[發明專利]一種基于非監督學習和多屬性決策的分區間供應商選擇方法

在審

• 申請號: 201910252938.5
• 申請日: 2019-03-29
• 公開（公告）號: CN110084483A
• 公開（公告）日: 2019-08-02
• 發明（設計）人: 李中華;林柏濤
• 申請（專利權）人: 中山大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/08;G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種基于非監督學習和多屬性決策的分區間供應商選擇方法，其特征在于，包括以下步驟：

步驟S1：選取供應商評價指標，結合供應商評價指標獲取潛在供應商的評價數據；

步驟S2：對潛在供應商數據集S進行預處理；

步驟S3：根據行業背景和企業的實際經營情況，設定一個規模閾值X，通過比較X與潛在供應商數據集S的規模大小|S|來判斷S的區間屬性，即若|S|>X，則潛在供應商數據集S屬于大樣本區間；若|S|<X，則潛在供應商數據集S屬于小樣本區間。若潛在供應商數據集S屬于大樣本區間，則執行步驟S4；若潛在供應商數據集S屬于小樣本區間，則執行步驟S6；

步驟S4：采用非監督學習方法對潛在供應商數據集S進行聚類分析，獲得聚類結果；

步驟S5：根據聚類結果得到的不同供應商類，采用多屬性決策方法對供應商類進行排序并篩選，重復該步驟直至潛在供應商數據集S減少到小樣本區間；

步驟S6：采用多屬性決策方法對潛在供應商進行最終排序，選擇出預期數量的合作供應商。

2.根據權利要求1所述的一種基于非監督學習和多屬性決策的分區間供應商選擇方法，其特征在于，步驟S1中的供應商評價指標包括有產品質量、產品價格、交貨期、歷史績效、售后服務、管理組織、技術能力。

3.根據權利要求1所述的一種基于非監督學習和多屬性決策的分區間供應商選擇方法，其特征在于，步驟S4進行聚類分析的具體步驟如下：

對潛在供應商數據集S進行Min-Max標準化處理；根據企業的采購需求確認聚類的屬性以及屬性的權重；確認聚類簇數K值。當完成聚類參數設置后，運行K-means聚類算法，將潛在供應商數據集S聚類成K類。

4.根據權利要求3所述的一種基于非監督學習和多屬性決策的分區間供應商選擇方法，其特征在于，K-means聚類算法的具體步驟如下：

步驟401：在數據準備階段，先對潛在供應商數據集S進行Min-Max標準化處理，然后根據企業采購需求確定潛在供應商數據集中的聚類屬性，以及不同屬性的權重值；

步驟402：確認聚類簇數K值，K的取值與企業決策者所期望的供應商類等級粒度有關，且與預期選出的合作供應商數量num_exp滿足關系：K>num_exp。再從潛在供應商數據集S中隨機選擇K個對象，將其作為K個聚類簇的中心值，并放入到對應的聚類簇中；

步驟403：計算當前潛在供應商數據集S中其他所有對象與各個聚類簇中心值之間的歐式距離，把每個對象分配給距離它最近的聚類中心，形成K個聚類簇；

步驟404：計算K個聚類簇的所有聚類數據的平均值，并將該平均值作為該聚類簇的新的中心值；

步驟405：判斷當前中心值與上一次計算的中心值之間的差距是否不再變化；如果是，則計算結束；如果不是，則跳至步驟403。

5.根據權利要求4所述的一種基于非監督學習和多屬性決策的分區間供應商選擇方法，其特征在于，步驟S5中對供應商類進行排序并篩選的具體步驟如下：

從各個供應商類中選取聚類中心值作為該供應商類的代表數據，并依據所選取的供應商評價指標進行多屬性決策評價，其中評價指標權重采用基于AHP法和熵權法的組合賦權法來計算，從而得到不同等級的供應商類；此時，選出排名為前num_exp的供應商類，剔除排名為num_exp+1～K的供應商類，從而減少大樣本潛在供應商數據集的規模。

6.根據權利要求1所述的一種基于非監督學習和多屬性決策的分區間供應商選擇方法，其特征在于，步驟S5采用MULTIMOORA多屬性決策方法對供應商類進行排序和篩選，步驟S6采用MULTIMOORA多屬性決策方法對供應商個體進行排序和篩選。