据挖掘一般有3 种类型及其相关的大致8 种常用算法，它们是关联 方法及a p r _ i o r i 算法；分类方法及决策树算法、人工神经网络、粗集算法、贝 叶斯算法等；聚类方法及层次算法、划分算法、遗传算法等m “，。 数据挖掘的研究方兴未艾，其应用范围也非常广泛，它的价值也会随着技 术的进步而变得越来越重要。 本文将利用数据挖掘中的聚类法对供应商进行聚类，进而辅助决策者对采 购过程中的供应商进行选择。 1 2 4 组件技术与d s s 2 0 世纪9 0 年代中后期，组件技术的出现、成熟和发展，为d s s 的开发提 供了新的技术支持。组件技术是当今解决软件重用的最有效和最前沿的技术， 许多公司和机构都在研究基于组件的编程方法，并逐渐形成了几种组件技术规 范，其中最重要的是o m g 组织的c o r b a 、m i c r o s o f t 公司的c o m d c o m 以 及s u n 公司的e j b 。这些技术规范以其可扩充性、可移植性、对分布式应用的 支持及在i n t e r n e t 上的广泛应用为d s s 的开发注人了新的活力旧。 m i c r o s o r 公司的c o m 是为解决组件之间进行通信的标准。它的研究和发 展经历了从开始的o l e i ( o b j e c tl i n k i n ga n de m b e d d i n g ，对象链接与嵌入) 技术， 再到后来的v b x 控件，再到后来的o l e 2 以及a c t i v e x 技术等，后来的c o m + 、 d c o m 都是c o m 发展的一个延伸。 1 3 论文研究内容及文章组织结构 论文首先对流通企业采购决策的内容、方法及相关技术进行了分析，阐述 了组件和数据挖掘技术在采购决策支持系统中应用的优越性；接着对系统结构 进行了描述，分析了c s 三层架构的特点及如何应用c o m 技术设计三层框架； 然后本文重点讨论基于a b c 分类原理和聚类法原理的物料采购决策和供应商 选取决策以及组件技术和数据挖掘算法在两种决策中的应用。此外，本文还对 核心挖掘算法进行了分析和改进，提高了系统运行效率。最后，本文详细讲述 基于此方案的流通企业采购决策支持系统的设计及实现。 第二章，相关技术概述及应用 介绍物料采购决策的内容、方法；加强供应商管理的意义；介绍与数据挖 第l 章绪论 掘、组件技术相关的各种概念及两种技术在供应商选择和决策模型开发上的应 用等。 第三章，系统概述及总体框架设计 介绍系统的功能结构、逻辑结构；介绍系统总体框架以及基于c o m 技术的 三层c s 软件架构的应用等。 第四章，物料a b c 分类决策 主要介绍物料a b c 分类决策，包括a b c 分类原理、a b c 分析法在采购中 的应用、a b c 分类步骤、分类前的数据预处理等。最后举例说明如何利用a b c 原理进行物料的分类以及在分类基础上进行的采购优化决策。 第五章，基于聚类法的供应商选取决策 主要讲述数据挖掘中聚类法的原理，对k - m e a n s 算法的分析与改进。介绍 如何建立供应商评价体系，以及如何将k - m e a n s 算法用于供应商聚类的过程， 包括聚类属性的确定，分类数目k 值的确定，度量标准确定以及数据预处理时 的孤立点去除等。最后介绍如何基于聚类结果进行供应商选择的过程。 第六章，系统实现 通过开发一个实例采购决策系统具体阐述各功能模块的实现，各种技术在 系统中的应用过程，决策算法的实现以及程序的运行效果等。 最后是结论与展望，综述了本文的工作成果和未来的研究方向。 第2 章相关技术概述及应用 2 1 采购决策的内容 在流通企业的经营活动过程中，物料是企业价值链中极其重要的一环，物 料采购决策占有十分重要的地位。 所谓物料：是指与企业生产经营有关的原材料、附件、半成品、包装材料、 产品说明书等有形的物品，在流通企业中即各种商品。按需求的来源不同，企 业内部的物料可分为独立需求和相关需求两种类型。独立需求是指需求量和需 求时间由企业外部需求来决定的物料，如：客户订购的产品、科研试制需要的 样品、售后维修需要的备品备件等；相关需求是指根据物料之间的结构组成关 系，由独立需求物料所产生的需求，例如：半成品、零部件、原材料等的需求。 为保证企业生产经营活动的连续性，企业必须根据生产经营的需要，计算 物料的需求数量和需求时间，制定物料的需求计划，采购足够数量的物料。如 果物料采购数量不足，就会由于物料库存短缺而造成停工待料。这样，就会可 能由于物料供应不足，产品生产不能满足市场需求而造成销售损失，或由于不 能按照合同如期交货，造成赔偿损失，损害企业信誉。同时，物料从采购开始 到进入企业仓库为止，要经过很多环节，支付各种费用，其中包括采购部门的 订货费、质检部门的质检费等，这些费用一般都与物料的采购次数成正相关关 系，与物料的采购批量成负相关关系。如果每次采购的批量较大，在一定时间 内的采购次数就可以减少，采购费用也就较少。另外，在很多场合下，在对于 较大批量的采购还会有批量价格折扣问题，因此，物料采购决策需要考虑多个 方面的因素w 。 首先是每次物料采购的批量多少为宜就成了首选问题。由于物料的储存都 要占用一定的流动资金、储存场地，且需要人员保管，物料本身也有可能会因 为气候等原因而发生损坏、变质、散失等各种情况，这些都会发生一定的费用。 所以，物料采购决策的基本任务，就是要根据企业经营的实际物料需求，确定 合理的物料采购批量，以降低企业的经营成本。 其次是除要确定物料的采购批量外，另一重要的问题是物料订货应在何时 进行，也就是说，当实际物料库存量处在怎样的水平时，订货应立即进行。由 于从订货到进货需要有一段时间，如果在订货时的实际物料库存量过多地超过 了这段时间的需要量，或者反过来，需要量超过了实际物料库存量，显然都是 不经济的，而在实际情况中，任意时刻对于某种物料的需求量可能是确定的， 也可能是不确定的，所以，还必须备有一定的储备量。因而，物料采购决策的 北京工业大学工学硕士学位论文 另一基本任务就在于根据不同情况，找出在订货时物料应具有的最为合理的库 存水平州。 第三个要考虑的问题是供应商的选择。在目前大部分物料供应都处于买方 市场的环境下，选择恰当的供应商有利于降低最终产品成本，有利于确保最终 产品及时供应市场，有利于保证产品质量。事实上，大多数企业现在都处于一 个或多个供应链中，任何单个企业都是供应链中的一环，市场竞争也由企业之 间的竞争，延伸到不同供应链之间的竞争，因此，能否合理的选择供应商也将 影响到企业所在供应链的总体竞争能力“1 。 2 2 物料采购决策方法 通过用户订单和需求预测，如果是生产企业，再经过主生产计划，我们可 解决物料需求数量等一系列问题，但如何在满足生产需求、保证质量和及时交 货的前提下，确定每次物料的最佳采购批量、采购周期，以使物料的订货成本 和存储成本最低，这就成为物料采购决策的重要一环。本文将以成本最小化为 目标，着重讨论以下几种采购优化决策方法和安全库存量嘲。 ( 1 ) 经济批量采购决策 经济批量法( e c o n o m i co r d e rq u a n t i t y ，e o q ) 是指定购某种物料过程中， 使各种相关费用之和最低的一种批量定购法，这里的费用主要包括订货费用和 储存费用。采购的总费用= 价格费用+ 订货费用+ 储存费用。设d 为需求量， 髟为单位物料的价格费用，日为单位存货的储存费用，s 为每次的订货费用，q 为订购批量，则决策期的订购次数可以用决策期的需求量除以每次订购的批量 得到，即为：d q 。由此可以计算得每个决策期的储存成本为q i z 2 ，每个决策 期的订货费用为d s q ，决策期的总费用以t c 表示， 则：粥：k d + 旦s + 垒h ( 2 1 ) q 2 欲确定使总费用最小的订购批量，可对上市中的自变量q 求一阶导数，并 令该一阶导数为零，即由 一d t c ；0 + 驾s + 丝：0 ( 2 2 ) d oa 2 可以解得： q o = 、降 ( 2 - 3 ) q o p t 即为可使总费用达到最小的最佳订购的批量，通常也称为经济批量。进而 可以算得： 第2 章相关技术概述及应用 最佳订货批次： 最佳订货周期： 现有库存量 订货点q 刀卺= 愿c 取近似躺伢a ， r = 半= 决策腓属浯s ， 量9 2 图2 - 1 经济批量订货模型 f i g u r e 2 - 1o r d e r m o d e l o f e c o n o m y b a t c h ( 2 ) 缓冲量采购决策 缓冲量采购决策是为了避免订货到达之前供应不足的情况，采购时考虑一 定的安全缓冲量或安全库存量，有效地避免在订货提前期内出现缺货的风险， 减低因缺货而造成的损失，即短缺费用。 安全缓冲量的大小取决于企业设定的安全水平。安全水平是指存货可以满 足需求的概率。即安全水平= 1 - 缺货风险。 考虑安全缓冲量的采购决策，应注意以下因素： _ 安全缓冲存货量越大，缺货风险月越低，但储存费用越高；而且随 着用于缓冲存货的资金投入不断加大，其对安全水平的提高出现边际 效应递减现象。 - 对于安全缓冲量的采购决策，取决于企业期待的安全水平和决策方 法。 安全水平、安全缓冲量和采购批量是相互影响的。在一个相对稳定的区间， 需求量通常服从正态分布，设单位时间需求量的平均为d 标准差为o r ，缺货 风险为口，安全水平为j 一口，则提前期内的需求量y 将服从期望值为 a l = l d ，标准差为盯，- 4 l 盯2 的正态分布，缺货风险概率可以定义为： p x 。b + l x d a 转化为服从f 仉) 的便准化正态分布得： 北京工业大学工学硕士学位论文 p i 兰 丛旦 口对于给定的口，可以通过正态分布表查得乙的值，由 l 吒吒j 兰 丝竺z 。，计算可解得指定安全水平下的缓冲量曰：z 。仃。所以再 o lo l 。 订货点为：矿= 三x d + 口= 三x d + z ax 吒 ( 3 ) 按需批量采购决策 按需批量法是指物料订购的批量等于净需求量，也称直接需求法。这种确 定批量的计算方法往往是用于订购数量和时间基本上能够给予保证的物料，或 者所需物料的价值较高，不允许过多地生产或保存的物料。它的特点是： - 订购批量恰好与净需求量相匹配； - 产出量恰好就是单位时间需求量，而不会产生剩余转到未来时区： 一由于订购批量等于净需求量，所以，储存费用最小； - 订货费用和能力限制可忽略不计； ( 4 ) 批量价格折扣采购决策 以上各种采购决策分析过程中，都是假定单位物料的价格费用是固定不变 的，所以，不影响采购决策。但在实际中，为促进物料销售、扩大市场占有率， 供应商常常会对不同的订货批量制定不同的单位价格，一般情况下，订货批量 越大，单价越低，同时，单位物料的储存费用也会因批量不同而有所变化，一 般批量越大，单位储存费用会有所降低，单位物料的资金占用成本会降低，在 物料短缺，物料限量供应，超过限量单价反而要被提高的情况下，可以应用批 量价格折扣模型进行决策。 批量价格折扣模型和经济批量订货模型本质上原理是相同的，都是通过确 定采购批量来促使一定周期内采购的总费用最低，要求需求是连续分布的，不 大发发同点在于批量价格折扣模型适用于周期内物料价格是随着批量大小不同 而变动的，而经济批量订货模型则假定周期内物料价格是固定不变的。因此， 批量价格折扣模型是一种价格随订货批量变动而变化的订货模型，其求解的基 本思想是根据供应商提供的批量价格折扣，再计算出不同价格水平下的经济订 货量及其对应的总费用，总费用最小的订货量就是最优的订货量0 1 。 本文将利用其中的部分采购决策算法对物料采购的最佳批量、批次、采购 周期等进行预测，辅助决策者进行采购。 2 3 供应商管理 供应商的管理，就是对供应商的了解、选择、开发、使用和控制等综合性 第2 章相关技术概述及应用 的管理工作的总称。其中，了解是基础，选择、开发、控制是手段，使用是目 的。供应商管理的目的，就是要建立起一个稳定可靠的供应商队伍，为企业提 供可靠的物资供应“3 捌。 加强供应商管理，具有以下重要的意义： ( 1 ) 有利于降低商品成本。 ( 2 ) 有利于提高产品质量。 ( 3 ) 有利于降低库存，供应商管理可以进行协调库存管理。 ( 钔可缩短交货期，据统计，8 0 产品交货期延长是由供应商引起的，缩短 产品交货期应从源头供应商做起。 ( 5 ) 从制造资源集成的角度，信息技术和计算机网络技术，尤其是全球性 网络i n t e t n c t 的迅速发展为现代制造企业跨地域、跨行业，实现信息和技术的实 时传递与交换，提供了必要条件，制造资源市场已经成为一个开放型的大市场。 进行供应商管理的主要目标有： _ 获得符合企业质量和数量要求的产品服务； _ 以最低的成本获得产品或服务； - 确保供应商提供最优的服务和及时的送货； - 发展和维持良好的供应商关系； 一开发潜在的供应商； 供应商管理的几个基本环节： ( 1 ) 供应库的建立 所谓的供应库是指能够满足企业物资需要的供应商群体，这是采购活动得 以完成的一个基础。而供应库的建立包括供应商的调查、潜在供应商的确定、 供应库的优化等内容。 ( 2 ) 供应商的关系管理 在供应商管理的工作上，企业面临一个很重要的前提问题，就是要与供应 商建立何种关系，这种关系如何保证绩效，所以企业要首先关注供应商的关系 管理问题。 ( 3 ) 供应商的评价与选择 在供应库已经建立完成，供应商关系方向已经确定的基础上，企业根据不 同时期的物资需要，按科学合理的步骤，进行供应商的评价与选择工作。 ( 4 ) 供应商的绩效评估 在采购的全过程中，要不断地对供应商的绩效进行评估，并不断补充进质 量好的供应商，淘汰不合格的供应商，以保证采购工作的顺利进行。 ( 5 ) 供应商的控制与激励 在采购活动的进行过程中，还要关注供应商的控制与激励问题，这是保证 北京工业大学工学硕士学位论文 采购活动持续、稳定进行的必要工作“”。 因为供应商的选择是企业的一个重要决策，所以本文将主要介绍对供应商 的评价与选择。 2 4 数据挖掘 2 4 1 数据挖掘的定义 用数据库管理系统来存储数据，用机器学习的方法来分析数据，挖掘大量 数据背后的知识，这两者的结合促成了数据挖掘的产生。数据挖掘，也可以称 为数据库中的知识发现( k n o w l e d g ed i s c o v e r y i n d a t a b 舔e k d d ) ，是从大量数据 中提取出可信、新颖、有效并能被人理解的模式的高级处理过程。 数据挖掘指的是从大型数据库或数据仓库中提取人们感兴趣的知识，这些 知识是隐含的、事先未知的、潜在的有用信息。数据挖掘是一个高级的处理过 程，它从数据集中识别出以模式来表示的知识。高级的处理过程是指一个多步 骤的处理过程，多步骤之间相互影响、反复调整，形成一种螺旋式上升的过程。 挖掘的知识表示为概念( c o n c e p t s ) 、规则( r u l e s ) 、规律( r e g u l a r i t i e s ) 等形式。 数据挖掘与传统的数据分析( 如查询、报表、联机应用分析) 的本质区别是数 据挖掘是在没有明确假设的前提下去挖掘信息、发现知识，数据挖掘所得到的 信息应具有先未知，有效和实用三个特征。 2 4 2 数据挖掘的数据源 数据挖掘所依赖的数据来源多种多样，可以是常用的关系数据库、事务数 据库、文本数据库、多媒体数据库等，主要取决于用户的目的及所处的领域。 目前，数据挖掘的数据主要取决于关系数据库与数据仓库。 ( 1 ) 关系数据库：关系数据库具有坚实的数学基础、统一的组织结构、完 整的规范化理论、一体化的查询语言等优点，成为主流的数据存储系统。关系 数据库是数据挖掘的主要数据源，挖掘前需要对这些数据进行预处理。 ( 2 ) 数据仓库：数据仓库由于可以将多个站点的异种数据源数据在单个站 点以统一的模式存储，并提供从不同角度、不同层次汇总、分析数据的联机分 析处理，成为目前的数据库研究热点，其上的数据挖掘也被广泛研究。 数据仓库不是必须的。建立一个巨大的数据仓库，把各个不同源的数据统 一在一起，解决所有数据冲突问题、把所有的数据导入一个数据仓库内，是一 项工作范围广、成本高、时间长的巨大工程。在数据挖掘中，如果关系数据库 的规模较小，数据模式较简单的情况下，我们可以把一个或几个事务数据库集 中到一个只读的数据挖掘库中，就把它当作数据集市，然后在它上面挖掘。一 般我们进行数据挖掘时需要的并不是数据库中的所有数据，而是部分与数据挖 掘任务相关的数据、用户感兴趣的数据。所以只在目标数据集上进行挖掘可以 提高数据挖掘的效率，减少无用模式的数量，尤其在复杂性、模式数量与数据 量呈指数增长的情况下更为突出“。 在关系数据库中，指定目标数据集可以通过关系表的选择、投影、连接等 查询操作实现；在数据仓库中，可以通过数据立方体的切片、切块等实现。1 。 2 4 3 数据预处理 数据挖掘中的数据预处理主要是接受并理解用户的发现要求，确定发现任 务，抽取与发现任务相关的知识源，根据背景知识中的规则对数据进行检查， 通过清理和归纳等操作，生成供决策使用的目标数据，数据预处理应包括以下 几方面的功能哺“： ( 1 ) 数据集成( d a t ai n t e g r a t i o n ) ：数据集成主要是将多文件或多数据库运行环 境中的异构数据进行合并处理，解决语义的模型性，该部分主要涉及数据的选 择、数据的冲突问题以及不一致数据的处理问题。 ( 2 ) 数据清洗( d a t ac l e a n i n e ) ：数据清洗要去除原数据集中的噪声数据和无 关数据，处理遗漏数据和清洗脏数据，去除空白数据域和知识背景上的白噪声， 考虑时间顺序和数据变化等。主要包括重复数据处理和缺值数据处理，并完成 一些数据类型的转换。 ( 3 ) 数据变换( d a t at r a n s f o r m a t i o n ) ：如把连续值型数据转换为离散型数 据，以便于符号归纳；或是把离散型数据转换成连续值型数据，以便于神经网 络计算等。 ( 4 ) 数据简化( d a t ar e d u c t i o n ) ：数据简化是在对发现任务和数据本身内容 理解的基础上，寻找依赖于发现目标的表达数据的有用特征，以缩小数据规模， 从而在尽可能保持数据原貌的前提下最大限度地精简数据量。它主要有两个途 径：属性选择和数据抽样，分别针对数据库中的属性和记录。 1 ) 属性选择就是去除对发现任务没有贡献的或贡献率低的属性域，降低知 识状态空间的维数。 2 ) 数据抽样就是用少量的记录基底的线性组合来表示大量的记录。它主要 利用统计学的抽样方法，如简单随即抽样、等距抽样、分层抽样等，具体进行 统计运算，对于相同元组进行归并，并增加必要的支持度属性域。 北京工业大学工学硕士学位论文 2 4 4 数据挖掘的方法 数据挖掘涉及的学科领域和方法很多，主要的挖掘方法有以下几大类：关 联规则挖掘方法、分类方法、聚类方法、时间序列和序列模式挖掘和w e b 挖掘。 ( 1 ) 关联规则挖掘是数据库挖掘中最活跃的研究方法之一。它最初提出的 动机是针对购物篮分析问题提出的，其目的是为了发现交易数据中不同商品之 间的联系规则。它主要是通过发现频繁项目集来生成关联规则。典型的算法有： a p r i 耐算法、c l o s e 算法、f p - t r e e 算法。 ( 2 ) 分类在数据挖掘中是一项非常重要的任务。分类的目的是学会一个分 类函数或分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个 类别。分类器的构造方法有统计方法、机器学习方法，神经网络方法。统计方 法包括贝叶斯法和非参数法，机器学习方法包括决策树法和规则归纳法，神经 网络方法主要是b p 算法。 ( 3 ) 聚类就是将数据对象分组成为多个类或簇，划分的原则是在同一个簇 中的对象之间具有较高的相似度，而不同簇中的对象差别较大，与分类不同的 是，聚类操作中要划分的类是事先未知的，类的完成完全是数据驱动的，属于 一种无指导的学习方法。聚类增强了人们对客观现实的认识，即通过聚类建立 宏观概念。典型的算法有：k - 平均( k - m e a n s ) 和k 中心( k - m e d o i d s ) ，层次聚类方 法a g n e s 和d i a n a ，密度聚类方法d e s c a n 。 ( 4 ) 时间序列挖掘是数据挖掘中的一个重要研究分支，它通过研究信息的 时间特性，深入洞悉事务进化的机制，成为获得知识的有效途径。序列挖掘或 称序列模式挖掘，是指从序列数据库中发现相对时间或者其他顺序所出现的高 频率子序列。作为一般性的方法和技术，已经成为数据挖掘的新的研究分支。 典型算法有：a p r i o r i a l l 算法，a p n o f i s o m e 算法，g s p ( g e n e r a l i z e ds e q u e n t i a l p a t t e r n s ) 算法。 ( 5 ) w e b 挖掘就是指利用数据挖掘的思想和方法，在w e b 上挖掘出有用的 信息。即针对包括w e b 页面内容、页面之间的结构、用户访问信息、电子商务 信息等在内的各种w e b 数据，应用数据挖掘以帮助人们从w w w 中提取知识， 为访问者、站点经营者以及包括电子商务在内的基于因特网的商务活动提供决 策支持。主要挖掘手段有：路径分析、关联规则和序列模式的发现、聚类和分 类等啪。 本文中采用数据挖掘中的聚类方法对供应商进行聚类，根据分类结果进行 供应商的选择。 第2 章相关技术概述及应用 2 4 5 数据挖掘的逻辑结构 数据挖掘系统大致可划分为三级逻辑结构，数据库中的数据挖掘是一个多 新骤的处理过程，一般可分为以下几个步骤( 见图2 t 1 ) 。 卜一数据准备叶_ 一数据挖掘+ 1 一 iij i 挖掘结果一 图2 - 2 数据挖掘的逻辑结构图 f i g u r e2 - 2l o g i cs t r u c t u r eo f d a t a m i n i n g ( 1 )定义问题。了解相关领域的有关情况，熟悉背景知识，弄清用户的应用 需求。在采购决策支持系统中，就要了解采购决策领域的有关知识并确 定用户有哪些主要的决策需求。 ( 2 )提取数据。根据需求从数据库中提取相关数据。在本系统中要提取和采 购有关的数据，如物料采购数据、供应商数据等等。 ( 3 )预处理数据。主要是对前一阶段产生的数据进行再加工，通过清理和归 纳等操作，生成供挖掘使用的目标数据。 ( 4 )提取知识。运用选定的知识发现算法，从数据中提取用户所需的知识， 这些知识可用一种特定的方式表示或使用一些常用的表示方式。 ( 5 )评价知识。可利用可视化工具将发现的知识以用户能理解和观察的方式 呈现。若用户对分析结果不满意，可以反复执行上述过程，直至满意“”。 2 4 6 基于数据挖掘的供应商管理 在供应商管理中，企业要准确的确定不同供应商对企业的重要程度，与不 同供应商应保持不同的合作关系，即要不断的确定不同类型的供应商。这样， 就要求通过一定的有关供应商的特性，来对供应库中的供应商进行分类。 供应库中的供应商在分类前是不知道其所属的类型的，所以不能用决策树 知 识 北京工业大学工学硕士学位论文 这样的“有指导的学习”的分类方法，而要用“无指导的学习”分类方法来进 行分类，因此，数据挖掘中的聚类法是一个不错的选择。它有如下优点： 一不需要知道训练数据的分类类型，给定数据就可以进行分类： - 具有可伸缩性，可处理高维的数据集； 可在聚类的结果上进行进一步的分析； 2 5 组件技术 2 5 1 组件技术的定义 组件技术是继面向对象技术之后软件开发开发方法上的又一次革命，它是 在面向对象技术的基础之上发展起来的，所以二者在各方面有着很多相似之处， 但组件技术的功效和意义足以成为超越面向对象技术的一个软件工程上的新的 里程碑。组件是能够单独开发、装备、测试的功能单元，符合一定