CN116434928B - 一种医疗spd供应链智慧管理方法、装置及计算机设备 - Google Patents
一种医疗spd供应链智慧管理方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN116434928B CN116434928B CN202310307423.7A CN202310307423A CN116434928B CN 116434928 B CN116434928 B CN 116434928B CN 202310307423 A CN202310307423 A CN 202310307423A CN 116434928 B CN116434928 B CN 116434928B
- Authority
- CN
- China
- Prior art keywords
- value
- varieties
- score
- representing
- suppliers
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 44
- 239000000463 material Substances 0.000 claims abstract description 321
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims description 75
- 238000009826 distribution Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 14
- 238000012384 transportation and delivery Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000013068 supply chain management Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 19
- 239000012567 medical material Substances 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种医疗SPD供应链智慧管理方法、装置及计算机设备,涉及医用耗材管理技术领域。所述方法是先汇总各个科室的物资需求以及计算得到所有物资供应商在各个所需物资品种上的价值评分,然后计算各个品种的总价值评分最低要求值和总价值评分期望目标值,再然后根据所有品种和所有供应商,创建包含有输入层、隐藏层和输出层的BP神经网络,再然后将各个品种的总价值评分最低要求值作为输出目标向量导入BP网络中,得到同时满足各个品种的最低价值要求和总价值期望目标的且完成训练的新BP网络,最后根据新BP网络中各个隐藏节点的节点值,确定可进行统一下单的合适供应商,并自动生成采购订单,如此可优化SPD供应链管理方案。
Description
技术领域
本发明属于医用耗材管理技术领域,具体涉及一种医疗SPD供应链智慧管理方法、装置及计算机设备。
背景技术
医用耗材管理技术是在供应链一体化思想指导下产生的一种典型的精益化管理方式,它是以保证院内医用耗材质量安全及满足临床需求为宗旨,以物流信息技术为支撑,以环节专业化管理为手段,强化医院医用耗材管理部门的全程监管,协调外部与内部需求为主导,对全院医用耗材在院内的供应、加工和配送等物流环节进行集中管理的技术方案。医疗SPD在供应链管理中的定义为:Supply(供给)、Processing(分拆加工)和Distribution(配送),其通过联动医用耗材内外供应链上的核心成员,对医用耗材进行统筹管理,实现管理效能的提高。
但是在实际医院管理中,由于科室众多以及物资种类繁杂,对于如何优化医疗SPD供应链管理一直是个难题。例如,如何汇总各个科室的医用物资需求,并自动选定合适的至少一个物资供应商进行统一下单,是本领域技术人员亟需研究的课题。另外,由于每个科室/医生都有自己的工作习惯,在完成同类型的医疗任务时,不同的科室/医生所需的物资往往也有所差异,而现有的医疗供应链管理系统并不具备个性化配置功能,需要科室/医生根据需求自行打包配置物资,加重了科室/医生的工作量,也耽误了诊疗时间。
发明内容
本发明的目的是提供一种医疗SPD供应链智慧管理方法、装置、计算机设备及计算机可读存储介质,用以实现汇总各个科室的物资需求,并自动选定合适的至少一个物资供应商进行统一下单的目的。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种医疗SPD供应链智慧管理方法,包括:
获取各个科室在未来某个配送周期内的物资需求信息,其中,所述物资需求信息包含有对应科室的所需物资品种及品种所需数量;
汇总所有科室的所述物资需求信息,得到与所述未来某个配送周期对应的N个所需物资品种及在所述N个所需物资品种中各个所需物资品种的品种所需总量,其中,N表示非零自然数;
针对所述各个所需物资品种,根据所有物资供应商在对应品种上的且在多个评价指标中各个评价指标上的原始指标值,计算得到所述所有物资供应商在对应品种上的价值评分;
根据预设的价值评分最低要求值和价值评分期望目标值,按照如下公式计算得到各个所需物资品种的总价值评分最低要求值和所述N个所需物资品种的总价值评分期望目标值:
式中,n表示小于等于N的非零自然数,Vrm,n表示在所述N个所需物资品种中第n个所需物资品种的总价值评分最低要求值,vrm表示所述价值评分最低要求值,Numn表示所述第n个所需物资品种的品种所需总量,Vtotle表示所述N个所需物资品种的价值评分期望目标值,vdg表示所述价值评分期望目标值;
根据所述N个所需物资品种和所述所有物资供应商,创建包含有输入层、隐藏层和输出层的反向传播BP神经网络,其中,所述隐藏层包含有与所述N个所需物资品种一一对应的N个隐藏节点,所述输出层包含有与所述N个所需物资品种一一对应的N个输出节点,所述N个隐藏节点与所述N个输出节点一对一连接;
将所述各个所需物资品种的总价值评分最低要求值作为输出目标向量导入所述BP神经网络中,得到完成训练的新BP神经网络,其中,所述BP神经网络的训练过程包括有如下步骤S61~S63:
S61.按照如下公式计算得到输出向量:
式中,yn表示所述N个输出节点中第n个输出节点的输出值,所述输出向量表示为(y1,y2,…,yn,…yN),m表示小于等于M的非零自然数,M表示所述所有物资供应商的供应商总数,vm,n表示在所述所有物资供应商中第m个物资供应商在所述第n个所需物资品种上的价值评分,pn表示所述N个隐藏节点中第n个隐藏节点的节点值,LF(pn,m)表示用于判断pn是否等于m的函数,并在是时输出1,而在否时输出0;
S62.判断所述输出向量中的各个元素是否均大于等于所述输出目标向量中的对应元素以及所述输出向量的元素总和是否大于等于所述总价值评分期望目标值,若是,则停止训练,得到完成训练的新BP神经网络,否则执行步骤S63;
S63.基于BP神经网络的梯度下降法来调整所述N个隐藏节点的节点值,然后返回执行步骤S61,其中,所述N个隐藏节点的节点值的调整约束条件包括有取值为小于等于M的非零自然数;
按照如下方式遍历所述各个所需物资品种:若对应的隐藏节点的节点值为非零数值x,则将在所述所有物资供应商中的第x个物资供应商作为对应的下单对象;
针对各个所述下单对象,根据对应的至少一个所需物资品种及在所述至少一个所需物资品种中各个所需物资品种的品种所需总量,生成对应的且需在所述未来某个配送周期前到货的采购订单。
基于上述发明内容,提供了一种基于BP神经网络自动进行物资采购统一下单的新方案,即先汇总各个科室的物资需求以及计算得到所有物资供应商在各个所需物资品种上的价值评分,然后计算各个所需物资品种的总价值评分最低要求值和总价值评分期望目标值,再然后根据所有所需物资品种和所有物资供应商,创建包含有输入层、隐藏层和输出层的反向传播BP神经网络,再然后将各个所需物资品种的总价值评分最低要求值作为输出目标向量导入所述BP神经网络中,得到同时满足各个所需物资品种的最低价值要求和总价值期望目标的且完成训练的新BP神经网络,最后根据所述新BP神经网络中各个隐藏节点的节点值,确定可进行统一下单的合适供应商,并自动生成采购订单,如此可以实现汇总各个科室的物资需求,并自动选定合适的至少一个物资供应商进行统一下单的目的,进而可优化当前的医疗SPD供应链管理方案,便于实际应用和推广。
在一个可能的设计中,获取各个科室在未来某个配送周期内的物资需求信息,包括:
接收并记录各个医生通过医生终端提交的且在未来某个配送周期内的所需物资品种及品种所需数量;
针对各个科室,汇总对应的所有医生的所需物资品种及品种所需数量,得到对应的在所述未来某个配送周期内的物资需求信息。
在一个可能的设计中,所述多个评价指标包含有生产厂商评分、物资使用评分、单价、配送所需时长和保质剩余时长中的任意一个或它们的任意组合,其中,所述保质剩余时长根据生产日期、保质期限和所述未来某个配送周期的起点日期计算得到,所述生产厂商评分、所述物资使用评分和所述保质剩余时长分别为正向型指标,所述单价和所述配送所需时长分别为负向型指标。
在一个可能的设计中,针对在所述N个所需物资品种中的某个所需物资品种,根据所有物资供应商在对应品种上的且在多个评价指标中各个评价指标上的原始指标值,计算得到所述所有物资供应商在对应品种上的价值评分,包括:
获取所有物资供应商在所述某个所需物资品种上的且在多个评价指标中各个评价指标上的原始指标值;
针对所述各个评价指标,对在所述所有物资供应商中各个物资供应商在对应指标上的原始指标值进行归一化处理,得到各个物资供应商在对应指标上的归一化指标值;
针对所述各个评价指标,按照如下公式计算得到对应的熵值:
式中,k表示小于等于K的非零自然数,K表示所述多个评价指标的指标总数,Sk表示在所述多个评价指标中第k个评价指标的熵值,ln()表示求自然对数的函数,m和m′分别表示小于等于M的非零自然数,M表示所述所有物资供应商的供应商总数,表示在所述所有物资供应商中第m个物资供应商在所述第k个评价指标上的归一化指标值,/>表示在所述所有物资供应商中第m′个物资供应商在所述第k个评价指标上的归一化指标值;
针对所述各个评价指标,按照如下公式计算得到对应的权重系数:
式中,wk表示所述第k个评价指标的权重系数,k′表示小于等于K的非零自然数,Sk′表示在所述多个评价指标中第k′个评价指标的熵值;
按照如下公式计算得到所述各个物资供应商在所述某个所需物资品种上的价值评分:
式中,vm表示所述第m个物资供应商在所述某个所需物资品种上的价值评分。
在一个可能的设计中,所述N个隐藏节点的节点值的调整约束条件还包括有:不同非零节点值的总数目属于区间[Omin,Omax],其中,Omin表示预设的下单对象最少数目,Omax表示预设的下单对象最多数目。
在一个可能的设计中,所述N个隐藏节点的节点值的调整约束条件还包括有:相同非零节点值的总数目属于区间[Cmin,Cmax],其中,Cmin表示预设的下单品种最少数目,Cmax表示预设的下单品种最多数目。
在一个可能的设计中,在各个所述下单对象的所述采购订单生成后,所述方法还包括:
在收到所述N个所需物资品种的货物时,针对所述各个科室,根据对应的所需物资品种及品种所需数量,控制自动分拆打包设备对所述货物进行分拆打包,得到吻合对应需求的待配送物资,并通知配送人员将该待配送物资配送至对应科室。
第二方面,提供了一种医疗SPD供应链智慧管理装置,包括有依次通信连接的物资需求获取模块、物资需求汇总模块、价值评分计算模块、满足条件获取模块、网络创建模块、网络训练模块、品种遍历模块和订单生成模块;
所述物资需求获取模块,用于获取各个科室在未来某个配送周期内的物资需求信息,其中,所述物资需求信息包含有对应科室的所需物资品种及品种所需数量;
所述物资需求汇总模块,用于汇总所有科室的所述物资需求信息,得到与所述未来某个配送周期对应的N个所需物资品种及在所述N个所需物资品种中各个所需物资品种的品种所需总量,其中,N表示非零自然数;
所述价值评分计算模块,用于针对所述各个所需物资品种,根据所有物资供应商在对应品种上的且在多个评价指标中各个评价指标上的原始指标值,计算得到所述所有物资供应商在对应品种上的价值评分;
所述满足条件获取模块,用于根据预设的价值评分最低要求值和价值评分期望目标值,按照如下公式计算得到各个所需物资品种的总价值评分最低要求值和所述N个所需物资品种的总价值评分期望目标值:
式中,n表示小于等于N的非零自然数,Vrm,n表示在所述N个所需物资品种中第n个所需物资品种的总价值评分最低要求值,vrm表示所述价值评分最低要求值,Numn表示所述第n个所需物资品种的品种所需总量,Vtotle表示所述N个所需物资品种的价值评分期望目标值,vdg表示所述价值评分期望目标值;
所述网络创建模块,用于根据所述N个所需物资品种和所述所有物资供应商,创建包含有输入层、隐藏层和输出层的反向传播BP神经网络,其中,所述隐藏层包含有与所述N个所需物资品种一一对应的N个隐藏节点,所述输出层包含有与所述N个所需物资品种一一对应的N个输出节点,所述N个隐藏节点与所述N个输出节点一对一连接;
所述网络训练模块,用于将所述各个所需物资品种的总价值评分最低要求值作为输出目标向量导入所述BP神经网络中,得到完成训练的新BP神经网络,其中,所述网络训练模块包括有输出向量计算单元、判断单元和节点值调整单元;
所述输出向量计算单元,用于按照如下公式计算得到输出向量:
式中,yn表示所述N个输出节点中第n个输出节点的输出值,所述输出向量表示为(y1,y2,…,yn,…yN),m表示小于等于M的非零自然数,M表示所述所有物资供应商的供应商总数,vm,n表示在所述所有物资供应商中第m个物资供应商在所述第n个所需物资品种上的价值评分,pn表示所述N个隐藏节点中第n个隐藏节点的节点值,LF(pn,m)表示用于判断pn是否等于m的函数,并在是时输出1,而在否时输出0;
所述判断单元,分别通信连接所述输出向量计算单元和所述节点值调整单元,用于判断所述输出向量中的各个元素是否均大于等于所述输出目标向量中的对应元素以及所述输出向量的元素总和是否大于等于所述总价值评分期望目标值,若是,则停止训练,得到完成训练的新BP神经网络,否则启动所述节点值调整单元;
所述节点值调整单元,通信连接所述输出向量计算单元,用于基于BP神经网络的梯度下降法来调整所述N个隐藏节点的节点值,然后返回启动所述输出向量计算单元,其中,所述N个隐藏节点的节点值的调整约束条件包括有取值为小于等于M的非零自然数;
所述品种遍历模块,用于按照如下方式遍历所述各个所需物资品种:若对应的隐藏节点的节点值为非零数值x,则将在所述所有物资供应商中的第x个物资供应商作为对应的下单对象;
所述订单生成模块,用于针对各个所述下单对象,根据对应的至少一个所需物资品种及在所述至少一个所需物资品种中各个所需物资品种的品种所需总量,生成对应的且需在所述未来某个配送周期前到货的采购订单。
第三方面,本发明提供了一种计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意可能设计所述的医疗SPD供应链智慧管理方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意可能设计所述的医疗SPD供应链智慧管理方法。
第五方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意可能设计所述的医疗SPD供应链智慧管理方法。
上述方案的有益效果:
(1)本发明创造性提供了一种基于BP神经网络自动进行物资采购统一下单的新方案,即先汇总各个科室的物资需求以及计算得到所有物资供应商在各个所需物资品种上的价值评分,然后计算各个所需物资品种的总价值评分最低要求值和总价值评分期望目标值,再然后根据所有所需物资品种和所有物资供应商,创建包含有输入层、隐藏层和输出层的反向传播BP神经网络,再然后将各个所需物资品种的总价值评分最低要求值作为输出目标向量导入所述BP神经网络中,得到同时满足各个所需物资品种的最低价值要求和总价值期望目标的且完成训练的新BP神经网络,最后根据所述新BP神经网络中各个隐藏节点的节点值,确定可进行统一下单的合适供应商,并自动生成采购订单,如此可以实现汇总各个科室的物资需求,并自动选定合适的至少一个物资供应商进行统一下单的目的,进而可优化当前的医疗SPD供应链管理方案;
(2)还可在采购到货时,针对各个科室/医生,自动对货物进行分拆打包,得到吻合对应需求的待配送物资,并进行配送安排,进而不但可以为科室/医生提供个性化配置功能,还能减轻他们的工作量,避免耽误诊疗时间,提升工作效率,便于实际应用和推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的医疗SPD供应链智慧管理方法的流程示意图。
图2为本申请实施例提供的BP神经网络的结构示意图。
图3为本申请实施例提供的医疗SPD供应链智慧管理装置的结构示意图。
图4为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一和第二等等来描述各种对象,但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A、单独存在B或者同时存在A和B等三种情况;又例如,A、B和/或C,可以表示存在A、B和C中的任意一种或他们的任意组合;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A或者同时存在A和B等两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例:
如图1所示,本实施例第一方面提供的所述医疗SPD供应链智慧管理方法,可以但不限于由具有一定计算资源的计算机设备执行,例如由平台服务器、个人计算机(PersonalComputer,PC,指一种大小、价格和性能适用于个人使用的多用途计算机;台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal Digital Assistant,PDA)或可穿戴设备等电子设备执行。如图1所示,所述医疗SPD供应链智慧管理方法,可以但不限于包括有如下步骤S1~S8。
S1.获取各个科室在未来某个配送周期内的物资需求信息,其中,所述物资需求信息包含但不限于有对应科室的所需物资品种及品种所需数量等。
在所述步骤S1中,所述物资需求信息即为对应科室在医用物资需求方面的个性化配置结果。由于科室与医生是一对多关系,为了进一步实现针对不同医生,也能在医院物资需求方面进行个性化配置的目的,优选的,获取各个科室在未来某个配送周期内的物资需求信息,包括但不限于有:先接收并记录各个医生通过医生终端提交的且在未来某个配送周期内的所需物资品种及品种所需数量;然后针对各个科室,汇总对应的所有医生的所需物资品种及品种所需数量,得到对应的在所述未来某个配送周期内的物资需求信息。前述医生终端可以但不限于为运行在医生所持手机或医生所持电脑等上的APP应用程序、微信小程序或微信公众号等,以便医生可以随时录入、修改、删除和提交所述所需物资品种及品种所需数量。前述汇总的具体方式为常规的统计方式。前述未来某个配送周期的时长可以但不限于具体为一周,例如可在本周获取所述各个科室在下周内的所述物资需求信息。此外,物资品种的分类方式及计量方式均为现有常规方式,以及每一种所需物资品种都有一一对应的品种所需数量。
S2.汇总所有科室的所述物资需求信息,得到与所述未来某个配送周期对应的N个所需物资品种及在所述N个所需物资品种中各个所需物资品种的品种所需总量,其中,N表示非零自然数。
在所述步骤S2中,前述汇总的具体方式也为常规的统计方式。
S3.针对所述各个所需物资品种,根据所有物资供应商在对应品种上的且在多个评价指标中各个评价指标上的原始指标值,计算得到所述所有物资供应商在对应品种上的价值评分。
在所述步骤S3中,所述多个评价指标包含但不限于有生产厂商评分、物资使用评分、单价、配送所需时长和保质剩余时长等中的任意一个或它们的任意组合。所述生产厂商评分是指消费者(即医生或患者)对医用物资的生产厂商的评价结果,其可以通过常规的市场调查提前得到;由于所述生产厂商评分越高,对应的医用物资越适合作为采购目标,因此其为正向型指标。所述物资使用评分是指消费者对医用物资的使用评价结果,其也可以通过常规的市场调查提前得到;由于所述物资使用评分越高,对应的医用物资越适合作为采购目标,因此其也为正向型指标。所述单价是指医用物资的单位售卖价格,例如10元/盒,其可以从物资供应商的报价数据中常规提取得到;由于所述单价越低,对应的医用物资越适合作为采购目标,因此其为负向型指标。所述配送所需时长是指物资供应商承诺的且从下单时刻开始到接货时刻为止的所需时长,例如24或48小时内,其可以从物资供应商的服务数据中常规提取得到;由于所述配送所需时长越短,对应的医用物资越适合作为采购目标,因此其也为负向型指标。所述保质剩余时长是指医用物资自所述未来某个配送周期的起点日期起的剩余有效时长,其可以根据生产日期、保质期限和所述未来某个配送周期的起点日期计算得到,即保质剩余时长=生产日期+保质期限-起点日期;由于所述保质剩余时长越长,对应的医用物资越适合作为采购目标,因此其也为正向型指标。由于所述各个评价指标在参与物资采购时具有各自的正向性或负向性,因此可以针对所述各个所需物资品种,根据所有物资供应商在对应品种上的且在多个评价指标中各个评价指标上的原始指标值,计算得到所述所有物资供应商在对应品种上的价值评分,具体的,针对在所述N个所需物资品种中的某个所需物资品种,根据所有物资供应商在对应品种上的且在多个评价指标中各个评价指标上的原始指标值,计算得到所述所有物资供应商在对应品种上的价值评分,包括但不限于有如下步骤S31~S35。
S31.获取所有物资供应商在所述某个所需物资品种上的且在多个评价指标中各个评价指标上的原始指标值。
S32.针对所述各个评价指标,对在所述所有物资供应商中各个物资供应商在对应指标上的原始指标值进行归一化处理,得到各个物资供应商在对应指标上的归一化指标值。
在所述步骤S32中,由于所述多个评价指标中有些评价指标是无单位的,而又有些评价指标是有不同量纲单位的,为了后续能够统一进行计算,因此对他们的原始指标值进行无量纲化及归一化的处理是十分必要的,同时在归一化处理过程中,针对负向型指标,还需要将其正向化,即具体的,针对所述各个评价指标,对在所述所有物资供应商中各个物资供应商在对应指标上的原始指标值进行归一化处理,得到各个物资供应商在对应指标上的归一化指标值,包括但不限于:针对所述各个评价指标,若对应指标为正向型指标,则按照公式计算得到在所述所有物资供应商中各个物资供应商在对应指标上的归一化指标值,而若对应指标为负向型指标,则按照公式计算得到所述各个物资供应商在对应指标上的归一化指标值,其中,m表示小于等于M的非零自然数,M表示所述所有物资供应商的供应商总数,Xm表示在所述所有物资供应商中第m个物资供应商在对应指标上的原始指标值,XMax表示所述所有物资供应商在对应指标上的原始指标最大值,XMin表示所述所有物资供应商在对应指标上的原始指标最小值,/>表示所述第m个物资供应商在对应指标上的归一化指标值,η1表示在区间[0.3,0.5]内取值的第一小数,η2表示在区间[0.5,0.7]内取值的第二小数,并且有η1+η2≤1。举例的,η1取值为0.4,η2取值为0.6。
S33.针对所述各个评价指标,按照如下公式计算得到对应的熵值:
式中,k表示小于等于K的非零自然数,K表示所述多个评价指标的指标总数,Sk表示在所述多个评价指标中第k个评价指标的熵值,ln()表示求自然对数的函数,m和m′分别表示小于等于M的非零自然数,M表示所述所有物资供应商的供应商总数,表示在所述所有物资供应商中第m个物资供应商在所述第k个评价指标上的归一化指标值,/>表示在所述所有物资供应商中第m′个物资供应商在所述第k个评价指标上的归一化指标值。
在所述步骤S33中,熵(希腊语:entropia,英语:entropy)的概念是由德国物理学家克劳修斯于1865年提出,在希腊语源中意为“内在”,即“一个系统内在性质的改变;1948年,香农将统计物理中熵的概念,引申到信道通信的过程中,即香农定义的“熵”又被称为“香农熵”或“信息熵”,即有:
式中,表示信息熵,i标记概率空间中所有可能的样本,/>表示该样本的出现几率,I表示总样本数,/>表示与单位选取相关的任意常数,因此可以基于该公式改动得到所述熵值的计算公式。
S34.针对所述各个评价指标,按照如下公式计算得到对应的权重系数:
式中,wk表示所述第k个评价指标的权重系数,k′表示小于等于K的非零自然数,Sk′表示在所述多个评价指标中第k′个评价指标的熵值。
在所述步骤S34中,由于所述熵值反映了所述所有物资供应商在对应指标上的离散程度,因此可以基于熵权法来计算确定对应指标的权重系数。
S35.按照如下公式计算得到所述各个物资供应商在所述某个所需物资品种上的价值评分:
式中,vm表示所述第m个物资供应商在所述某个所需物资品种上的价值评分。
由此基于前述步骤S31~S35所描述的价值评分获取方案,可以根据所有物资供应商在各个评价指标上的原始指标值,通过熵权法来统一不同评价指标的价值观,并得到在同一价值观下的且所述所有物资供应商在所述各个所需物资品种上的价值评分,确保后续能够准确进行采购目标探寻。
S4.根据预设的价值评分最低要求值和价值评分期望目标值,按照如下公式计算得到各个所需物资品种的总价值评分最低要求值和所述N个所需物资品种的总价值评分期望目标值:
式中,n表示小于等于N的非零自然数,Vrm,n表示在所述N个所需物资品种中第n个所需物资品种的总价值评分最低要求值,vrm表示所述价值评分最低要求值,Numn表示所述第n个所需物资品种的品种所需总量,Vtotle表示所述N个所需物资品种的价值评分期望目标值,vdg表示所述价值评分期望目标值。
在所述步骤S4中,所述价值评分最低要求值和所述价值评分期望目标值可以直接设定,也可以先设定在所述多个评价指标上的指标最低要求值(例如满足最低要求的生产厂商评分下限值、物资使用评分下限值、单价上限值、配送所需时长上限值和保质剩余时长下限值,例如一周)和指标期望目标值(例如满足期望目标的生产厂商评分下限值、物资使用评分下限值、单价上限值、配送所需时长上限值和保质剩余时长下限值,例如6个月),然后基于这些指标最低要求值和指标期望目标值,依次通过归一化处理和如下公式计算得到所述价值评分最低要求值vrm和所述价值评分期望目标值vdg:
式中,表示在所述第k个评价指标上的归一化指标最低要求值,/>表示在所述第k个评价指标上的归一化指标期望目标值。
S5.根据所述N个所需物资品种和所述所有物资供应商,创建包含有输入层、隐藏层和输出层的反向传播BP神经网络,其中,所述隐藏层包含有与所述N个所需物资品种一一对应的N个隐藏节点,所述输出层包含有与所述N个所需物资品种一一对应的N个输出节点,所述N个隐藏节点与所述N个输出节点一对一连接。
在所述步骤S5中,由于BP(Back Propagation,反向传播)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法(即以误差平方为目标函数,采用梯度下降法来计算该目标函数的最小值)训练的多层前馈神经网络,是应用最广泛的神经网络模型之一;以及BP神经网络的基本结构是在输入层(其可以有若干个输入节点)与输出层(其可以有若干个输出节点)之间增加一层或多层神经元(这些神经元称为隐藏节点,它们与外界没有直接的联系,但是其状态的改变能影响输入与输出之间的关系),得到有若干个隐藏节点的隐藏层,因此创建而得的所述BP神经网络的网络结构可如图2所示,以便可用隐藏节点的节点值来作为选定下单对象(即选定下单的某个物资供应商的)在所述所有物资供应商中的序号。此外,如图2所示,所述输入层也可包含有与所述所有物资供应商一一对应的M个输入节点,并使所述M个输入节点与所述N个隐藏节点多对多连接,以便构建起一个完整的BP神经网络结构,其中,所述多对多连接的具体建立方式可为:针对各个输入节点,都建立其与所述N个隐藏节点一对多的连接关系。
S6.将所述各个所需物资品种的总价值评分最低要求值作为输出目标向量导入所述BP神经网络中,得到完成训练的新BP神经网络。
在所述步骤S6中,所述输出目标向量用于作为训练所需的验证数据,可具体表示为(Dy1,Dy2,…Dyn,…,DyN),其中,n表示小于等于N的非零自然数,Dyn等于所述第n个所需物资品种的总价值评分最低要求值。所述BP神经网络的训练过程包括但不限于有如下步骤S61~S63。
S61.按照如下公式计算得到输出向量:
式中,yn表示所述N个输出节点中第n个输出节点的输出值,所述输出向量表示为(y1,y2,…,yn,…yN),m表示小于等于M的非零自然数,M表示所述所有物资供应商的供应商总数,vm,n表示在所述所有物资供应商中第m个物资供应商在所述第n个所需物资品种上的价值评分,pn表示所述N个隐藏节点中第n个隐藏节点的节点值,LF(pn,m)表示用于判断pn是否等于m的函数,并在是时输出1,而在否时输出0。
在所述步骤S61中,pn的初始值可按照特定约束条件(即取值为小于等于M的非零自然数,等等)来随机生成;由于在初始化及后续调整过程中都是按照该特定约束条件来得到所述N个隐藏节点的节点值,因此在初始化后或任意一次调整后,所有节点值均为非零节点值(即1~M),并能够作为选定下单对象在所述所有物资供应商中的序号。综合前述细节描述,可通过上述公式计算得到:当序号为1、5和10的隐藏节点的节点值为非零自然数Y时,可针对序号为1、5和10的输出节点,基于在所述所有物资供应商中第Y个物资供应商在对应的所需物资品种上的价值评分和对应的品种所需总量,计算得到对应的输出值(即预期的总价值评分值),进而可参与后续的数据验证。此外,从上述公式也可以看出,输出向量与输入向量无关,因此训练所需的输入向量可设计为任意值,所述输入层中的输入节点也可以设置为任意数目。
S62.判断所述输出向量中的各个元素是否均大于等于所述输出目标向量中的对应元素以及所述输出向量的元素总和是否大于等于所述总价值评分期望目标值,若是,则停止训练,得到完成训练的新BP神经网络,否则执行步骤S63。
在所述步骤S62中,若判定所述输出向量中的各个元素均大于等于所述输出目标向量中的对应元素(即yn≥Dyn),则表明所述各个所需物资品种的最低价值要求均得到满足;而若再判定所述输出向量的元素总和大于等于所述总价值评分期望目标值,则还表明所有所需物资品种的总价值期望目标也得到了满足,可将此时针对所述各个所需物资品种选定的物资供应商(即用隐藏节点的非零节点值表示)作为可进行统一下单的合适供应商,进而可以停止训练。
S63.基于BP神经网络的梯度下降法来调整所述N个隐藏节点的节点值,然后返回执行步骤S61,其中,所述N个隐藏节点的节点值的调整约束条件包括有取值为小于等于M的非零自然数。
在所述步骤S63中,基于BP神经网络的梯度下降法进行调整的现有原理是:转入误差(即所述输出向量与所述输出目标向量的误差和所述输出向量的元素总和与所述总价值评分期望目标值的误差)的反向传播过程;误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有节点,以从各层获得的误差信号作为调整各节点值的依据;通过调整输入节点与隐藏节点的连接强度和隐藏节点与输出节点的连接强度以及阈值,使误差沿梯度方向下降;最后经过反复学习训练,即可确定与最小误差相对应的网络参数。
在所述步骤S63中,为了避免最终选定过多或过少的合适供应商,优选的,所述N个隐藏节点的节点值的调整约束条件还包括有:不同非零节点值的总数目属于区间[Omin,Omax],其中,Omin表示预设的下单对象最少数目,Omax表示预设的下单对象最多数目。
在所述步骤S63中,为了避免针对同一合适供应商下单过多或过少的物资品种,优选的,所述N个隐藏节点的节点值的调整约束条件还包括有:相同非零节点值的总数目属于区间[Cmin,Cmax],其中,Cmin表示预设的下单品种最少数目,Cmax表示预设的下单品种最多数目。此外,Cmin与Omax的积需大于N,以及Cmax与Omin的积也需大于N,以便确保能够分配完毕。
另外,优选的,在所述BP神经网络的训练过程中,若在所述N个隐藏节点的节点值调整次数未达到预设的第一次数阈值前就已停止训练,则在增大所述价值评分最低要求值和/或所述价值评分期望目标值后,先基于新的所述价值评分最低要求值和/或所述价值评分期望目标值重新计算所述各个所需物资品种的总价值评分最低要求值和/或所述N个所需物资品种的总价值评分期望目标值,再基于新的所述各个所需物资品种的总价值评分最低要求值和/或所述N个所需物资品种的总价值评分期望目标值,重新训练所述BP神经网络,以便探寻更合适的供应商;在所述BP神经网络的训练过程中,若在所述N个隐藏节点的节点值调整次数达到预设的第二次数阈值后仍未停止训练,则在减小所述价值评分最低要求值和/或所述价值评分期望目标值后,先基于新的所述价值评分最低要求值和/或所述价值评分期望目标值重新计算所述各个所需物资品种的总价值评分最低要求值和/或所述N个所需物资品种的总价值评分期望目标值,再基于新的所述各个所需物资品种的总价值评分最低要求值和/或所述N个所需物资品种的总价值评分期望目标值,重新训练所述BP神经网络,以便能够探寻到合适的供应商,其中,所述第二次数阈值大于所述第一次数阈值。
S7.按照如下方式遍历所述各个所需物资品种:若对应的隐藏节点的节点值为非零数值x,则将在所述所有物资供应商中的第x个物资供应商作为对应的下单对象。
在所述步骤S7中,举例的,当序号为1、5和10的隐藏节点的节点值为非零自然数X时,可针对在所述N个所需物资品种中的第一种所需物资品种、第二种所需物资品种和第十种所需物资品种,将在所述所有物资供应商中的第X个物资供应商作为对应的下单对象。
S8.针对各个所述下单对象,根据对应的至少一个所需物资品种及在所述至少一个所需物资品种中各个所需物资品种的品种所需总量,生成对应的且需在所述未来某个配送周期前到货的采购订单。
在所述步骤S8中,基于前述步骤S7的举例,针对所述第X个物资供应商,生成的对应采购订单会包含有:第一种所需物资品种及其品种所需总量;第二种所需物资品种及其品种所需总量;第十种所需物资品种及其品种所需总量。
由此基于前述步骤S1~S8所描述的医疗SPD供应链智慧管理方法,提供了一种基于BP神经网络自动进行物资采购统一下单的新方案,即先汇总各个科室的物资需求以及计算得到所有物资供应商在各个所需物资品种上的价值评分,然后计算各个所需物资品种的总价值评分最低要求值和总价值评分期望目标值,再然后根据所有所需物资品种和所有物资供应商,创建包含有输入层、隐藏层和输出层的反向传播BP神经网络,再然后将各个所需物资品种的总价值评分最低要求值作为输出目标向量导入所述BP神经网络中,得到同时满足各个所需物资品种的最低价值要求和总价值期望目标的且完成训练的新BP神经网络,最后根据所述新BP神经网络中各个隐藏节点的节点值,确定可进行统一下单的合适供应商,并自动生成采购订单,如此可以实现汇总各个科室的物资需求,并自动选定合适的至少一个物资供应商进行统一下单的目的,进而可优化当前的医疗SPD供应链管理方案,便于实际应用和推广。
本实施例在前述第一方面的技术方案基础上,还提供了一种如何进行物资打包配送的可能设计一,即在各个所述下单对象的所述采购订单生成后,所述方法还包括但不限于有:在收到所述N个所需物资品种的货物时,针对所述各个科室,根据对应的所需物资品种及品种所需数量,控制自动分拆打包设备对所述货物进行分拆打包,得到吻合对应需求的待配送物资,并通知配送人员将该待配送物资配送至对应科室。前述自动分拆打包设备可采用现有物流工厂设备实现。此外,还可以进一步针对所述各个医生,根据对应的所需物资品种及品种所需数量,控制所述自动分拆打包设备对所述货物进行分拆打包,得到吻合对应需求的待配送物资,并通知配送人员将该待配送物资配送至对应医生的储物柜。
由此基于前述的可能设计一,可在采购到货时,针对各个科室/医生,自动对货物进行分拆打包,得到吻合对应需求的待配送物资,并进行配送安排,进而不但可以为科室/医生提供个性化配置功能,还能减轻他们的工作量,避免耽误诊疗时间,提升工作效率。
如图3所示,本实施例第二方面提供了一种实现第一方面或可能设计一所述的医疗SPD供应链智慧管理方法的虚拟装置,包括有依次通信连接的物资需求获取模块、物资需求汇总模块、价值评分计算模块、满足条件获取模块、网络创建模块、网络训练模块、品种遍历模块和订单生成模块;
所述物资需求获取模块,用于获取各个科室在未来某个配送周期内的物资需求信息,其中,所述物资需求信息包含有对应科室的所需物资品种及品种所需数量;
所述物资需求汇总模块,用于汇总所有科室的所述物资需求信息,得到与所述未来某个配送周期对应的N个所需物资品种及在所述N个所需物资品种中各个所需物资品种的品种所需总量,其中,N表示非零自然数;
所述价值评分计算模块,用于针对所述各个所需物资品种,根据所有物资供应商在对应品种上的且在多个评价指标中各个评价指标上的原始指标值,计算得到所述所有物资供应商在对应品种上的价值评分;
所述满足条件获取模块,用于根据预设的价值评分最低要求值和价值评分期望目标值,按照如下公式计算得到各个所需物资品种的总价值评分最低要求值和所述N个所需物资品种的总价值评分期望目标值:
式中,n表示小于等于N的非零自然数,Vrm,n表示在所述N个所需物资品种中第n个所需物资品种的总价值评分最低要求值,vrm表示所述价值评分最低要求值,Numn表示所述第n个所需物资品种的品种所需总量,Vtotle表示所述N个所需物资品种的价值评分期望目标值,vdg表示所述价值评分期望目标值;
所述网络创建模块,用于根据所述N个所需物资品种和所述所有物资供应商,创建包含有输入层、隐藏层和输出层的反向传播BP神经网络,其中,所述隐藏层包含有与所述N个所需物资品种一一对应的N个隐藏节点,所述输出层包含有与所述N个所需物资品种一一对应的N个输出节点,所述N个隐藏节点与所述N个输出节点一对一连接;
所述网络训练模块,用于将所述各个所需物资品种的总价值评分最低要求值作为输出目标向量导入所述BP神经网络中,得到完成训练的新BP神经网络,其中,所述网络训练模块包括有输出向量计算单元、判断单元和节点值调整单元;
所述输出向量计算单元,用于按照如下公式计算得到输出向量:
式中,yn表示所述N个输出节点中第n个输出节点的输出值,所述输出向量表示为(y1,y2,…,yn,…yN),m表示小于等于M的非零自然数,M表示所述所有物资供应商的供应商总数,vm,n表示在所述所有物资供应商中第m个物资供应商在所述第n个所需物资品种上的价值评分,pn表示所述N个隐藏节点中第n个隐藏节点的节点值,LF(pn,m)表示用于判断pn是否等于m的函数,并在是时输出1,而在否时输出0;
所述判断单元,分别通信连接所述输出向量计算单元和所述节点值调整单元,用于判断所述输出向量中的各个元素是否均大于等于所述输出目标向量中的对应元素以及所述输出向量的元素总和是否大于等于所述总价值评分期望目标值,若是,则停止训练,得到完成训练的新BP神经网络,否则启动所述节点值调整单元;
所述节点值调整单元,通信连接所述输出向量计算单元,用于基于BP神经网络的梯度下降法来调整所述N个隐藏节点的节点值,然后返回启动所述输出向量计算单元,其中,所述N个隐藏节点的节点值的调整约束条件包括有取值为小于等于M的非零自然数;
所述品种遍历模块,用于按照如下方式遍历所述各个所需物资品种:若对应的隐藏节点的节点值为非零数值x,则将在所述所有物资供应商中的第x个物资供应商作为对应的下单对象;
所述订单生成模块,用于针对各个所述下单对象,根据对应的至少一个所需物资品种及在所述至少一个所需物资品种中各个所需物资品种的品种所需总量,生成对应的且需在所述未来某个配送周期前到货的采购订单。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果,可以参见第一方面或可能设计一所述的医疗SPD供应链智慧管理方法,于此不再赘述。
如图4所示,本实施例第三方面提供了一种执行如第一方面或可能设计一所述的医疗SPD供应链智慧管理方法的计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或可能设计一所述的医疗SPD供应链智慧管理方法。具体举例的,所述存储器可以但不限于包括随机存取存储器(Random-Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(FirstInput First Output,FIFO)和/或先进后出存储器(First Input Last Output,FILO)等等;所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外,所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果,可以参见第一方面或可能设计一所述的医疗SPD供应链智慧管理方法,于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面或可能设计一所述的医疗SPD供应链智慧管理方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或可能设计一所述的医疗SPD供应链智慧管理方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果,可以参见如第一方面或可能设计一所述的医疗SPD供应链智慧管理方法,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或可能设计一所述的医疗SPD供应链智慧管理方法。其中,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种医疗SPD供应链智慧管理方法,其特征在于,包括:
获取各个科室在未来某个配送周期内的物资需求信息,其中,所述物资需求信息包含有对应科室的所需物资品种及品种所需数量;
汇总所有科室的所述物资需求信息,得到与所述未来某个配送周期对应的N个所需物资品种及在所述N个所需物资品种中各个所需物资品种的品种所需总量,其中,N表示非零自然数;
针对所述各个所需物资品种,根据所有物资供应商在对应品种上的且在多个评价指标中各个评价指标上的原始指标值,计算得到所述所有物资供应商在对应品种上的价值评分;
根据预设的价值评分最低要求值和价值评分期望目标值,按照如下公式计算得到各个所需物资品种的总价值评分最低要求值和所述N个所需物资品种的总价值评分期望目标值:
式中,n表示小于等于N的非零自然数,Vrm,n表示在所述N个所需物资品种中第n个所需物资品种的总价值评分最低要求值,vrm表示所述价值评分最低要求值,Numn表示所述第n个所需物资品种的品种所需总量,Vtotle表示所述N个所需物资品种的价值评分期望目标值,vdg表示所述价值评分期望目标值;
根据所述N个所需物资品种和所述所有物资供应商,创建包含有输入层、隐藏层和输出层的反向传播BP神经网络,其中,所述隐藏层包含有与所述N个所需物资品种一一对应的N个隐藏节点,所述输出层包含有与所述N个所需物资品种一一对应的N个输出节点,所述N个隐藏节点与所述N个输出节点一对一连接;
将所述各个所需物资品种的总价值评分最低要求值作为输出目标向量导入所述BP神经网络中,得到完成训练的新BP神经网络,其中,所述BP神经网络的训练过程包括有如下步骤S61~S63:
S61.按照如下公式计算得到输出向量:
式中,yn表示所述N个输出节点中第n个输出节点的输出值,所述输出向量表示为(y1,y2,…,yn,…yN),m表示小于等于M的非零自然数,M表示所述所有物资供应商的供应商总数,vm,n表示在所述所有物资供应商中第m个物资供应商在所述第n个所需物资品种上的价值评分,pn表示所述N个隐藏节点中第n个隐藏节点的节点值,LF(pn,m)表示用于判断pn是否等于m的函数,并在是时输出1,而在否时输出0;
S62.判断所述输出向量中的各个元素是否均大于等于所述输出目标向量中的对应元素以及所述输出向量的元素总和是否大于等于所述总价值评分期望目标值,若是,则停止训练,得到完成训练的新BP神经网络,否则执行步骤S63;
S63.基于BP神经网络的梯度下降法来调整所述N个隐藏节点的节点值,然后返回执行步骤S61,其中,所述N个隐藏节点的节点值的调整约束条件包括有取值为小于等于M的非零自然数;
在所述BP神经网络的训练过程中,若在所述N个隐藏节点的节点值调整次数未达到预设的第一次数阈值前就已停止训练,则在增大所述价值评分最低要求值和/或所述价值评分期望目标值后,先基于新的所述价值评分最低要求值和/或所述价值评分期望目标值重新计算所述各个所需物资品种的总价值评分最低要求值和/或所述N个所需物资品种的总价值评分期望目标值,再基于新的所述各个所需物资品种的总价值评分最低要求值和/或所述N个所需物资品种的总价值评分期望目标值,重新训练所述BP神经网络,以便探寻更合适的供应商;
在所述BP神经网络的训练过程中,若在所述N个隐藏节点的节点值调整次数达到预设的第二次数阈值后仍未停止训练,则在减小所述价值评分最低要求值和/或所述价值评分期望目标值后,先基于新的所述价值评分最低要求值和/或所述价值评分期望目标值重新计算所述各个所需物资品种的总价值评分最低要求值和/或所述N个所需物资品种的总价值评分期望目标值,再基于新的所述各个所需物资品种的总价值评分最低要求值和/或所述N个所需物资品种的总价值评分期望目标值,重新训练所述BP神经网络,以便能够探寻到合适的供应商,其中,所述第二次数阈值大于所述第一次数阈值;
按照如下方式遍历所述各个所需物资品种:若对应的隐藏节点的节点值为非零数值x,则将在所述所有物资供应商中的第x个物资供应商作为对应的下单对象;
针对各个所述下单对象,根据对应的至少一个所需物资品种及在所述至少一个所需物资品种中各个所需物资品种的品种所需总量,生成对应的且需在所述未来某个配送周期前到货的采购订单。
2.根据权利要求1所述的医疗SPD供应链智慧管理方法,其特征在于,获取各个科室在未来某个配送周期内的物资需求信息,包括:
接收并记录各个医生通过医生终端提交的且在未来某个配送周期内的所需物资品种及品种所需数量;
针对各个科室,汇总对应的所有医生的所需物资品种及品种所需数量,得到对应的在所述未来某个配送周期内的物资需求信息。
3.根据权利要求1所述的医疗SPD供应链智慧管理方法,其特征在于,所述多个评价指标包含有生产厂商评分、物资使用评分、单价、配送所需时长和保质剩余时长中的任意一个或它们的任意组合,其中,所述保质剩余时长根据生产日期、保质期限和所述未来某个配送周期的起点日期计算得到,所述生产厂商评分、所述物资使用评分和所述保质剩余时长分别为正向型指标,所述单价和所述配送所需时长分别为负向型指标。
4.根据权利要求1所述的医疗SPD供应链智慧管理方法,其特征在于,针对在所述N个所需物资品种中的某个所需物资品种,根据所有物资供应商在对应品种上的且在多个评价指标中各个评价指标上的原始指标值,计算得到所述所有物资供应商在对应品种上的价值评分,包括:
获取所有物资供应商在所述某个所需物资品种上的且在多个评价指标中各个评价指标上的原始指标值;
针对所述各个评价指标,对在所述所有物资供应商中各个物资供应商在对应指标上的原始指标值进行归一化处理,得到各个物资供应商在对应指标上的归一化指标值;
针对所述各个评价指标,按照如下公式计算得到对应的熵值:
式中,k表示小于等于K的非零自然数,K表示所述多个评价指标的指标总数,Sk表示在所述多个评价指标中第k个评价指标的熵值,ln()表示求自然对数的函数,m和m′分别表示小于等于M的非零自然数,M表示所述所有物资供应商的供应商总数,表示在所述所有物资供应商中第m个物资供应商在所述第k个评价指标上的归一化指标值,/>表示在所述所有物资供应商中第m′个物资供应商在所述第k个评价指标上的归一化指标值;
针对所述各个评价指标,按照如下公式计算得到对应的权重系数:
式中,wk表示所述第k个评价指标的权重系数,k′表示小于等于K的非零自然数,Sk′表示在所述多个评价指标中第k′个评价指标的熵值;
按照如下公式计算得到所述各个物资供应商在所述某个所需物资品种上的价值评分:
式中,vm表示所述第m个物资供应商在所述某个所需物资品种上的价值评分。
5.根据权利要求1所述的医疗SPD供应链智慧管理方法,其特征在于,所述N个隐藏节点的节点值的调整约束条件还包括有:不同非零节点值的总数目属于区间[Omin,Omax],其中,Omin表示预设的下单对象最少数目,Omax表示预设的下单对象最多数目。
6.根据权利要求1所述的医疗SPD供应链智慧管理方法,其特征在于,所述N个隐藏节点的节点值的调整约束条件还包括有:相同非零节点值的总数目属于区间[Cmin,Cmax],其中,Cmin表示预设的下单品种最少数目,Cmax表示预设的下单品种最多数目。
7.根据权利要求1所述的医疗SPD供应链智慧管理方法,其特征在于,在各个所述下单对象的所述采购订单生成后,所述方法还包括:
在收到所述N个所需物资品种的货物时,针对所述各个科室,根据对应的所需物资品种及品种所需数量,控制自动分拆打包设备对所述货物进行分拆打包,得到吻合对应需求的待配送物资,并通知配送人员将该待配送物资配送至对应科室。
8.一种计算机设备,其特征在于,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7中任意一项所述的医疗SPD供应链智慧管理方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~7中任意一项所述的医疗SPD供应链智慧管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310307423.7A CN116434928B (zh) | 2023-03-27 | 2023-03-27 | 一种医疗spd供应链智慧管理方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310307423.7A CN116434928B (zh) | 2023-03-27 | 2023-03-27 | 一种医疗spd供应链智慧管理方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116434928A CN116434928A (zh) | 2023-07-14 |
CN116434928B true CN116434928B (zh) | 2024-04-05 |
Family
ID=87088319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310307423.7A Active CN116434928B (zh) | 2023-03-27 | 2023-03-27 | 一种医疗spd供应链智慧管理方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434928B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504015A (zh) * | 2016-10-17 | 2017-03-15 | 鞍钢集团矿业有限公司 | 一种结合bp神经网络的企业领域供应商推荐方法 |
KR102177852B1 (ko) * | 2020-01-31 | 2020-11-11 | 임시원 | 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 |
CN112446769A (zh) * | 2021-02-01 | 2021-03-05 | 旗美供应链(深圳)有限公司 | 一种供应链管理方法、系统、服务器及计算机可读介质 |
CN112489777A (zh) * | 2020-12-01 | 2021-03-12 | 株洲飞庆医疗器械有限公司 | 医疗spd供应链管理系统 |
CN114782024A (zh) * | 2022-05-13 | 2022-07-22 | 陕西清水川能源股份有限公司 | 物资采购计划生成方法及装置 |
CN114862053A (zh) * | 2022-05-31 | 2022-08-05 | 四川隧唐科技股份有限公司 | 一种材料供应商推送方法、系统及设备 |
CN115473901A (zh) * | 2022-11-15 | 2022-12-13 | 四川汉唐云分布式存储技术有限公司 | 一种分布式算力集群智慧调度方法、装置及计算机设备 |
CN115619033A (zh) * | 2022-11-02 | 2023-01-17 | 中南大学 | 基于工业互联网的采购供应链一体化优化方法和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160086122A1 (en) * | 2014-09-18 | 2016-03-24 | Tata Consultancy Services Limited | System and method for providing multi objective multi criteria vendor management |
-
2023
- 2023-03-27 CN CN202310307423.7A patent/CN116434928B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504015A (zh) * | 2016-10-17 | 2017-03-15 | 鞍钢集团矿业有限公司 | 一种结合bp神经网络的企业领域供应商推荐方法 |
KR102177852B1 (ko) * | 2020-01-31 | 2020-11-11 | 임시원 | 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 |
CN112489777A (zh) * | 2020-12-01 | 2021-03-12 | 株洲飞庆医疗器械有限公司 | 医疗spd供应链管理系统 |
CN112446769A (zh) * | 2021-02-01 | 2021-03-05 | 旗美供应链(深圳)有限公司 | 一种供应链管理方法、系统、服务器及计算机可读介质 |
CN114782024A (zh) * | 2022-05-13 | 2022-07-22 | 陕西清水川能源股份有限公司 | 物资采购计划生成方法及装置 |
CN114862053A (zh) * | 2022-05-31 | 2022-08-05 | 四川隧唐科技股份有限公司 | 一种材料供应商推送方法、系统及设备 |
CN115619033A (zh) * | 2022-11-02 | 2023-01-17 | 中南大学 | 基于工业互联网的采购供应链一体化优化方法和设备 |
CN115473901A (zh) * | 2022-11-15 | 2022-12-13 | 四川汉唐云分布式存储技术有限公司 | 一种分布式算力集群智慧调度方法、装置及计算机设备 |
Non-Patent Citations (2)
Title |
---|
B汽车技术公司供应商选择与评价研究;成旻璐;中国优秀硕士学位论文全文数据库;20230115;第2023卷(第1期);1-73 * |
基于BP神经网络的供应商评价方法研究;孔原;刘览;;价值工程(第06期);95-98 * |
Also Published As
Publication number | Publication date |
---|---|
CN116434928A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103309866B (zh) | 生成推荐结果的方法和装置 | |
CN113239317B (zh) | 确定订单履约仓库的方法和装置 | |
Manatkar et al. | An integrated inventory optimization model for facility location-allocation problem | |
CN107273436A (zh) | 一种推荐模型的训练方法和训练装置 | |
US20200051142A1 (en) | System and method for determining retail-business-rule coefficients from current prices | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
US12026673B2 (en) | Automated computer-based prediction of rejections of requisitions | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
Cao et al. | Joint optimization of product family design and supplier selection under multinomial logit consumer choice rule | |
Dey | A fuzzy random integrated inventory model with imperfect production under optimal vendor investment | |
Wen et al. | Modified honey bees mating optimization algorithm for multi-objective uncertain integrated process planning and scheduling problem | |
Leung et al. | Prediction of B2C e-commerce order arrival using hybrid autoregressive-adaptive neuro-fuzzy inference system (AR-ANFIS) for managing fluctuation of throughput in e-fulfilment centres | |
Chen et al. | Application of particle swarm optimisation for solving deteriorating inventory model with fluctuating demand and controllable deterioration rate | |
Pan et al. | Integrated inventory models with fuzzy annual demand and fuzzy production rate in a supply chain | |
Li et al. | An optimizing model for solving outsourcing supplier selecting problem based on particle swarm algorithm | |
Liu et al. | Joint optimization of lot-sizing and pricing with backlogging | |
Miltenburg et al. | Order quantities for style goods with two order opportunities and Bayesian updating of demand. Part I: no capacity constraints | |
CN113792134A (zh) | 一种基于数字孪生技术的用户服务方法及系统 | |
CN116434928B (zh) | 一种医疗spd供应链智慧管理方法、装置及计算机设备 | |
Zhang et al. | Coordinating inventory sharing with retailer's return in the consignment contracts | |
Maleki Vishkaei et al. | A single-retailer multi-supplier multi-product inventory model with destructive testing acceptance sampling and inflation | |
US11948679B2 (en) | Blood marketplace system and method | |
US20210391054A1 (en) | System and method of managing grocery cart based on health information | |
US20230049758A1 (en) | Assignment of clinical image studies using online learning | |
US20220121986A1 (en) | System and method for selecting a candidate transfer apparatus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |