JP7437545B2 - 供給元自動ランク付け方法、供給元自動ランク付け装置及び供給元自動ランク付けプログラム - Google Patents
供給元自動ランク付け方法、供給元自動ランク付け装置及び供給元自動ランク付けプログラム Download PDFInfo
- Publication number
- JP7437545B2 JP7437545B2 JP2023030995A JP2023030995A JP7437545B2 JP 7437545 B2 JP7437545 B2 JP 7437545B2 JP 2023030995 A JP2023030995 A JP 2023030995A JP 2023030995 A JP2023030995 A JP 2023030995A JP 7437545 B2 JP7437545 B2 JP 7437545B2
- Authority
- JP
- Japan
- Prior art keywords
- ranking
- supplier
- weight
- optimization
- score
- 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
- 238000000034 method Methods 0.000 title claims description 36
- 238000005457 optimization Methods 0.000 claims description 95
- 238000011156 evaluation Methods 0.000 claims description 60
- 238000012795 verification Methods 0.000 claims description 16
- 238000010200 validation analysis Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000012086 standard solution Substances 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
最初のステップS1では、実ランク付け妥当性検証を実行する。コンピュータは元のランク付け基準及び供給元の新たなデータを読み込み、該新たなデータには供給元指標スコアや関連業務データなどが含まれてよい。次に、ランク付け妥当性検証を実行し、すなわち、元のランク付け基準が供給元の新たなデータに対して妥当であるか否かを検証し、すなわち、元のランク付け基準を用いて供給元の新たなデータについてランク付けを行うことができるか否かを判断する。
ステップS1では、前記の通り、検証の結果、元のランク付け基準が供給元の新たなデータに対して妥当である場合、ステップS4に入り、元の評価指標の重み及びランク付け基準を引き続き使用して、供給元の新たなデータについてランク付けを行う。
初期重み選択ステップS21では、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みなどを利用して、スコア妥当性チェック指標の最大値に対応する重み、すなわち、初期重みを取得する。ここで、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みに加えて、例えば専門家の重みなどの他の選択可能な重みを利用してもよい。
次に、重み最適化求解ステップS22では、コンピュータは例えば供給元の新たなデータ、専門家の意見、履歴情報を読み込み、多層フィードフォワードニューラルネットワーク(BPニューラルネットワーク)アルゴリズムによって初期重み選択ステップS21で取得された初期重みニューラルネットワークコンピューティングを行い、最適化重みを取得する。ここでは、専門家の意見及び履歴情報を読み込まなくてもよい。
次に、重み選別ステップS23では、再度、スコア妥当性チェック指標に基づいて、初期重み選択ステップS21で取得された初期重みと重み最適化求解ステップS22で取得された最適化重みに対して妥当性比較を行って、重み妥当性比較結果及び評価指標のそれぞれの新たな重みを取得する。
重み最適化ステップS2で評価指標のそれぞれの新たな重みを取得した後、供給元ランク付け基準求解ステップS3に入り、重み最適化ステップS2で取得された評価指標のそれぞれの新たな重みを利用し、最適化後のランク付け基準を取得し、この最適化後のランク付け基準を利用して、供給元の新たなデータについてランク付けを行う。
点数階層検索ステップS31では、重み最適化ステップS2で取得された評価指標のそれぞれの新たな重みを利用し、各供給元のスコアである供給元スコアを取得し、決定木アルゴリズムに基づいて、各供給元スコアから選択可能な階層点を抽出し、各選択可能な階層点によって供給元スコアを分割して複数の階層を得る。
次に、階層併合最適化ステップS32では、複数の階層を併合して最適化することによって、所望の数の目標階層である最適化后ランク付け基準を得る。
Claims (9)
- 部品の供給元を自動的にランク付けする供給元自動ランク付け方法であって、
供給元自動ランク付け装置が、モデル安定性チェック指標に基づいて、元のランク付け基準が供給元の新たなデータに対して妥当であるか否かを検証するランク付け妥当性検証ステップと、
前記供給元自動ランク付け装置が、前記ランク付け妥当性検証ステップの検証結果、元のランク付け基準が妥当でない場合、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みを利用して、前記評価指標のそれぞれの重みを最適化し、重み妥当性比較結果及び前記評価指標のそれぞれの新たな重みを取得する重み最適化ステップと、
前記供給元自動ランク付け装置が、前記重み最適化ステップで取得された前記評価指標のそれぞれの新たな重みを利用して、最適化後のランク付け基準を取得し、この最適化後のランク付け基準を利用して、供給元の新たなデータについてランク付けを行う供給元ランク付け基準求解ステップと、を含む
ことを特徴とする供給元自動ランク付け方法。 - 前記重み最適化ステップは、
前記スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の前記評価指標のそれぞれの元の重みを利用して、スコア妥当性チェック指標の最大値に対応する重み、すなわち、初期重みを取得する初期重み選択ステップと、
多層フィードフォワードニューラルネットワークアルゴリズムによって前記初期重みに対してニューラルネットワークコンピューティングを行い、最適化重みを取得する重み最適化求解ステップと、
再度、前記スコア妥当性チェック指標に基づいて、前記初期重みと前記最適化重みに対して妥当性比較を行って、前記重み妥当性比較結果及び前記評価指標のそれぞれの新たな重みを取得する重み選別ステップと、を含む
ことを特徴とする請求項1に記載の供給元自動ランク付け方法。 - 前記重み選別ステップにおいて、前記初期重みと前記最適化重みに対して妥当性比較を行う際に、前記最適化重みが前記初期重みに対して正の最適化か負の最適化かを判断し、判断結果が正の最適化である場合、前記最適化重みを評価指標のそれぞれの新たな重みとし、判断結果が負の最適化である場合、前記初期重みを前記評価指標のそれぞれの新たな重みとする
ことを特徴とする請求項2に記載の供給元自動ランク付け方法。 - 前記供給元ランク付け基準求解ステップは、
前記評価指標のそれぞれの新たな重みを利用して、各供給元のスコアである供給元スコアを取得し、決定木アルゴリズムに基づいて、各前記供給元スコアから選択可能な階層点を抽出し、各前記選択可能な階層点によって前記供給元スコアを分割して複数の階層を得る点数階層検索ステップと、
複数の前記階層を併合最適化し、所望の数の目標階層、すなわち前記最適化後のランク付け基準を得る階層併合最適化ステップと、を含む
ことを特徴とする請求項2に記載の供給元自動ランク付け方法。 - 前記点数階層検索ステップでは、各々の評価指標の値と該当する新たな重みとを乗算した値を加算して前記供給元スコアを得る
ことを特徴とする請求項4に記載の供給元自動ランク付け方法。 - 前記階層併合最適化ステップにおいて、隣接する2つの前記階層に逆順が存在すると、併合を行い、且つ、隣接する2つの前記階層で優秀供給元の割合が一致すると、併合を行う
ことを特徴とする請求項4に記載の供給元自動ランク付け方法。 - 前記供給元の新たなデータは供給元指標スコア、関連業務データのうちの少なくとも1つであり、前記関連業務データは供給元が供給する部品の供給数、供給ロットを含む
ことを特徴とする請求項1~6のいずれか1項に記載の供給元自動ランク付け方法。 - 部品の供給元を自動的にランク付けする供給元自動ランク付け装置であって、
モデル安定性チェック指標に基づいて、元のランク付け基準が供給元の新たなデータに対して妥当であるか否かを検証するランク付け妥当性検証部と、
前記ランク付け妥当性検証部の検証結果、元のランク付け基準が妥当でない場合、スコア妥当性チェック指標に基づいて、供給元の新たなデータ及び供給元の評価指標のそれぞれの元の重みを利用して、前記評価指標のそれぞれの重みを最適化し、重み妥当性比較結果及び前記評価指標のそれぞれの新たな重みを取得する重み最適化部と、
前記重み最適化部によって取得された前記評価指標のそれぞれの新たな重みを利用して、最適化後のランク付け基準を取得し、この最適化後のランク付け基準を利用して、供給元の新たなデータについてランク付けを行う供給元ランク付け基準求解部と、を含む
ことを特徴とする供給元自動ランク付け装置。 - 請求項1~6のいずれか1項に記載の供給元自動ランク付け方法をコンピュータに実行させる供給元自動ランク付けプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210209097.1A CN116757511A (zh) | 2022-03-04 | 2022-03-04 | 供应方自动评级方法、供应方自动评级装置及存储介质 |
CN202210209097.1 | 2022-03-04 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023129344A JP2023129344A (ja) | 2023-09-14 |
JP7437545B2 true JP7437545B2 (ja) | 2024-02-22 |
Family
ID=87948378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023030995A Active JP7437545B2 (ja) | 2022-03-04 | 2023-03-01 | 供給元自動ランク付け方法、供給元自動ランク付け装置及び供給元自動ランク付けプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7437545B2 (ja) |
CN (1) | CN116757511A (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020149625A (ja) | 2019-03-15 | 2020-09-17 | 株式会社東芝 | 演算装置 |
JP6918397B1 (ja) | 2020-02-10 | 2021-08-11 | 株式会社エイシング | 情報処理装置、方法、プログラム及びシステム |
-
2022
- 2022-03-04 CN CN202210209097.1A patent/CN116757511A/zh active Pending
-
2023
- 2023-03-01 JP JP2023030995A patent/JP7437545B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020149625A (ja) | 2019-03-15 | 2020-09-17 | 株式会社東芝 | 演算装置 |
JP6918397B1 (ja) | 2020-02-10 | 2021-08-11 | 株式会社エイシング | 情報処理装置、方法、プログラム及びシステム |
Also Published As
Publication number | Publication date |
---|---|
CN116757511A (zh) | 2023-09-15 |
JP2023129344A (ja) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kulak et al. | Joint order batching and picker routing in single and multiple-cross-aisle warehouses using cluster-based tabu search algorithms | |
Baker et al. | Search based approaches to component selection and prioritization for the next release problem | |
JP7125358B2 (ja) | 計算機システム及び入力データに対する予測結果の根拠に関する情報の提示方法 | |
US20100145945A1 (en) | System, method and program product for classifying data elements into different levels of a business hierarchy | |
Eraslan et al. | An improved decision support system for ABC inventory classification | |
US9495653B2 (en) | Stack handling operation method, system, and computer program | |
CN110908982A (zh) | 一种基于指标权重的数据质量科学算分评价方法及系统 | |
US20090106299A1 (en) | Shared-memory multiprocessor system and information processing method | |
US20130013244A1 (en) | Pattern based test prioritization using weight factors | |
JP7437545B2 (ja) | 供給元自動ランク付け方法、供給元自動ランク付け装置及び供給元自動ランク付けプログラム | |
Win et al. | Requirement prioritization based on non-functional requirement classification using hierarchy AHP | |
JP3703064B2 (ja) | ソフトウェア品質評価装置および品質評価方法 | |
Cheng et al. | A GA mechanism for optimizing the design of attribute double sampling plan | |
CN110298390A (zh) | 一种风控模型的特征选择方法及装置 | |
Ahuja et al. | Understanding requirement prioritization techniques | |
US11113268B2 (en) | Method and device for restoring missing operational data | |
KR102239385B1 (ko) | 연구개발지원장치 및 그 동작 방법 | |
JP2020166443A (ja) | データ加工方法レコメンドシステム、データ加工方法レコメンド方法、及びデータ加工方法レコメンドプログラム | |
CN111984637A (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
De Moraes et al. | An evolutive hybrid approach to cloud computing provider selection | |
JP2020013511A (ja) | 特徴量生成装置および特徴量生成方法 | |
Tekin et al. | Inspection location in capacity-constrained lines | |
US20220260963A1 (en) | Selection Controller Artificial Neural Network - SCANN | |
Engblom | Order Picking Optimization in a Distribution Center | |
US20230018978A1 (en) | Data Layout Model Generation System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230301 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240130 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240209 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7437545 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |