| مشخصات مقاله | |
| ترجمه عنوان مقاله | تحلیل پیش بینی تقاضای کالا در شبکه زنجیره تامین مبتنی بر بهینه سازی الگوریتم ازدحام ذرات |
| عنوان انگلیسی مقاله | The analysis of commodity demand predication in supply chain network based on particle swarm optimization algorithm |
| انتشار | مقاله سال 2022 |
| تعداد صفحات مقاله انگلیسی | 15 صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه الزویر |
| نوع نگارش مقاله |
مقاله پژوهشی (Research Article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| نمایه (index) | Scopus – Master Journals List – JCR |
| نوع مقاله | ISI |
| فرمت مقاله انگلیسی | |
| ایمپکت فاکتور(IF) |
2.621 در سال 2020 |
| شاخص H_index | 124 در سال 2020 |
| شاخص SJR | 0.876 در سال 2020 |
| شناسه ISSN | 0377-0427 |
| شاخص Quartile (چارک) | Q1 در سال 2020 |
| فرضیه | ندارد |
| مدل مفهومی | ندارد |
| پرسشنامه | ندارد |
| متغیر | ندارد |
| رفرنس | دارد |
| رشته های مرتبط | مهندسی صنایع، مهندسی کامپیوتر |
| گرایش های مرتبط | لجستیک و زنجیره تامین، هوش مصنوعی |
| نوع ارائه مقاله |
ژورنال |
| مجله | مجله ریاضیات کاربردی و محاسباتی – Journal of Computational and Applied Mathematics |
| کلمات کلیدی | AR-MDN ، پیش بینی تقاضای کالا، الگوریتم بهینه سازی ازدحام ذرات، شبکه زنجیره تامین، مدل ترکیب |
| کلمات کلیدی انگلیسی | The analysis of commodity demand predication in supply chain network based on particle swarm optimization algorithm |
| شناسه دیجیتال – doi |
https://doi.org/10.1016/j.cam.2021.113760 |
| کد محصول | E15578 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| فهرست مطالب مقاله: |
| Abstract Keywords Introduction Literature overview Methodologies Results and discussion Discussion Conclusion Acknowledgment References |
| بخشی از متن مقاله: |
| abstract The supply chain network model is constructed in this study based on comparison of traditional supply chain and the modern supply chain so as to solve the poor communication effect, uncirculated information, and unbalanced supply and demand in enterprises. After three algorithms and three commodity predication models are compared, a model combining with the network neural commodity demand predication method and the particle swarm optimization (PSO) algorithm is used to comprehensively evaluate the predication effect and algorithm performance by using the supply chain data of the enterprises, coming up with an optimal model. Results of the study show that: on national warehouses and regional warehouses, the difference between the predicted value and the actual value of autoregressive integrated (AR) mixture density networks (MDN) (AR-MDN) is 15%, the average outlier is between 450 and 150, the score of root mean square error (RMSE) and mean absolute percentage error (MAPE) is 117.342 and 2.334, respectively. It indicates that the fitting trend, prediction accuracy, and stability of the model are better than those of the autoregressive integrated moving average model (ARIMA) and multilayer perceptron-long short term memory (MLP-LSTM) model. Regarding determination of the stochastic requirements, the average optimal solution of the improved PSO (IPSO) is 0.45, indicating that performance of the algorithm is significantly stronger than that of the PSO algorithm and the artificial bee colony (ABC) algorithm; the comprehensive evaluation score of the combination model for the IPSO algorithm and the AR-MDN commodity prediction model is 67.41 with the optimal effect. The supply chain network model constructed in this study can provide enterprises with a good commodity demand predication method and improve their ability to respond to risks in the supply chain. |