[发明专利]基于混合权重核熵成分分析企业供应商评价方法

说明书

技术领域：

本发明涉及一种供应商评价领域，尤其涉及一种基于混合权重核熵成分分析企业供应商的客观综合评价方法。

背景技术：

目前，随着经济发展及现代化水平的提高，供应链管理越来越受到众多企业的重视。供应商的选择、评价作为供应链管理中一个重要问题也变得更为重要，如何对供应商做出全面、客观、真实的评价，对于保证物资供应质量，降低采购成本，提高生产企业的整体效益均具有十分重要的现实意义。供应商评价，又称供应商选择，问题研究始于1966年美国学者Dickson在《采购》上发表的一篇论文，随后便引起学术界的普遍关注。一直以来，国内外学者对供应商评价问题展开了深入研究，现有文献对供应商评价的方法主要包括定性和定量两种方法。定性方法主要是经验型概念型的研究，通过主观判断与协商等途径，建立供应商选择和评价指标体系。定量方法是指采用数学模型进行分析，主要包括线性加权、概率统计、数学规划、决策分析以及数据挖掘技术等。上述两种方法都存在一定的局限性，定性方法由于受主观因素的影响，判断结果的客观性无法保证。定量方法由于供应商选择评价的许多指标无法量化，使得判断结果的全面性得不到保证。在对供应商进行评价时，因为每个指标都在不同程度上反映了供应商的信息，并且指标间彼此相关，使得所获得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多指标评价问题时，指标太多会增加计算量和分析问题的复杂性，因此人们希望在对供应商定量评价过程中，在不影响客观准备评价的基础上涉及的指标越少越好。

主成分分析(Principal Components Analysis,PCA)就是将多个指标综合成少数指标的一种多元统计方法，通过将原来指标线性组合成综合指标的方式，保留了原始指标的主要信息且彼此间不相关，同时具有比原始变量更加优越的性质。然而现实指标间的关系往往都是非线性的，对于线性相关性不大的指标而言采用传统线性PCA方法是不妥的，甚至可能会出现各指标贡献率过于分散的情况。能否通过某种变换将原有空间变换到高维空间，使得原有指标间的非线性关系在高维变换空间呈现线性关系，而后再对高维空间的数据进行PCA变换，这就是Kernel PCA(Kernel Principal Components Analysis,KPCA)算法的思想。但是，KPCA没有考虑到原始数据的全局结构特征。核熵成分分析(Kernel Entropy Component Analysis，KECA)作为一种新的算法，考虑到全局分布特点，是保持指标数据流行结构特征的降维方法，KECA尝试通过基于内核的密度估计器来维持原始数据集Renyi二次熵的最大估计。KECA与上面两个算法的根本不同在于：一方面，KECA不需要选择最大特征值和相应的特征向量；另一方面，维度降低维护了原始数据 Renyi熵的内在结构。此外，KECA通常能生成具有不同角度结构的变换数据集，这意味着即使是非线性相关输入数据集也能通过KECA生成高维核特征空间中具有不同角度方向的数据集。终上所述，KECA更利于用极少的综合指标实现供应商的评价。因此，本发明引用KECA算法进行企业供应商评价。

发明内容：

1.一种基于混合权重核熵成分分析企业供应商评价方法。其特征在于：该方法包括以下步骤：

(1)利用与企业工作人员及相关领域专家交流访谈和问卷调查方式得到企业有关供应商的评价准则，设共M个评价指标；

(2)对步骤(1)获取的评价准则进行分类处理：产出指标和投入指标；设共L个产出评价指标，共P个投入评价指标，M＝L+P；

(3)根据步骤(2)获取的分类评价指标，收集企业供应商们的各种指标所对应的信息，设有N个供应商；

(4)将步骤(3)获取的供应商们的指标值数值化，然后把所有供应商的投入指标信息取倒数，使得每个指标的数值范围确定在[0,1]之间，最终生成样本矩阵X∈R^M×N；

(5)将步骤(4)得到的供应商们评价数据样本矩阵X∈R^M×N进行核熵成分分析，计算出样本矩阵X对应的核矩阵K，其中K∈R^N×N，矩阵K的元素 (i,j)是K_σ(x_i,x_j)，其中K_σ(x,x_i)是以x_i为中心的核函数或估计器，σ是平滑宽度或称为核的半径。这里建议核函数为高斯核函数，其中高斯核的半径σ＝0.5；