1.一种改进的K_MEANS算法对解决制造业物料采购问题,本发明涉及企业管理领域,具体地涉及用算法解决制造业物料采购问题,其特征是,包括如下步骤:
步骤1:初始化数据集,初始化采购商数据集P,属性(物料)数据集A,采购物料标准X
步骤2:对供应商数据集进行聚类,用改进的K_Means算法对供应商数据集聚类,把具有相似性较高的供应商聚为一类,具体的为:
(1)确定聚类数量k
(2)选择聚类中心,随机在供应商集合中选择k个供应商作为初始聚类中心
(3)计算相异度,用物料种类数量来刻画两个用供应商集合中供应商与聚类中心的距离来表示相异度
(4)聚类,将每个供应商聚类到与它相异度最小的聚类中心中去
(5)计算聚类平均值,计算每个聚类中所有供应商的物料种类平均值,并将这个平均值作为新的聚类中心
(6)反复执行(3)、(4),直到聚类中心不再进行大范围移动或者聚类次数达到要求为止
(7)输出聚类
步骤3:选择最优聚类进行成本考量,最优聚类的选择规则如下:
(1)计算所有类中心到标准采购量的距离
(2)选择距离最小的聚类作为最优聚类,统计出最优聚类所包含的供应商数量
(3)成本考量如步骤4所述
步骤4:计算最优聚类里面每个供应商的成本
步骤5:计算商家的合适指数
步骤6:选出适应度最大的物料供应商
步骤7:计算找出最优成本商家
步骤8:算法结束,输出最佳结果。
2.根据权利要求1中所述的一种改进的K_MEANS算法对解决制造业物料采购问题,其特征是,以上所述步骤2中的具体实施步骤如下:
步骤2:对供应商数据集进行聚类,用改进的K_Means算法对供应商数据集聚类,把具有相似性较高的供应商聚为一类,具体的为:
(1)确定聚类数量k
(2)选择聚类中心,随机在供应商集合中选择k个供应商作为初始聚类中心,记为
(3)计算相异度,用物料种类数量来刻画两个用供应商集合中供应商与聚类中心的距离来表示相异度,具体计算为:
其中,为供应商i所能提供的物料种类数目, 为中心点供应商c所能提供的物料种类数目
(4)聚类,将每个供应商聚类到与它相异度最小的聚类中心中去
(5)计算聚类平均值,计算每个聚类中所有供应商的物料种类平均值,并将这个平均值作为新的聚类中心
(6)反复执行(3)、(4),直到聚类中心不再进行大范围移动或者聚类次数达到要求为止
(7)输出聚类。
3.根据权利要求1中所述的一种改进的K_MEANS算法对解决制造业物料采购问题,其特征是,以上所述步骤3中的具体实施过程如下:
步骤3:选择最优聚类进行成本考量,最优聚类的选择规则如下:
(1)计算所有类中心到标准采购量的距离,计算公式为:
(2)选择距离最小的聚类作为最优聚类,统计出最优聚类所包含的供应商数量
(3)成本考量。
4.根据权利要求3中所述的一种改进的K_MEANS算法对解决制造业物料采购问题,其中成本考量特征是:
计算最优聚类里面每个供应商的成本
。
5.根据权利要求1中所述的一种改进的K_MEANS算法对解决制造业物料采购问题,其特征是,以上所述步骤5中的具体实施过程如下:
步骤5:计算商家的合适指数
。
6.根据权利要求1中所述的一种改进的K_MEANS算法对解决制造业物料采购问题,其特征是,以上所述步骤6中的具体实施过程如下:
步骤6:选出适应度最大的物料供应商,选择准则如下:
其中Better对应的供应商记为p。
7.根据权利要求1中所述的一种改进的K_MEANS算法对解决制造业物料采购问题,其特征是,以上所述步骤7中的具体实施过程如下:
步骤7:计算找出最优成本商家,计算方法如下:
目标函数:
其中 为第i类物资的采购量,表示第i类物资关于指标j的成本,表示第j个采购指标值,表示第i类物资的采购成本,为最优采购方案的成本,即最优成本
约束条件:
1)采购量约束:采购者和供应商对每一项指标都允许有一个浮动的区间,即:
分别为指标的下限和上限
2)资金约束:每类物资的采购资金需满足:
是k次齐次方程,成本函数反映了采购成本与采购量之间的约束关系,为采购成本
其中最优成本供应商记为q。