在消费者个性化需求持续增长、公司规模不断扩大的双重因素影响下，传 统需求预测方法和库存控制策略的准确性和有效性受到严重不良影响。汽车零 部件制造企业在供应管理过程中普遍存在高库存、低有货、全局性供需不匹配 的现象，库存控制优化已成为困扰汽车零部件制造企业的一大难题。尽管国内 外很多学者对零部件的库存控制问题进行了研究，但是在这些研究中依然存在 一定的局限性。基于此，本文提出了基于改进需求预测方法的汽车零部件库存 成本优化方法。具体研究工作如下： 本文分析了汽车零部件制造企业库存控制实施的当前现状，并且对汽车零 部件的库存需求特征进行了分析，利用灰色关联度模型定性分析需求与其相关 因素之间的亲疏关系，从而构建了汽车零部件的需求预测指标体系。 针对汽车零部件系统的复杂性和高度非线性特征，并结合样本数据特点， 选取将灰色模型（GM）和 BP 神经网络（BPNN）相互融合的灰色神经网络模 型（GM-BPNN）用于汽车零部件的需求预测。考虑到传统 GM-BPNN 模型的预 测效果会受到 GM（1,1）与 BPNN 模型自身局限性的影响，本文采用支持向量 回归算法（SVR）对 GM 模型的残差进行修正，以及利用改进麻雀搜索算法 （ISSA）对 BPNN 的结构参数进行优化，并根据有效度原理确定了各单一模型 结果的权重，构建了面向汽车零部件需求的改进 GM-BPNN 组合预测模型。 在上述需求预测的研究成果上并结合企业库存控制的实际情况，以最小化 库存成本为目标，建立了包括资金约束、仓储空间约束、订货提前期的库存成 本模型。根据模型的属性特征，选取具有简单高效、鲁棒性强优点的差分进化 算法（DE）对模型进行求解。针对传统 DE 算法的不足之处提出了新的整数变 量变异策略、选择策略和控制参数确定方法，并且使用标准测试函数对算法的 性能进行仿真实验，结果表明改进 DE 算法的求解性能得到大幅度提升。 以 M 公司 W 仓库作为实例分析，一方面，通过将本文所提出的预测模型与 基于 BP、GM、ISSA-BP、SVR-GM 算法得到的预测结果进行对比；另一方面， 基于上述需求预测量，利用改进 DE 算法对库存成本模型进行求解，结果表明 基于改进需求预测方法所得到的库存持有成本相较于原有库存控制策略降低了 46.36%，总库存成本降低了 16.92%。因此，本文所提出的基于改进需求预测方 法的汽车零部件库存成本优化方法具有一定的可行性与有效性。

任春华，孙林夫，吴奇石. 基于 LRFAT 模型和改进 K-means 的汽车忠诚客户细分方法[J].计算机集成制造系统，2019,25（12）：3267-3278.

[2] 张博恩，李存斌.浅析物流企业的库存需求预测方法[J].中国物流与采购，2023,No.663（02）：103-104.

[3] 任春华，孙林夫，韩敏. 面向多价值链的汽车配件需求预测模型[J].计算机集成制造系统，2021,27（10）：2786-2800.

[4] Rania Kolaghassi; Mohamad Kenan Al-Hares;Konstantinos Sirlantzis.Systematic Review of Intelligent Algorithms in Gait Analysis and Prediction for Lower Limb Robotic Systems[J].IEEE Access, 2021, Vol. 9: 1.

[5] Zeng B, Duan H, Zhou Y. A new multivariable grey prediction model with structure compatibility[J]. Applied Mathematical Modelling, 2019, 75：385-397.

[6] 綦方中，张磊磊. 基于改进灰色预测模型的供应链韧性评价与预警研究[J].工业技术经济，2022,41(12)：100-107.

[7] 李楠，陈重华，陈国忠，等. 基于改进灰色模型的遥测变量预测方法[J].上海航天（中英文），2020,37(06)：92-97.

[8] Ding S,Tao Z, Zhang H, et al. Forecasting nuclear energy consumption in China and America: An optimized structure-adaptative grey model[J].Energy, 2022, 239: 121928.

[9] Moonchai S, Chutsagulprom N. Short-term forecasting of renewable energy consumption: Augmentation of a modified grey model with a Kalman filter[J]. Applied Soft Computing, 2020, 87: 105994.

[10] 马创，周代棋，张业. 基于改进鲸鱼算法的 BP 神经网络水资源需求预测方法[J].计算机科学，2020,47（S2）：486-490.

[11] Chen Y, Zhang D, Karimi H R, et al. A new deep learning framework based on blood pressure range constraint for continuous cuffless BP

estimation[J]. Neural Networks, 2022, 152：181-190.

[12] 梁龙跃，陈玉霞. 基于深度学习神经网络的季度 GDP 预测[J].统计与决策，2023,39(02)：24-29.

[13] 胡剑波，罗志鹏，李峰. “碳达峰”目标下中国碳排放强度预测——基于 LSTM 和 ARIMA-BP 模型的分析[J].财经科学，2022,No.407(02)：89-101.

[14] 孟超，刘名，党瑞，等. 基于神经网络的气象备件库存预测控制可用性研究[J].自动化技术与应用，2022,41(03)：17-21+26.

[15] 张文胜，郝孜奇，朱冀军，等. 基于改进灰狼算法优化 BP 神经网络的短时交通流预测模型[J].交通运输系统工程与信息，2020,20(02)：196-203.

[16] 赵振兵，强一凡，李信，等. 基于改进循环神经网络的配电网超短期功率预测方法[J].电力科学与技术学报，2022,37(05)：144-154.武汉理工大学硕士学位论文

[17] Qu Z, Mao W, Zhang K, et al. Multi-step wind speed forecasting based on a hybrid decomposition technique and an improved back-propagation neural network[J]. Renewable energy, 2019, 133：919-929.

[18] 毕文杰，周玉冰. 基于深度强化学习的生鲜产品联合库存控制与动态定价研究[J].计算机应用研究，2022,39(09)：2660-2664.

[19] 姚大成. 具有非线性采购成本库存控制问题的研究现状与挑战[J].运筹学学报，2021,25(03)：105-118.

[20] 王东红. 随机产出和需求下的定价与库存控制研究综述[J].物流技术，2014,33(01)：20-24.

[21] 杨树馨，高诗惠，李春燕，等. EOQ 理论下汽车装配厂库存管理优化研究[J].物流科技，2022,45(15)：148-151.

[22] Alfares H K, Ghaithan A M. EOQ and EPQ production-inventory models with variable holding cost: state-of-the-art review[J]. Arabian Journal for Science and Engineering, 2019, 44：1737-1755.

[23] 李群霞，马风才，张群. 供应链提前期供需联合优化库存模型研究[J].中国管理科学，2015,23(04)：117-122.

[24] 丽平，张建辉. 基于误差修正模型的汽车需求影响因素分析[J].科技管理研究，2014,34(07)：106-109+122.

[25] 龚其国，黄文辉. 供应链管理中集中库存研究综述与展望[J].管理评论2017,29(11)：206-215.

[26] 王海燕，隽志如，Henry Xu. 需求分布规律变化情况下的报童订货策略[J].中国管理科学，2018,26(04)：22-29.

[27] Hemmecke R, Köppe M, Lee J, et al. Nonlinear integer

programming[M]. Springer Berlin Heidelberg, 2010.

[28] 赵丹，高岳林. 非线性整数规划问题的无参数填充函数算法[J].运筹学学报，2020,24(04)：63-73.

[29] Mosa M A, Anwar A S, Hamouda A. A survey of multiple types of text summarization with their satellite contents based on swarm intelligence optimization algorithms[J]. KnowledgeBased Systems, 2019, 163：518-532.

[30] 郭恩铭，方洋旺，彭维仕，等. 基于优劣解距离法的群智能优化算法性能排序[J].探测与控制学报，2022,44(02)：104-114.

[31] Song Y, Cai X, Zhou X, et al. Dynamic hybrid mechanism-based differential evolution algorithm and its application[J]. Expert Systems with Applications, 2023, 213：118834.

[32] Deng W, Ni H, Liu Y, et al. An adaptive differential evolution algorithm based on belief space and generalized opposition-based learning for resource allocation[J]. Applied Soft Computing, 2022, 127：109419.

[33] Deng W, Shang S, Cai X, et al. An improved differential evolution algorithm and its application in optimization problem[J]. Soft Computing, 2021, 25：5277-5298.武汉理工大学硕士学位论文78

[34] 张子恒，吴定会，杨朝辉，等. 基于改进差分进化算法的微网容量优化配置[J].控制工程，2023,30(01)：90-97.

[35] 庞水，李广磊，贝兆彧，等. 基于改进 DE 算法的船舶能量优化调度方法[J].船舶工程，2022,44(S1)：495-499.

[36] Wang G G, Gao D, Pedrycz W. Solving multiobjective fuzzy job-shop scheduling problem by a hybrid adaptive differential evolution algorithm[J]. IEEE Transactions on Industrial Informatics,2022,18(12)： 8519-8528.

[37] 陈睿，饶政华，廖胜明. 数据有限区域中长期能源需求预测的混合 LEAP 建模方法（英文）[J].Journal of Central South University，2019,26（08）：2136-2148.

[38] Feng P, Wu F, Fung R Y K, et al. The order and transshipment decisions in a two-location inventory system with demand forecast updates[J]. Computers & Industrial Engineering, 2019, 135： 53-66.

[39] 李洪兵, 张吉 军.天然 气需求影 响因素分析 及未来需求 预测[J].运筹与管理，2021,30(09)：132-138.

[40] 雷斌，赵蕊，王卫红，等. 库存需求预测方法研究综述[J].统计与决策，2021,37(03)：58-62.

[41] 魏巍，贺雷永，李垂辉. 基于遗传算法和灰色神经网络的电力机车产品需求预测方法[J].包装工程，2022,43(12)：37-44.

[42] Ding S, Tao Z, Zhang H, et al. Forecasting nuclear energy consumption in China and America: An optimized structure-adaptative grey model[J]. Energy, 2022,239：121928.

[43] AlAlaween W H, Abueed O A, AlAlawin A H, et al. Artificial neural networks for predicting

the demand and price of the hybrid elec tric vehicle spare parts[J]. Cogent Engineering, 2022, 9(1)：2075075.

[44] Wang Z X, Wang Z W, Li Q. Forecasting the industrial solar energy consumption using a novel seasonal GM (1, 1) model with dynamic seasonal adjustment factors[J]. Energy, 2020, 200：117460.

[45] Wang H, Wang Y, Wu D. A new seasonal cycle GM (1, 1) model and its application in railway passenger volume forecasting[J]. Grey Systems: Theory and Application, 2022, 12(2)：293-317.

[46] Guermoui M, Gairaa K, Boland J, et al. A novel hybrid model for solar radiation forecasting using support vector machine and bee colony optimization algorithm: review and case study[J]. Journal of Solar Energy Engineering, 2021,143(2).

[47] 杜文然，陆航，杨涛存，等. 基于灰色 GM(1,1)残差修正模型的动车组故障率预测[J].铁道机车车辆，2021,41(02)：17-21.

[48] 陆文星，戴一茹，李楚等. 基于改进 PSO-BP 神经网络的旅游客流量预测方法[J].系统科学与数学，2020,40(08)：1407-1419.武汉理工大学硕士学位论文79

[49] Feng P, Wu F, Fung R Y K, et al. The order and transshipment decisions in a two-location inventory system with demand forecast updates[J]. Computers & Industrial Engineering, 2019, 135：53-66.

[50] Hemmecke R, Köppe M, Lee J, et al. Nonlinear integer programming[M]. Springer Berlin Heidelberg, 2010.

[51] 陈宝奇，周再祥，张强. 基于混沌麻雀搜索算法优化 BP神经网络的短期风电功率预测[J].工业仪表与自动化装置，2022,No.288(06)：13-17.

[52] Funahashi K I. On the approximate realization of continuous mappings by neural networks[J]. Neural networks, 1989, 2(3)：183-192.

[53] 陈刚.客制化设备制造企业库存管理的问题和对策研究[J].质量与市场，2023，No.327(04)：52-54.

[54] Lin M, Chin K S, Ma L, et al. A comprehensive multi-objective mixed integer nonlinear programming model for an integrated elderly care service districting problem[J]. Annals of Operations Research, 2020, 291：499-529.

[55] Wolpert D H, Macready W G. No free lunch theorems for optimization[J]. IEEE transactions on evolutionary computation, 1997, 1(1)：67-82.

[56] Wang H, Sun H, Li C, et al. Diversity enhanced particle swarm optimization with neighborhood search[J]. Information Sciences, 2013, 223：119-135.

[57] Deng W, Xu J, Song Y, et al. Differential evolution algorithm with wavelet basis function and optimal mutation strategy for complex optimization problem[J]. Applied Soft Computing, 2021, 100：106724.

[58] Brest J, Greiner S, Boskovic B, et al. Self-adapting control parameters in differential evolution: A comparative study on numerical benchmark problems[J]. IEEE transactions on evolutionary computation, 2006, 10(6)：646-657.