[发明专利]一种改进的K_MEANS算法对解决制造业物料采购问题

摘要

一种改进的K_MEANS算法对解决制造业物料采购问题，对供应商数据集进行聚类,选择最优聚类进行成本考量，计算供应商的成本，计算商家的合适指数，计算出最优成本商家，最终输出结果。本发明首先对数据集进行聚类，再对聚类最优集进行属性相似度的考量，较少了算法的计算量，提高算法搜索效率，另一方面，提高了算法解的实用度；以标准购买物料种类数目作为聚类数量，简单有效，减少了算法的复杂度；用物料种类数量来刻画两个用供应商集合中供应商与聚类中心的距离来表示相异度，易于理解，实用性高；选择最优聚类进行成本考量，降低了算法对异常值的敏感程度，同时减小了算法搜寻最优解的范围，同时在最优类内搜寻，得到的解跟理想解会更接近。

主权项

一种改进的K_MEANS算法对解决制造业物料采购问题，本发明涉及企业管理领域，具体地涉及用算法解决制造业物料采购问题，其特征是，包括如下步骤：步骤1：初始化数据集，初始化采购商数据集P，属性(物料)数据集A，采购物料标准X步骤2：对供应商数据集进行聚类，用改进的K_Means算法对供应商数据集聚类，把具有相似性较高的供应商聚为一类，具体的为：（1）确定聚类数量k（2）选择聚类中心，随机在供应商集合中选择k个供应商作为初始聚类中心（3）计算相异度，用物料种类数量来刻画两个用供应商集合中供应商与聚类中心的距离来表示相异度（4）聚类，将每个供应商聚类到与它相异度最小的聚类中心中去（5）计算聚类平均值，计算每个聚类中所有供应商的物料种类平均值，并将这个平均值作为新的聚类中心（6）反复执行（3）、（4），直到聚类中心不再进行大范围移动或者聚类次数达到要求为止（7）输出聚类步骤3：选择最优聚类进行成本考量，最优聚类的选择规则如下：（1）计算所有类中心到标准采购量的距离（2）选择距离最小的聚类作为最优聚类，统计出最优聚类所包含的供应商数量（3）成本考量如步骤4所述步骤4：计算最优聚类里面每个供应商的成本步骤5：计算商家的合适指数步骤6：选出适应度最大的物料供应商步骤7：计算找出最优成本商家步骤8：算法结束，输出最佳结果。