基于SCSO-SVM的行业供应链风险检测优化方法_王宏刚.pdf

智能设计检测2023 年 2 月第 50 卷第 2 期doi:10.3969/j.issn.1001-5922.2023.02.045Vol.50 No.02，Feb.2023收稿日期:2022-10-21;修回日期:2023-02-08作者简介:王宏刚(1975-)，男，硕士，高级工程师，主要从事大数据技术分析及数据应用等研究;E-mail:wh09g tom com。引文格式:王宏刚，王一蓉，于宙，等 基于 SCSO SVM 的行业供应链风险检测优化方法 J 粘接，2023，50(2):193-196基于 SCSO SVM 的行业供应链风险检测优化方法王宏刚，王一蓉，于宙，李君婷，孙妮(国家电网有限公司大数据中心，北京100032)摘要:为实现供应链风险等级的高精度检测，基于 SVM 的参数设置对 SVM 的性能的影响，提出一种基于沙丘猫群算法(SCSO)优化 SVM 的供应链风险等级检测方法。首先，通过层次分析法建立供应链风险等级评价指标体系;之后，由于 SVM 的参数设置会影响到 SVM 的性能，利用 SCSO 算法对 SVM 的参数进行了优化，并给出了一种新的基于 SCSO SVM 的供应链风险识别算法。与单独的 SVM 模型相比，SCSO SVM 的供应链风险检测的准确率分别提高了 3 06、7 04 个百分点，从而说明 SCSO SVM 可以有效提高供应链风险检测的精度。关键词:支持向量机;沙丘猫群算法;供应链;风险等级中图分类号:TP391;TQ083文献标志码:A文章编号:1001-5922(2023)02-0193-04Detection optimization of supply chain risklevel based on SCSO SVMWANG Honggang，WANG Yirong，YU Zhou，LI Junting，SUN Ni(Big Data Center，State Grid Corporation of China，Beijing 100032，China)Abstract:In order to realize the high-precision detection of supply chain risk level，based on the influence of SVMparameter setting on the performance of SVM，a supply chain risk level detection method based on SVMoptimized bysand cat swarm optimization(SCSO)is proposed Firstly，the evaluation index system of supply chain risk grade isestablished by analytic hierarchy process;Then，because the parameter setting of SVM will affect the performance ofSVM，SCSO algorithm is used to optimize the parameters of SVM，and a new supply chain risk identification algo-rithm based on SCSO SVM is given Compared with the single SVM model，the accuracy of supply chain risk de-tection of SCSO SVM is improved by 3 06%and 7 04%respectively，which shows that SCSO SVM can effec-tively improve the accuracy of supply chain risk detectionKey words:support vector machine;sand cat swarm optimization algorithm;supply chain;risk level随着经济全球化和化工、电力等企业的快速发展，供应链的风险事故不断，例如邮轮泄露事故、口蹄疫、战争、氯气泄露事件等，使得企业所面临的经营环境发生了本质化的改变，给供应链造成了巨大的冲击，包括许多化工企业因供应链的瓦解而破产倒闭。此类事故不但给化工供应链上下游企业带来重大损失，同时也给周围环境和生命安全带来不可估量的损失1。因此，对供应链风险进行检测评估，对保证供应链安全和促进供应链的绿色可持续发展具有重要意义。此外对提高化工行业竞争力和保护社会环境和生命财产安全具有非常重要的实际意义。随着互联网时代和大数据时代的到来，供应391智能设计检测链体系发生了一系列的深刻变化，随着供应链一体化程度的提高，化工、电力等企业面临诸如商品风险、网络安全漏洞或自然灾害等系统性风险的可能性也越来越大 2-3。因此，研究大数据环境下的企业供应链风险检测具有非常重要的理论意义和实际价值。为实现供应链风险的快速和高精度的检测，本文在风险管理实践的基础上，提出基于大数据技术的供应链风险检测方法。首先，通过层次分析法建立供应链风险等级评价指标体系;之后，支持向量机的参数设置对其性能的影响，运用沙丘猫群算法 4(SCSO)优化 SVM 模型参数，提出一种基于 SCSO SVM 的供应链风险检测方法。1供应链风险特征评价指标为实现供应链风险检测，建立供应链风险特征指标是前提条件。本文在现有的采购风险管理模式分析中，结合相关文献的采购实践活动5-6，提出一种基于外部风险(环境风险、竞争风险)、外部风险(道德风险、财务风险和交付风险)和管理风险(内部管控风险)的供应链风险特征评价指标。环境风险:供应商是否被政治、经济或者政策影响。竞争风险:供应商面临新领域、新技术、新产品、新的商业模式的竞争性如何。道德风险:供应商是否诚信、是否遵守法律法规并承担社会责任的企业。财务风险:供应商会因为遇到财务困难或者危机而导致产品和服务无法交付。交付风险:供应商是否能够基于友好的合作按时交付质量过关的产品和服务。内部管控风险:是否有完善的、有效的内部管理机制和系统。2沙丘猫群算法SCSO 算法是模拟沙丘猫生存行为而提出的仿生算法，主要模拟了沙丘猫的搜寻猎物行为和攻击猎物行为4。2 1初始化种群假设沙丘猫的种群规模为 N，所要优化问题的维数为 d，搜索空间上下限分别为 ub=ub1，ub2，ubdT和 lb=lb1，lb2，lbdT，SCSO 算法按照式(1)进行种群随机初始化。然后，就目标函数对每一只沙丘猫进行适应度评估，选择出最优的沙丘猫个体，其他的个体向该个体移动。XN d=rand(N，d)(ub lb)+lb(1)式中:XN d为沙丘猫位置矩阵;rand(N，d)为 N d维的随机向量。2 2搜寻猎物(探索)每只沙丘猫的解为 Xi=(xi1，xi2，xi3，xid)，其会根据最优解 Pb、当前位置 Pc以及灵敏度范围 r更新自己的位置。P(t+1)=r(Pb(t)rand(0，1)Pc(t)(2)r=rG rand(0，1)(3)R=2 rG rand(0，1)rG(4)rG=SM(2 SM tcTmax+Tmax)(5)式中:tc为当前迭代次数;Tmax为最大迭代次数;R为引导参数;rG为常规的灵敏度范围。2 3攻击猎物(利用)为了表达 SCSO 的攻击阶段，最优解 Pb和当前位置 Pc的距离可根据式(6)计算可得到。Pr=rand(0，1)Pb(t)Pc(t)P(t+1)=Pb(t)rPrcos()(6)式中:Pr为随机位置;为随机角度。2 4探索和利用通过自适应调整 rG和 r可以实现搜寻猎物(探索)和攻击猎物(利用)2 个阶段的自由切换，切换方式如式(7)所示:X(t+1)=r Pb(t)rand(0，1)Pc(t)，R 1Pb(t)rPrcos()，R 1(7)式中:当 R 1 时，强制搜索代理进行攻击猎物(利用);当 R 1 时，强制搜索代理进行搜索猎物(探索)。3基于 SCSO SVM 的供应链风险检测3 1SVM 模型SVM 数学模型为7:min12w2+Cmi=1(i+i)s tf(xi)yi+iyi f(xi)+ii0，0，i=1，2，m(8)拉格朗日乘子代入公式(8)可以求解出 SVM分类数学模型为:f(x，i，i)=sgn mi=1(i i)K(xi，xj)+b(9)式中:K(xi，xj)为 RBF 核函数。K(xi，xj)=expxi xj22g()2(10)491智能设计检测3 2SCSO SVM 的供应链风险检测SVM 模型参数直接影响模型的性能。惩罚参数 C 数值越大，SVM 模型容易过拟合;反之，SVM 模型容易欠拟合。核函数参数 g 数值越小，SVM 模型泛化性能越好;反之，泛化性能越差。为提高供应链风险检测的精度，运用 SCSO 算法优化选择 SVM 模型参数，提出一种基于 SCSO SVM 的供应链风险检测模型。首先，将供应链的风险探测资料分为培训与检验;在此基础上，应用 SCSO 算法进行训练。SVM 模型的参数组合(C，g)建立基于 SCSO SVM的供应链风险检测模型;最后，将最佳参数组合(C，g)代入 SVM 模型进行供应链风险检测测试。基于 SCSO SVM 模型的供应链风险检测模型算法步骤描述如下:Step1:读取供应链风险检测数据，归一化处理，并划分训练数据和测试数据:xnew=LB+x xminxmax xmin(UB LB)(11)式中:xmax、xmin分别为数据特征的最大值与最小值;LB、UB 分别为归一化处理后数据特征的最小值与最大值，取 LB=1，UB=1;x、xnew分别为原始特征数据与归一化处理之后的特征数据。Step2:设定 SCSO 算法参数，最大迭代次数Tmax、搜索维数 D、种群规模 N，文中优化 SVM 模型的惩罚因子 C 和核函数参数 g，因此 D=2;C 和 g 搜索空间分别为 Cmin，Cmax和 gmin，gmax;随机产生沙丘猫初始种群个体，每个沙丘猫种群个体位置为SVM 模型参数组合(C，g)。Step3:根据式(12)计算沙丘猫个体适应度;ACC=Kk=1acckK(12)式中:acck为第 k 折计算出的准确度;ACC 为 K 折交叉验证的平均准确度。Step4:在 0，360产生一个随机角度，当R 1 时，强制搜索代理进行攻击猎物(利用);当R 1 时，强制搜索代理进行搜索猎物(探索)。Step5:判断算法终止条件，若当前迭代次数t Tmax，则算法终止，输出全局最优位置即对应SVM 模型的最优参数组合(C*，g*);反之，返回Step3 Step4 迭代优化。Step6:运 用 SVM 模 型 的 最 优 参 数 组 合(C*，g*)对测试数据进行供应链风险检测。4实验与结果分析4 1数据来源结合供应商分类分级研究成果，全面收集供应商的外部资料，包含供应商注册资料、税务资料、财务资料等;社会保障信息，业务信息，企业关系信息，司法诉讼信用信息等8-9，检验和分析供应商的风险。运用层次分析法从外部风险(环境风险、竞争风险)、外部风险(道德风险、财务风险和交付风险)和管理风险(内部管控风险)等方面构建出供应商风险检测指标体系10。供应商风险检测评价指标数据和供应商风险等级由专家咨询问卷调查法获取，专家组成员包括:供应链 21 名管理专家，9 名风险管理专家，20 名专家，精通供应链管理的专家、风险评价模型以及风险管理理等相关领域内容，共回收有效问卷 50 份;供应链风险等级如表 1 所示。表 1供应链风险等级评价标准Tab 1Supply chain risk rating evaluation criteria等级分数区间A90 100B80 89C70 79D60 6