1、 外文翻译 题目 ： 供应链管理环境下的库存优化 摘要： 传统供应链模式下的库存优化由于缺乏必要的信息，在模型的求解过程中难以得到符合实际要求的最优解。本文分析了传统企业库存优化与供应链管理环境下库存优化的运作机理，提出在供应链管理环境下可以借助多层 BP 神经网络改进传统库存模型，以得到更为满意地最优库存策略。并依据某一钢材现货公司的库存情况给出具体的应用。 关键词 ： 供应链 供应链管理 库存 BP 神经网络 优化 1.引言 供应链管理（简称 SCM）是当今的一个 热门话题。这个词来自关于作为一个特定的公司是如何组织联系在一起的一幅图片。供应链管理的想法是采用整体的方法来管理整个信息流，材
2、料和来自于原材料供应商的服务通过工厂和仓库直到最终的客户。成功的供应链管理需要有一个一体化的系列活动纳入一个紧密无间的过程。但是，在供应链的每一个环节必然有一些延误和一些不确定性，因此必须保持必要的库存。相反，对企业来说存货实际上是一种浪费。国内外专家在库存优化领域已取得了很大的研究，做了许多库存优化的模型。所有这些模式在供应链管理的思想应运而生之前已经取得了，但这些模型没有考虑上游 和下游企业。 这些作为稀缺的信息优化模型 仅仅 利用概率模型 来适应信息统计基础上需求的变化。通常情况下，通过这种方式制作的模型因为太过复杂而很难操作。 另一方面，影响存货清单的各因素之间的关系是非线性的，因此很
3、难作出一个定量和明确的数学关系，而且这些最佳的成果也不能满足实际应用。 人工神经网络本身的自我学习和多映射的能力，可以探索复杂系统，使复杂的模型简单化。在人工神经网络里，隐藏在网络中的信息所作的联系的神经元，它可以处理多种定量关系。即神经网络是一个大规模并行计算模型，它的特点： 很大程度的鲁棒性和容错性； 随时准备处理与一般非线性系统的相关问题； 生物物理影响。 因此，对于非线性问题，人工神经网络是一个很好的分析工具。本文将提出在多层次的BP神经网络的帮助下 ， 来改进传统的 库存模型以获得更令人满意的优化库存。 2.传统库存优化模型的局限性 上游和下游企业形成之前的战略联盟关系，只有一个单一
4、的物质流。运行机制如下图所示： 基于传统供应链的运行机制 (如图所示 ) ， 由于缺乏必要的信息，库存决策优化模型必须利用概率 模型来 适应 信息统计基础上需求的变化 。 现在，我们给一个简单的单周期随机库存模型： 在这个模型中： ET(y)： 价值期望的总费用清单； c：每种产品制造（或购买）的费用； h： 每个产品的库存成本； p： 缺少每个产品的惩罚成本； x:开放的股票； y： 该股在开放时所得； ： 在这个时期，它为随机变量； （ ） :概率密度函数。 为了尽量减少价值期望的总费用清单的价值，即：使价值期望的总费用清单最小，必须使。通过推导制定的方法得到参数的论点，我们将得到： ；如
5、果提供每种产品制造（或购买）的费用，每个产品的库存成本，缺少每个产品的惩罚成本的价值，我们能获得该股在开放时所得的最佳的价值股票，还可以得到在这个时代的最佳的库存策略。 正如上面提到的，这种传统模式下取得的资料不足，涉及到许多相关的应用范围，所以这是必不可少的前提假设，因此这种模式是难以符合实际应用的。 现在的主要问题集中在 随机变量的概率密度函数中。从上述分析我们知道影响随机变量的因素是多变量非线性关系；如：产品的价格，销售季节的变化 ， 内部收益率的总和。当然，对于一个特定的企业、影响因素可能是可变的。因此，在这个时期的随机变量可能不符合一个确定的概率分布，以及以这种方式获得库存的最优战略可能不符合现实的要求。
