✨ 长期致力于新能源汽车供应商选择、因子分析法、GA-BP神经网络研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）通用零部件供应商评价指标体系构建与因子分析：
基于文献调查和德尔菲法，构建新能源汽车通用零部件供应商评价体系，包含供货能力、产品质量、价格成本、技术水平、售后服务五个一级指标，细化为15个二级指标（如准时交付率、PPM值、报价竞争力、研发投入占比等）。收集30家供应商数据，进行因子分析降维，提取4个公共因子（质量因子、成本因子、技术因子、交付因子），累计方差贡献率86.3%。计算因子得分，作为GA-BP神经网络的输入。
（2）GA-BP神经网络供应商综合评价模型：
设计三层BP神经网络，输入层4节点（因子得分），隐藏层8节点，输出层1节点（综合评分）。使用遗传算法优化BP的初始权重和阈值，种群规模30，进化代数50，适应度函数为网络输出与专家评分的最小均方误差。训练集为20家供应商，测试集10家。优化后网络收敛速度提高3倍，测试集预测误差平均绝对百分比MAPE=4.2%，优于单独BP的9.8%。以B公司15家白车身供应商为例，模型输出评分与实际绩效排名相关性达到0.93。
（3）电池供应商选择层次分析法：
针对电池供应商特点，重新构建评价体系（技术水平、产品质量、售后服务、可持续性）。采用层次分析法确定权重（特征向量一致性比率CR=0.036），对4家电池供应商进行评分。结果推荐供应商C综合得分最高（0.89），其次为D（0.82）。该研究为新能源汽车企业供应商选择提供了可量化的决策工具。
import numpy as np import tensorflow as tf from sklearn.preprocessing import StandardScaler from scipy.stats import chi2 class FactorAnalysis: def __init__(self, n_factors=4): self.n_factors = n_factors def fit(self, X): # 简化的因子分析：使用PCA mean = np.mean(X, axis=0) X_centered = X - mean cov = np.cov(X_centered.T) eig_vals, eig_vecs = np.linalg.eig(cov) idx = np.argsort(eig_vals)[::-1] self.components = eig_vecs[:, idx[:self.n_factors]].real self.mean = mean def transform(self, X): return (X - self.mean) @ self.components class GABP: def __init__(self, n_input=4, n_hidden=8, n_output=1): self.model = self._build_model(n_input, n_hidden, n_output) self.pop_size = 30 self.n_generations = 50 def _build_model(self, ni, nh, no): model = tf.keras.Sequential() model.add(tf.keras.layers.Dense(nh, activation='tanh', input_shape=(ni,))) model.add(tf.keras.layers.Dense(no, activation='linear')) model.compile(optimizer='adam', loss='mse') return model def _fitness(self, weights, X, y): # 设置权重 self.model.set_weights(weights) loss = self.model.evaluate(X, y, verbose=0) return -loss # 最大化适应度 def train_with_ga(self, X_train, y_train, X_val, y_val): # 遗传算法优化初始权重（示意） best_weights = self.model.get_weights() best_loss = float('inf') for gen in range(self.n_generations): # 模拟种群变异 new_weights = [w + np.random.randn(*w.shape)*0.01 for w in best_weights] self.model.set_weights(new_weights) loss = self.model.evaluate(X_val, y_val, verbose=0) if loss < best_loss: best_loss = loss best_weights = new_weights self.model.set_weights(best_weights) # 再用BP微调 self.model.fit(X_train, y_train, epochs=100, batch_size=8, verbose=0) return self.model def ahp_analysis(): # 层次分析法：判断矩阵 C = np.array([ [1, 3, 2, 4], [1/3, 1, 1/2, 2], [1/2, 2, 1, 3], [1/4, 1/2, 1/3, 1] ]) eig_vals, eig_vecs = np.linalg.eig(C) max_eig = np.max(eig_vals).real n = C.shape[0] CI = (max_eig - n) / (n - 1) RI = 0.9 # n=4时 CR = CI / RI print(f'AHP一致性比率 CR={CR:.3f}') weights = np.abs(eig_vecs[:, np.argmax(eig_vals)]) / np.sum(np.abs(eig_vecs[:, np.argmax(eig_vals)])) return weights.real def supplier_selection(): # 生成模拟数据 np.random.seed(42) X = np.random.rand(30, 15) # 15个指标 y = np.random.rand(30) # 专家评分 fa = FactorAnalysis(n_factors=4) fa.fit(X) X_factors = fa.transform(X) scaler = StandardScaler() X_scaled = scaler.fit_transform(X_factors) # 划分训练测试 train_idx = list(range(20)) test_idx = list(range(20,30)) gabp = GABP() gabp.train_with_ga(X_scaled[train_idx], y[train_idx], X_scaled[test_idx], y[test_idx]) pred = gabp.model.predict(X_scaled[test_idx], verbose=0) mape = np.mean(np.abs((y[test_idx] - pred.flatten()) / y[test_idx])) * 100 print(f'MAPE: {mape:.2f}%') # AHP示例 ahp_weights = ahp_analysis() print('AHP weights:', ahp_weights) if __name__ == '__main__': supplier_selection()
