英语原文共 66 页，剩余内容已隐藏，支付完成后下载完整资料
15.多层多产品逆向供应链中的返回项：聚类模型
摘要：在本章中，考虑了逆向多层多产品供应链，以便在收集返回的商品后，通过k均值算法进行聚类。结果用于执行抽样过程，以将商品交付到相关层进行返工和维修操作。
15.1引言
来自数据的知识归纳成为逆向供应链中提高生产力，了解流程并预测和改善未来系统性能的必要条件。因此，尤其是近年来，知识在逆向供应链中得到了极大的关注，以建立竞争优势。随着越来越多的环境问题和严格的环境法律，逆向物流在整个十年中受到越来越多的关注。逆向物流可以定义为从客户不再需要的二手产品到再次在市场上可用的产品的物流活动。
尽管大多数公司意识到退货的总加工成本高于制造总成本，但是发现退货的战略性收集可以导致重复购买，并降低了物料需求和成本波动的风险。实施逆向物流，特别是在产品退货中，不仅可以节省因退回产品而产生的库存搬运成本，运输成本和废物处置成本，还可以提高客户忠诚度和期货销售。从广义上讲，逆向物流是指涉及产品退货，减少来源，保存，回收，替代，再利用，处置，翻新，维修和再制造的分销活动（Stock，1992）。
近年来，由于数据挖掘在任何类型的数据库上工作的灵活性以及令人惊讶的结果，数据挖掘已成为在不同领域从数据库中提取信息的一种非常流行的技术（Shahbaz et al。，2010）。数据挖掘是数据库中发现和揭示以前未知，隐藏，有意义和有用的模式的过程（Fayyad et al。，1996; Baker，2010）。在数据挖掘领域已经开发了许多方法，方法和算法。数据挖掘技术分为表征和区分，分类，聚类分析，关联分析，离群值分析和进化分析（Han and Kamber，2006; Chen et al。，1996）。这些技术简要介绍如下。表征用于概括任何数据集的一般特征。但是，歧视是用于确定不同数据集之间的差异。在购物中心一年中销售率超过25％的产品均基于表征技术。相比之下，将销售率提高到10％的产品与销售率降低到15％的产品进行比较是基于判别技术的（Dincer，2006年）。
分类用于利用训练集中的可用观测类别来确定新观测的类别（Larose，2005年）。根据分类技术将客户分为在三天之内付款的客户和在三天之内付款的客户。分类技术包括决策树，回归分析，人工神经网络，支持向量机，朴素贝叶斯算法，k最近邻算法和遗传算法（Liao和Triantaphyllou，2007）。
聚类分析用于对任何数据集中的相似数据结构进行聚类（Tan等人，2006）。根据群集的声音信号确定乐器的真实组是基于聚类技术（Essid等，2005）。聚类技术包括分层方法，分区方法，基于密度的方法，基于网格的方法和启发式方法。
关联分析发现了观测值之间的关系，并确定了可以一起实现的观测值（Chen和Weng，2009）。先验算法是关联分析中使用的技术之一。许多数据挖掘技术将异常检测为噪声，但是这些异常可能包含有关其他观察结果的更多信息。因此，在分析与可用数据集的数据分布模型不同的观测值的阶段中使用异常值分析（Hea等人，2004）。作为最后一项技术，演化分析的主要目的是揭示数据集中观测值的时变趋势（Tan等人，2009）。
关于逆向物流，已经在各个领域和主题上进行了大量研究，例如再利用，再循环，再制造物流等。DerLaan和Salomon（1997）提出了一种混合制造/再制造系统，该系统具有可维修和可再制造产品的备货点。这将成为我们框架的一部分。金等人（2006年）讨论了逆向物流环境中的再制造系统的概念。他们针对供应计划提出了一个通用框架，并开发了数学模型来优化供应计划功能。该模型确定在再制造设施分包商中加工的产品零件数量以及从外部供应商处购买的零件数量，同时最大程度地节省了总的再制造成本。
在再利用物流模型中，Kroon和Vrijens（1995）报告了一个有关可重复使用的运输包装物流系统设计的案例研究。作者提出了一种MIP（混合整数编程），它与经典的无容量仓库位置模型密切相关。在回收模型中，Barros等人（1998年）提出了一个混合整数规划模型，该模型考虑了基于多层容量仓库位置问题的具有容量限制的两级位置问题。 Krikke等人（1999年）开发了一个混合整数程序，以确定废旧汽车回收和处置的切碎和熔化设备的位置，同时确定反向物流网络中的产品流量。
Listes（2007）提出了一种通用的随机模型，用于设计包含闭环系统的供应和返回通道的网络。作者介绍了一种基于称为“整数L形”方法的分支剪切过程的模型分解方法。Salema等人（2007）研究了逆向分销网络的设计，发现关于该主题的大多数提议模型都是基于案例的，因此，它们缺乏通用性。该模型考虑了通用逆向物流网络的设计，其中考虑了容量限制，多产品管理以及产品需求和退货的不确定性。开发了混合整数公式。这种配方允许使用任何数量的产品，为每个产品建立网络，同时以最低的成本保证每个设施的总容量。但是没有考虑库存。
文献提出了一些研究，以研究数据挖掘技术的实现。Gibbons等人（2000年）描述了一种计算机组件制造方案，该方案集中于数据挖掘技术的应用，以改善制造方案中的信息管理和流程改进。Huang和Wu（2005）使用数据挖掘技术制定了质量改进策略，对超精密制造业的产品质量改进进行了分析。
Harding等人（2006）回顾了数据挖掘在制造工程中的应用，特别是生产过程，操作，故障检测，维护，决策支持和产品质量改进。Liu（2007）开发了一种用于设计常规蜂窝制造系统的数据挖掘算法。 Hsu（2009）开发了一种基于两阶段聚类方法的数据挖掘框架，可为标准尺寸图表生成有用的模式和规则。结果可以为高科技服装行业提供工业标准。在服装行业进行了一项实证研究，以支持他们的生产决策，以满足各种客户的需求进行生产管理和营销。这项研究提出了反向供应链问题中的数据挖掘技术。
15.2问题定义
研究中的逆向供应链是多层，多产品的。在设计（计划）模型中，退回的产品经过收集和检查后，分为拆解和不拆解的两组产品。可以拆分为零件的产品将被发送到拆解中心，然后在那里将其转换为零件。在这里，它们分为可重用和不可重用的部分。不可重复使用的零件将安全地抵制，并将可重复使用的零件发送到处理中心。在再制造过程中，根据生产中心的需求，将在加工中心之后可以再次使用的零件发送到再制造中心，并与其他零件混合之后，将其转换为新产品并可以返回分销链。在回收过程中，根据回收中心的要求，将拆卸后的零件（可以再次回收）立即送到回收中心，以生产辅助材料。
在这项研究中，目标是通过数据挖掘对退回的物品进行聚类并将它们连接到逆向供应链的各个层。数据挖掘正在从输入站的可用输入中识别出准确，新颖，有用，可感知的样本，而使用常规过程无法获得这些样本。
在这项研究中，大部分退回的物品都是家庭垃圾。在收集了垃圾以考虑效率后将其带回到供应链之后，我们需要许多专家以及时间和成本类别。在这项研究中，为了简化流程并减少人力，我们将分两个阶段对退回的物品进行分类。通过使用这种方法，我们可以更细致地检查任何种类的退货，直到其效率和进一步使用得到认可为止。
在第一阶段，我们通过对象的性质差异将它们分离； 然后，在第二阶段，通过关注对象的质量，我们可以将其放在正确的部分，然后将其带回反向供应链的适当层。在这项研究中，我们研究了四种在回收和再制造类别中使用最多的退货产品：（1）塑料，（2）玻璃，（3）纸，（4）金属。
15.3退货项目的聚类模型
可以使用称为k-means的数据挖掘算法对第一阶段中返回的产品进行聚类。该算法通过具有聚类数量，对输入进行分类，最后指定中心，根据这些中心将对聚类进行分类。要执行此算法，我们需要在输入中指定模型或比例，在任何退货产品中，比例的数量应不同。通过进行的研究表明，实施该算法的合适标准是任何种类的产品对X射线闪光的吸引系数。为了确定该算法的输入，我们应该将所有受控制的退货产品针对X射线闪光，并通过配备有吸引量计算系统的机器来处理任何退货产品，我们可以确定任何产品的吸引力系数。我们将这些吸引系数作为输入的k-means算法输入，通过指定k-聚类，我们将执行该算法的第一个聚类，如图15.1所示。
对于第二阶段聚类，我们需要熟练地控制和检测不同种类的聚类产品，以确定每种产品所属的类别，如下所述：
bull;这项准确而熟练的调查是由专家进行的。
bull;如果客户退回的产品是可重复使用的或无可挑剔的，或者已根据其损坏进行了维修，则可以将其重新放置在分发系统中。
bull;如果产品需要翻新并添加新东西，则将转移到产品组装阶段；如果零件有问题，则将更换并重新制造零件。
bull;如果零件存在任何问题，将执行切屑清除；
bull;如果无法维修，则该零件将作为辅助材料发送到链条的第一阶段，但是，
bull;如果无法将其用作辅助材料，公司必须将其视为废料（图15.2）
在聚类的这一阶段，为避免浪费时间和成本，建议的抽样方法可以通过操作员使用，也可以从与特定种类有关的任何特定货盘中使用。熟练的操作员会根据特殊种类进行抽样。根据这些样本，操作员最终将确定应按哪种百分比返回到值得注意的层。我们介绍以下可能性：
alpha;：可退回产品将被转交给供应商链的可能百分比。
beta;：可退还产品将被称为制造商层的可能百分比
lambda;：可退还产品将被称为分发者层的可能百分比
gamma;：可退还产品将被销毁的可能百分比。
因此，根据建议的方法聚类，我们将在图15.3中进行聚类。在收集客户退回产品的过程中，将它们自然地聚类到供应商，制造商，分销商或销毁场所中的任何一个之后，可能会对零件或相关子零件中的退货进行不同的操作，因此我们可以指出一个这些操作中的一部分，例如重复，或者将一部分供应链中的产品作为废物输出。我们可以在图15.4中看到逆向供应链流程中的某些操作。
15.4应用研究
例如，我们用能量光子1将X射线辐射到退回的产品集合，并使用现有产品通过该辐射度的吸引量计算器配备的机器确定所有产品的吸引系数。我们使用这些吸引系数作为输入，并注意控制下的种类（塑料，玻璃，纸张，金属），将确定簇的数量，如下所示：
K = 4 i = 1 2 3 4
通过MATLAB软件执行此算法，将对输入进行聚类，并确定四个聚类。 该量示于表15.1。根据进行的研究和图15.5至15.8所示的图表，在一般标准状态下，对于不同种类的X射线存在明显的吸引力。
通过检查给定的图，不同物质对x射线的一个能量光子的吸引系数如下：
0.03027 =塑料的吸引力系数
0.03468 =玻璃的吸引力系数
0.03074 =纸张的吸引力系数
0.03093 =金属的吸引力系数
通过假设通过执行k均值算法获得的聚类中心等于从标记图获得的最近吸引点，我们可以对第一阶段进行聚类，如下所示：
C1〜0.03074
C2〜0.03093
C3〜0.03027
C4〜0.03468
因此，第1组显示纸屑，第2组显示金属屑，第3组显示塑料屑，第4组显示玻璃屑。
在集群的第二阶段，我们分别使用任何种类的专家。这些操作员通过对特定物料托盘有足够的了解并对其进行抽样，将确定应将受控制的退回产品退还给供应商（alpha;），制造商（beta;），分销地点（gamma;）之一，或应以何种概率退还给谁。完全破坏（lambda;）。为了确定概率百分比，首先我们应该找到将被发送到任何这些站点的退回产品的数量。因此，我们使用STRATA方法。
例如，作为玻璃原料专家的操作员将从具有224种原料的回收玻璃产品专用托盘中取样，并确定应将45个样本中的22个退回供应商地点，并将45个样本中的17个退回再制造地点，45个样本中有6个到达分发站点。在此样本中，我们看不到任何破坏性产品。因此，通过STARTA方法，我们可以找到未知量（进入每个站点的返回玻璃产品的数量），并最终计算出概率alpha;，beta;，gamma;和lambda;。
由于没有可破坏的乘积，概率lambda;将为零。在一个截然不同的操作过程中，从收集产品到将产品发送到逆向供应链，并通过关注概率，与这些地点相关的每个部分和子部分中都存在重复和浪费，现在通过数值解可以表明多少退回的产品将再次退回到供应链。在图15.9中，我们检查了返回玻璃产品的此方法。
专家根据经验和背景首先考虑以下假设：从退回产品中将其发送到制造地点，其中0.3％将被发送到翻新子部分，其中0.5％将被发送到再制造子部分， 其中0.2个将发送到切屑去除子部件。
现在，我们可以在图表上检查执行阶段的每个部分的计算，以确定所有返回的玻璃产品中的回收产品数量。通过在反向供应链中假设不同的阶段并进行计算，我们发现我们可以回收224种退货玻璃产品中的173种，并在供应链中再次使用它。
15.5总结
本章考虑了一个包括多个层次和多个产品的逆向供应链。收集返回的商品后，将废物分类，以将物料关联到相应的层。为了优化聚类并减少检查，通过X射线处理材料多样化。K均值已应用于归还商品的分类。给出返工活动的概率，并确定每一层中获得的回收产品，然后确定返工产品的总数。经济分析强调了该方法的有效性。
16.可持续的逆向供应链：客户需求实现模式
摘要：在本章中，我们将考虑客户的需求来研究逆向供应链。 提出了包括供应商，生产商和客户在内的供应链。 在客户层，我们分析客户的数据以识别并满足他们的需求。 针对每个类别开发数学模型。
16.1引言
逆向物流网络是供应链的一部分，可以定义为“尚未通过供应链（SC）准确及时地将使用过的物料和货物传输到货物的最后一个单位的最终消费者。”换句话说，逆向物流是在供应链中运输和运输商品和产品以进行退货的过程。产品退货，库存和运输的逆向物流
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239342]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
