基于仿生网络的智能多任务供应链模型
计算机视觉与模式识别
2026-02-10 v2
摘要
供应链的可持续性在实现供应链控制的最优性能方面起着关键作用。管理供应链中出现的风险是发展网络可持续性和提升供应链性能效率的基本问题。产品的正确分类是可持续供应链的另一个基本要素。认识到深度网络领域的最新突破，已经部署了几种架构选项来分析供应链数据集。使用一种新颖的几何深度网络来提出一个集成深度网络。所提出的切比雪夫集成几何网络（Ch-EGN）是一种混合卷积和几何深度学习。该网络旨在利用供应链中的信息依赖性来推导数据库中样本的不可见状态。所提出的深度网络的功能在两个不同的数据库上进行了评估。本研究考虑了SupplyGraph数据集和DataCo。对DataCo供应链的交付状态进行预测以进行风险管理。使用SupplyGraph数据库进行产品分类和边分类，以增强供应网络的可持续性。对于风险管理，集成网络的平均准确率达到98.95%。在可持续供应链方面，针对5个产品组分类和4个产品关系分类，平均准确率分别达到100%和98.07%。针对25个公司关系分类，平均准确率达到92.37%。结果证实了所提出的方法相比最先进方法的平均改进和效率。
引用
@article{arxiv.2510.26203,
title = {An Intelligent Multi-task Supply Chain Model Based on Bio-inspired Networks},
author = {Mehdi Khaleghi and Sobhan Sheykhivand and Nastaran Khaleghi and Sebelan Danishvar},
journal= {arXiv preprint arXiv:2510.26203},
year = {2026}
}
备注
The revised version has been accepted for publication in MDPI Biomimetics