Resumen

El control de inventario es un factor clave para reducir los costos de la cadena de suministro y aumentar la satisfacción del cliente. Sin embargo, la predicción del nivel de inventario es una tarea desafiante para los gerentes. Como una de las técnicas ampliamente utilizadas para el control de inventario, la red neuronal BP estándar tiene problemas como una tasa de convergencia baja y una baja precisión de predicción. Con el objetivo de abordar estos problemas, en este artículo se desarrolla un nuevo modelo de red neuronal BP de convergencia rápida para predecir el nivel de inventario. Al agregar un desfase de error, este artículo deduce la nueva regla de propagación en cadena y la nueva fórmula de peso. También se aplica el modelo mejorado de red neuronal BP para predecir el nivel de inventario de una empresa de piezas automotrices. Los resultados muestran que el algoritmo mejorado no solo supera significativamente al algoritmo estándar, sino que también supera a algunos otros algoritmos BP mejorados tanto en la tasa de convergencia como en la precis

• Materias:Redes complejas Redes ecológicas Ecuaciones en diferencias Sistema de ecuaciones diferenciales Valor límite fraccional
• Subjects:Complex networks Ecological networks Difference equations System of differential equations Fractional limit value
• Palabras claves:Control de inventario; Costo de la cadena de suministro; Satisfacción del cliente; Precisión de la predicción; Modelo de red neuronal; Tasa de convergencia
• Keywords:Inventory control; Supply chain cost; Customer satisfaction; Prediction accuracy; Neural network model; Convergence rate