一种改进的K_MEANS算法对解决制造业物料采购问题制造技术

一种改进的K_MEANS算法对解决制造业物料采购问题，对供应商数据集进行聚类,选择最优聚类进行成本考量，计算供应商的成本，计算商家的合适指数，计算出最优成本商家，最终输出结果。本发明专利技术首先对数据集进行聚类，再对聚类最优集进行属性相似度的考量，较少了算法的计算量，提高算法搜索效率，另一方面，提高了算法解的实用度；以标准购买物料种类数目作为聚类数量，简单有效，减少了算法的复杂度；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，易于理解，实用性高；选择最优聚类进行成本考量，降低了算法对异常值的敏感程度，同时减小了算法搜寻最优解的范围，同时在最优类内搜寻，得到的解跟理想解会更接近。

An improved K_MEANS algorithm for solving the problem of material purchasing in manufacturing industry

To solve the problem of manufacturing purchasing an improved K_MEANS algorithm to cluster the supplier data sets, cost considerations of choosing the optimal clustering, calculate the cost of supplier and calculate appropriate index to calculate the optimal cost of businesses, businesses, the final output results. The invention firstly used to cluster data set, and then the optimal clustering set attribute similarity considerations, less computational capacity, improve the efficiency of search algorithm, on the other hand, improve the algorithm for solving the practical degree; to buy standard types of material as the number of clustering number, simple and effective, reduce the complexity of the algorithm; with the number of types of material to depict the two set of suppliers and suppliers with the distance from the cluster center to represent the dissimilarity, easy to understand, practical; cost considerations of choosing the optimal clustering algorithm, reduces the sensitivity to outliers, and the range of algorithm search for the optimal solution is reduced, at the same time in the search for optimal within the class. The solution to the ideal solution will be closer to the.

【技术实现步骤摘要】

本专利技术涉及企业管理领域，具体地涉及用算法解决制造业物料采购问题。
技术介绍
随着全球市场一体化以及信息时代的到来，企业采购的比重大大增加。在全球范围内，工业企业的产品构成中，采购的原料以及零部件成本平均水平在60％以上。从世界范围来说，对于一个典型的企业，采购成本(包括原材料，零部件)要占60％。而在中国的工业企业，各种物资的采购成本要占到企业销售成本的70％。显然采购成本是企业管理中的主体和核心部分，采购是企业管理中“最有价值”的部分。另外，根据国家经贸委1999年发布的有关数据，如果国有大中型企业每年降低采购成本2％-3％,可增加效益500多亿远人民币，相当于1997年国有工业人企业实现利润的总和。因此，采购越来越受到人们的关注和重视，对采购的研究也称为当今社会的热点问题之一。然而，研究一种高效的智能优化方法来解决物料采购问题非常有意义。企业采购的主要目标是降低企业成本。K_means算法在大量数据处理中有着非常广泛的应用，它的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。K_means算法有计算时间短、速度快、容易解释等优点。但是对异常值敏感、对一些问题的解不够精确。
技术实现思路
针对现有技术的上述不足，本专利技术要解决的技术问题是提供一种改进的K_MEANS算法对解决制造业物料采购问题。本专利技术的目的是克服现有技术中存在的问题：针对制造业采购问题，K_means算法计算精度不够高，对异常值敏感，制造业物料采购问题存在很多折中问题没有解决。本专利技术为实现上述目的所采用的技术方案是：一种改进的K_MEANS算法对解决制造业物料采购问题。该算法的步骤如下：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Nbest。(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。本专利技术的有益效果是：1、首先对数据集进行聚类，再对聚类最优集进行属性相似度的考量，较少了算法的计算量，提高算法搜索效率，另一方面，提高了算法解的实用度。2、以标准购买物料种类数目作为聚类数量，简单有效，减少了算法的复杂度。3、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，易于理解，实用性高。4、选择最优聚类进行成本考量，降低了算法对异常值的敏感程度，同时减小了算法搜寻最优解的范围，同时在最优类内搜寻，得到的解跟理想解会更接近。5、通过计算最优聚类里面每个供应商的成本，比较，得到最优解。提高的算法解的精确度。6、通过商家的合适指数，利用成本来刻画供应商的合适指数，使最终解更加可靠。附图说明图1为一种改进的K_MEANS算法对解决制造业物料采购问题。图2为供应商聚类算法图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合算法流程图进行详细、具体说明。一、物料采购问题的描述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。设有K类物资X＝{Xi|i＝1，2，...，K本文档来自技高网...

【技术保护点】
一种改进的K_MEANS算法对解决制造业物料采购问题，本专利技术涉及企业管理领域，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。...

【技术特征摘要】
2016.07.26 CN 20161059523971.一种改进的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...

【专利技术属性】
技术研发人员：姜艾佳，
申请(专利权)人：四川用联信息技术有限公司，
类型：发明
国别省市：四川;51