[发明专利]一种基于动态粒子群算法的船舶供应商评价算法

权利要求书

1.一种基于动态粒子群算法的船舶供应商评价算法，其特征在于，本算法中评估函数主要通过企业实力、财务状况、企业信誉、产品质量、服务质量和成本控制和相应的参数完成供应商评估，公式表达如下所示：

F(x)＝w₁·f₁(x)+w₂·f₂(x)+w₃·f₃(x)+w₄·f₄(x)+w₅·f₅+w₆·f₆(x)

参数f₁～f₆分别表示企业实力、财务状况、企业信誉、产品质量、服务质量和成本控制，w_i(i＝1～6)分别表示六个部分的重要程度，取值范围在0到1之间，且满足6个参数之和为1，公式表示如下：

w₁+w₂+w₃+w₄+w₅+w₆＝1

由于评估函数中每个属性都是通过不同的方面完成评价，故每个属性的评估函数可以表示为如下的形式：

参数w_ij表示第i个属性中第j个部分的重要程度，其取值范围在0到1之间，且满足子参数之和为1，数学表达如下所示：

参数n表示在第i个属性中包含的子属性的个数，n的取值随属性的不同而改变，参数w_ij和w_i初始值是在满足要求的条件下随机给出的。

2.根据权利要求1所述的一种基于动态粒子群算法的船舶供应商评价算法，其特征在于：本算法在学习阶段的目标函数是为了尽量缩短目标值与评估值之间的差异，公式表达如下所示：

MIN T(x)＝|F(x)-R(x)|

算法初始阶段的目标值是由通过分析大量的调研结果，借助船舶供应商评估专家的帮助给出的，后期优化阶段(维护)的目标值是通过对船舶供应市场份额的占有量等数据分析决定的。

3.根据权利要求1所述的一种基于动态粒子群算法的船舶供应商评价算法，其特征在于：本算法中全局最优值和局部最优值是优化过程中重要的两个参数，全局最优值是算法在优化过程中，粒子群中遇到的最优解(也就是目标值最优的粒子)，且具有唯一性，局部最优值是每个粒子在优化过程中遇到的最优值，其数量等于粒子的个数，全局最优值和局部最优值对于优化质量和优化速度起到非常重要的作用，局部最优值的质量决定粒子群算法是否会陷入到局部陷阱中，进而导致算法无法找到合适的最优值，因此粒子群算法的改进主要集中于局部最优值的优化，动态粒子群算法是借助k近邻的方式对局部最优值的求解进行优化，也就是每个粒子的局部极值不是由粒子本身决定，而是由与该粒子相近的k的粒子的平均局部极值决定，这样可以避免粒子陷入到局部最优解的陷阱中，公式如下：

4.根据权利要求1所述的一种基于动态粒子群算法的船舶供应商评价算法，其特征在于：本算法中需要说明的是，与传统的k近邻相比，动态k近邻方法中k的取值是不确定的，k会随着优化环境的变化而发生改变，本算法中提到的动态k近邻的选取方式不仅要考虑粒子间的距离，还需要计算近邻粒子与目标粒子之间的差异率，差异率只有小于5％才能被选为k近邻进行计算，粒子间差异率的计算方法如下：

5.根据权利要求1所述的一种基于动态粒子群算法的船舶供应商评价算法，其特征在于：船舶供应商优化系统中涉及到的属性初始化时，一部分是通过分析供应链商业数据完成的，另一部分是由相关专家人工确定的。为了使这些属性值之间能够更好地进行对比，需要对参数进行初始化工作。初始化数据的方法采用均值和方差形式完成，公式标识如下。

其中表示第i个属性的平均值，s_i表示第i个属性的标准差，而相应的平均值的计算公式如下公式所示：

方差的计算公式如下公式所示：