收稿日期：!""! # $" # !%
作者简介：吴忠（$%&’ #），上海工程技术大学副教授，博士生，研究方向：信息安全管理。
基金项目：国家社会科学基金（"!()*""&）、上海市教委青年基金（"$+,%!）资助课题。
文章编号：$""$ # $-’.（!""/）!" # ""!" # "/
012 3 412 # 55系统动态提前期的研究
吴 忠$，李 明!
（$6 上海工程技术大学 管理学院，上海 !"""/&；!6 同济大学 经管学院，上海 !"""""）
摘要：在 012 3412 # 55系统中，提前期是一个与交货期、库存计划、能力平衡计划等等参数和过程有着密
切关系的变量。可以说，提前期在 012 3412 # 55系统中具有核心地位。因此提前期的确定也就显得非常
重要。从决定提前期的相关因素入手，利用神经网络模型，确定出能够根据生产条件和环境而改变的动态
提前期。
关键词：012 3412 # 55；动态提前期；神经网络模型
中图分类号：7!8"68 文献标识码：9
!" #$%&’() *+&,(%- .(’+ (% /01 2301 # 44 5$67+’
:; <=>?@ ，A5 4B?@
（$6 C=D?@=DB ;?BEFGHBIJ >K 0?@B?FFGB?@ CLBF?LF，4D?D@FMF?I N>OOF@F C=D?@=DB !"""/&，N=B?D；
!6P>?@QB ;?BEFGHBIJ C=D?@=DB !"""""，N=B?D）
8967:&)7：5? 012 3412 # 55 HJHIFM，RJ?DMBL OFDRB?@ IBMF BH D EDGBDSOF LO>HFOJ GFODIFR I> RFOBEFGJ IBMF，B?EF?I>GJ TOD?
D?R LDTDLBIJ SDOD?LF TOD?，FIL 6 P=DI BH I> HDJ，I=F RJ?DMBL OFDR IBMF BH I=F L>GF B? 012 3412 # 55 HJHIFM6 P=F TDTFG
HU@@FHIH I=DI H>MF GFOFED?I KDLI>GH LD? SF UHFR >? I=F SDHBH >K ?FUGDO ?FIV>GW M>RFO I> RFKB?F I=F RJ?DMBL OFDRB?@ IBMF
（DH I=F L>GF B? 012 3412 # 55 HJHIFM）V=BL= MDJ EDGJ DLL>GRB?@ I> LFGIDB? TG>RULIB>? L>?RBIB>?H D?R F?EBG>?MF?I 6
;+$ <=:,6：012 3412 # 55；RJ?DMBL OFDRB?@ IBMF；?FUGDO ?FIV>GW M>RFO
一、目前 012 3412 # 55系统中提前期确定方法的
弊端
在 012 3 412 # 55系统中，计划提前期主要由物料清
单 (X4中的提前期反推出来。但物料清单 (X4中的提
前期是由什么来确定的呢？在 012 3 412 # 55系统的有关
理论基本没有提到。有很多资料介绍，在 012 3 412 # 55
系统中，由于现代机械制造车间里，等待加工的时间一般
占用总时间的 ’"Y，等待加工时间与任务的相对优先级
别有关。优先级别高，等待的时间大大缩短，因而等待加
工时间是十分灵活的计划。012 3 412 # 55中的提前期仅
仅是用来确定任务下达，没有别的用途，所以提前期的
“精度”是没有意义的。甚至提出了以下经验公式：
!" Z !!# [ &
!"：提前期的工作日
#：为工序数
笔者认为，这种看法是不全面的，提前期是用来确定
任务下达时间，但更重要的是它还关系到项目的按期完
成，如果没有一个准确的提前期就不可能有准确的交货
期；提前期还关系到原材料库存和制品库存的数量，如果
没有一个准确的提前期，就不可能有一个准确的原材料
和在制品计划，也不可能准确地控制原材料、在制品和成
品的库存；提前期还关系到 012 3 412 # 55系统实施的后
续步骤，特别是能力需求计划 N12的进行，如果提前期不
准确，后面的能力需求计划也不可能是准确的。另外，在
一般的 012 3 412 # 55系统理论中，认为提前期是与批量
无关的，这显然与现实不符。012 3 412 # 55系统解决这一
矛盾的方法是在开始假定工作中心的能力是无限的，留
到后面能力需求计划时再去平衡，这样一方面加大了能
力需求计划的计算量；另一方面也引起工作中心负荷的
错误平衡，也就是说本来可以通过精细控制时间来完成
的任务，却不得不通过调整负荷或调整能力来解决问题，
这样做无形中增加了很多生产和计划成本。012 3 412 #
55计划的经常变动，有人称之为“神经质颤动”，而造成
012 3412 # 55在计划中失去权威的很大一部分原因是因
为提前期的不准确，随意性太大，与现实脱离太多。
二、神经网络概念及特征
神经网络是生理学上的真实人脑神经网络的结构和
功能，以及若干基本特性的某种理论抽象、简化和模拟而
构成的一种信息处理系统。从系统观点看，神经网络是
由大量神经元通过极其丰富和完善的联接而构成的自适
用非线性动态系统。由于神经元之间有着不同的连接方
式，所以组成不同结构形态的神经网络系统是有可能的。
由大量神经元相互连接组成神经元网络显示出人脑的某
些特征。
!""/ 3 !" 总第 !’"期 商业研究 $%&&’($)*! (’+’*($,
万方数据
!" 分布存储和容错性。
#" 自学习、自组织和自适用性学习和适应。
$" 动态、非线性。
%" 神经网络可以处理一些环境信息十分复杂、知识
背景不太清楚和推理规则不明确的问题。
由于在一些具有复杂非线性和不确定性对象的控制
过程中，信源提供的模式丰富多彩，因而在相互间关系复
杂、而判定决策又无条理可循的条件下，可以通过神经网
络学习，从典型事例中找到具体事例处理方法，得到比较
满意的解答。
三、提前期神经网络模型的建立
（一）模型选择依据
提前期是一个取决于人、机、产品、服务等许多因素
的变量，而这些因素相互作用复杂，作用机制不明确，甚
至每个部件在每个工作中心涉及到的决定都不同，但我
们并不需要知道影响提前期的每一个因素，也不需要弄
清楚决定提前期的作用机理。我们只需要做到当与生产
和管理相关的可控变量发生变化时，可以根据相应的变
化对提前期进行调整，从而可以更有效地进行计划和控
制活动。而神经网络由于其自学习、自组织和自适应的
特性，所以对于处理一些环境信息复杂，知识背景不清楚
和推理机制不明确的非结构化问题非常有效。
本文利用神经网络确定提前期的基本思想是：找出
每个工作中心及每个部件在生产的计划和管理中影响提
前期的因素，作为神经网络的输入节点。利用企业以前
的生产数据，或者先进企业在相似环境下的数据，甚至可
以是产品试制阶段的数据作为导入信号，训练神经网络。
网络经过学习训练后，根据相似输入产生相似输出的推
理联想功能，作为以后当生产条件发生变化时，制定提前
期的依据。理论研究已经表明，神经网络可以在任意精
度逼近任意非线性函数，因此神经网络可以在实践中通
过不断学习训练、不断地调整自身结构连接，从而使得确
定的提前期更为有效。
（二）神经网络模型结构
本文在规划方案优化系统中，采用 &’（()*+ ,-.,)/)0
，误差反传）算法，具有一个输入层、一个隐含层和一个
输出层的三层神经网络结构，其模型如图 !所示。图 !中
隐含单元和输入单元之间、输出单元与隐含单元之间通
过相应的传递强度逐个相互联结，用以模拟神经细胞间
的相互联结。
（三）学习算法描述
&’算法的主要思想是把学习过程分为两个阶段：第
一阶段（正向传播过程），给出输入信息通过输入层经隐
含层处理并计算每个单元的实际输出值；第二阶段（反传
过程），若输出层未能得到期望的输出值，则逐层递归的
计算实际输出与期望输出的差值即误差，以便根据此差
值调节各层神经元之间联系的权值。具体些说，就是对
每一个权重计算出接收单元的误差值与发送单元的激活
值的积，这个积和误差对权重的（负）微商成正比（又叫梯
度下降法），称为权重误差微商。权重的实际改变可由误
差微商一个模式一个模式地计算出来，然后可以在这组
模式集上进行累加。&’算法推导过程如下：
设网络的输入学习样本为 ! 个，输入向量为 "#（ # 4
!，#，⋯⋯，$），期望输出为 %&（ & 4 !，#，⋯⋯，’），输入层至
隐含层连接权重 (#)（ # 4 !，#，⋯⋯，$；) 4 !，#，⋯⋯，*），
隐含层至输出层连接权为 +)&（ ) 4 !，#，⋯⋯，*；& 4 !，#，
⋯⋯，’），隐含层神经元的阀值!)（ ) 4 !，#，⋯⋯，*），输出
层神经元的阀值为 ,&（& 4 !，#，⋯⋯，’）。
!" 给定初始值，即赋给各连接权和阀值任一随机小
值。
#" 将一个样本输入网络。
$" 计算隐含层神经元输出 -) 和输出层神经元输出
.&：
-) 4 /（!
$
# 4 !
(#)"# 5!)）
.& 4 /（!
*
# 4 !
+)&-) 5 ,&）
/（ "）为激活函数。
%" 计算输出层神经元误差"& 和隐含层神经元误差
0)：
"& 4（ %& 5 .&）.&（! 5 .&）
0) 4 -)（! 5 -)）!
’
& 4 !
"&+)&
6" 调整连接权和阀值：
(#) 4 (#) 7#0)"#
+#& 4 +#& 7#"&-#
!) 4!) 7$0)
,& 4 ,& 7$"&
8" 输入下一个学习样本，返回 $，直至全部学习样本
训练完毕，并计算误差和 1：
1 4!
2
!
’
（ %2’ 5 .2’）# 3 #2
若误差和 1小于设定的某一精度%，则学习结束，否
则重新将学习样本再次学习，直至 1 9%。
（四）实例分析
在神经网络结构中，参数的选择十分重要。输入层
和隐含层个数的增多会增加神经网络的表达能力，但个
数的增多同时会影响网络的收敛速度并加大噪声干扰。
为了使模型既具有理论价值，又具有现实可操作性，因此
应选择典型具有代表性的指标。本文通过分析生产计划
过程中影响 :;’ < =;’ 5 >>系统提前期的可控因素，结合
某企业的具体情况，从人、机、物和服务几个方面选取了
!?个指标构成输入层。由于目前隐含层的个数确定尚无
一般性的理论指导，为了兼顾网络的学习能力和收敛速
度，选取隐含层的个数为 !6。其输出层只有一个指标，即
某部件在某工作中心的提前期。激活函数选取 @2/函
数，/（ "）4 ! 3（! 7 4"2（ 5 "）），其函数图象如图 #所示：
·!#·总第 #C?期 吴 忠：:;’ < =;’ 5 >>系统动态提前期的研究
万方数据
从图 !中可以看到，该函数可是同一网络既能处理小信
号也能处理大信号。因为该函数的中间高增益区解决了
处理小信号问题，而在伸向两边的低增益区正好适合于
处理大的激励信号。由于在 "#$ % &#$ ’ ((系统中，各个
部件在各个工作中心的情况又很大差别；输入层中，各个
因素值的范围也有很大的不同，因此选取 )*+,-*.函数作
为激活函数，以便于处理数据变化较大的情况。
输入层中各因素意义的说明：
!/某工作中心的工人人数（单位：人）。
!!某工作中心的工人平均效率（单位：件 "每天）。
!0某工作中心的工人的平均技术水平。
!1某工作中心的加工设备的设备数（单位：台）。
!2某工作中心设备的完好度。
!3某工作中心设备的加工精度（由光洁度、公差要求
等确定）。
!4某工作中心设备的平均效率（单位：件 "台·天）。
!5某部件交货期长度（从计划日期到交货期之间的
工作日）（单位：天）。
!6某部件订货数量（单位：件）。
!/7某部件质量要求（合格率或优秀率）。
在实例中，根据图 0的计算流程（在 # 8 8环境下）应
用了八组数据作为训练样本，两组数据作为检验样本。
其训练输入数据和期望值如表 /，检验数据和结果如表 !。
表 / 神经网络模型训练的输入值及期望值
$% !/ !! !0 !1 !2 !3 !4 !5 !6 !/7
提前期
（天）
/ 0 65 1 &2 0 7 &62 5 //7 /2 077 7 &62 2
! 0 /7! 1 &2 0 7 &63 6 //! /3 077 7 &63 2
0 0 /72 1 &2 0 7 &62 5 /72 /5 177 7 &62 3
1 0 66 1 &2 0 7 &60 /7 /75 /3 !77 / &7 1
2 1 60 1 &5 1 7 &63 /7 //2 /0 !77 7 &6! 0
3 1 62 1 &5 1 7 &63 6 //7 /5 277 7 &62 5
4 1 6! 1 &5 1 7 &61 // /76 /4 127 7 &65 4
5 1 61 1 &5 1 7 &62 6 //! /2 177 7 &66 3
表 ! 神经网络模型检验结果
$% 实际提前期 神经网络模型计算值 相对误差（’）
/ 4 4 &5 // &1!
! 6 5 &5 ! &!
（五）结果分析
从最后的检验结果可以看出，应用神经网络模型可
以有效地模拟和确定提前期。当在生产和管理中影响提
前期的可控因素发生变化时，可以输入变化后的数据，利
用经过训练后的神经网络模型来确定变化后的提前期，
从而使得提前期的确定有一定的理论依据，也更加接近
于提前期的现实值，更有利于控制交货期、库存和采购计
划等。同时，由于神经网络是一个动态系统，可以在系统
中不断地通过学习修正自我，使得 "#$ % &#$ ’ ((系统中
提前期确定，不但可以根据其影响因素的变化而不断调
整，还可以在实施过程中通过不断的学习训练而不断完
善自我结构和连接，更加精确地确定提前期，使提前期更
为准确有效。
参考文献：
〔/〕 将贵善，王东华，今明楠 9生产与运作管理〔&〕9大
连：大连理工大学出版社，/6659
〔!〕 宋 华，胡左浩 9现代物流与供应链管理〔&〕9北京：
经济管理出版社，!7779
〔0〕 任守榘 9现代制造系统分析与设计〔&〕9北京：科学
出版社，/6669
〔1〕 孟宪华 9&#$ ’ ((应用现状及 ("的推广应用〔:〕9管
理信息系统，/666，（5）9
〔2〕 袁曾任 9人工神经网络及其应用〔&〕9北京：清华大
学出版社，/6669
〔3〕 #*;<=>. ?9 @<=AB，C*;<-D=A :9 EFG*D=H-9 $>;I*-H =H.
JKB>=I*-HA &=H=+B,BHI：&=HGL=;IG>*H+ =H. )B>M*;BA〔&〕9
北京：机械工业出版社，/6659
〔4〕 ( $ N9 EH ->.B>A >BDB=AB >BLB>BH;B , =A = D*HO PB ’
IQBBH K>;I*-H ,=H=+B,BHI =H. A<-K LD--> ;-HI>-D A-LIR
Q=>B〔:〕9 @-,KGIB> *H (>S，/664，（0）9
（责任编辑：张淑莲）
·!!· 商业研究 !770 % !7
万方数据
