粒子群算法PSO优化BP神经网络预测MATLAB代码实现(PSO-BP预测)

news2024/11/25 20:25:08

本文以MATLAB自带的脂肪数据集为例，数据集为EXCEL格式，接下来介绍粒子群算法优化BP神经网络预测的MATLAB代码步骤，主要流程包括1. 读取数据 2.划分训练集和测试集 3.归一化 4.确定BP神经网络的隐含层最优节点数量 5. 使用粒子群算法优化BP的神经网络权重和阈值 6. 利用优化后的参数训练BP神经网络 7. 计算BP和PSO-BP的测试集预测误差，包括MAE、RMSE、MAPE、拟合优度R方，以及作优化前后的预测值和真实值对比图。

一般来说通过加入启发式算法以及调试好参数后，模型的预测性能将具有明显的提升。下图是优化结果，相对误差从28%降低到7%，粒子群算法的优化效果非常明显。

在这里插入图片描述

以下是粒子群算法PSO优化BP预测代码：

1. 初始化代码

clear                          % 清除工作区，防止工作区存在相关变量对代码产生影响
close all					   % 关闭所有已有图像
clc							   % 清空命令行窗口

2. 读取数据代码

data=xlsread('数据.xlsx','Sheet1','A1:N252'); %%使用xlsread函数读取EXCEL中对应范围的数据即可
%输入输出数据
input=data(:,1:end-1);    %data的第一列-倒数第二列为特征指标
output=data(:,end);  %data的最后面一列为输出的指标值

如果从博客直接复制代码，因为没有EXCEL文件，可用以下三行代码替换上面data，input，output三个变量的赋值命令：

% 生成加法器数据集
input = rand(252, 13);              % 13个加数作为输入，共252组加法题
output = sum(input, 2);             % 13个加数之和作为输出
data = [input, output];             % 合并输入与输出数据集

3. 划分训练集、测试集代码

N=length(output);   %全部样本数目
testNum=15;   %设定测试样本数目
trainNum=N-testNum;    %计算训练样本数目

input_train = input(1:trainNum,:)';
output_train =output(1:trainNum)';
input_test =input(trainNum+1:trainNum+testNum,:)';
output_test =output(trainNum+1:trainNum+testNum)';

4. 数据归一化代码

[inputn,inputps]=mapminmax(input_train,0,1);
[outputn,outputps]=mapminmax(output_train);
inputn_test=mapminmax('apply',input_test,inputps);

5. 确定隐含层节点个数代码

inputnum=size(input,2);
outputnum=size(output,2);
disp('/')
disp('神经网络结构...')
disp(['输入层的节点数为：',num2str(inputnum)])
disp(['输出层的节点数为：',num2str(outputnum)])
disp(' ')
disp('隐含层节点的确定过程...')

%确定隐含层节点个数
%采用经验公式hiddennum=sqrt(m+n)+a，m为输入层节点个数，n为输出层节点个数，a一般取为1-10之间的整数
MSE=1e+5; %初始化最小误差
for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10

    %构建网络
    net=newff(inputn,outputn,hiddennum);
    % 网络参数
    net.trainParam.epochs=1000;         % 训练次数
    net.trainParam.lr=0.01;                   % 学习速率
    net.trainParam.goal=0.000001;        % 训练目标最小误差
    % 网络训练
    net=train(net,inputn,outputn);
    an0=sim(net,inputn);  %仿真结果
    mse0=mse(outputn,an0);  %仿真的均方误差
    disp(['隐含层节点数为',num2str(hiddennum),'时，训练集的均方误差为：',num2str(mse0)])

    %更新最佳的隐含层节点
    if mse0<MSE
        MSE=mse0;
        hiddennum_best=hiddennum;
    end
end
disp(['最佳的隐含层节点数为：',num2str(hiddennum_best),'，相应的均方误差为：',num2str(MSE)])

以下是运行代码后在命令行窗口打印的神经网络结构

/
神经网络结构...
输入层的节点数为：13
输出层的节点数为：1
 
隐含层节点的确定过程...
隐含层节点数为4时，训练集的均方误差为：0.031275
隐含层节点数为5时，训练集的均方误差为：0.034734
隐含层节点数为6时，训练集的均方误差为：0.035053
隐含层节点数为7时，训练集的均方误差为：0.027684
隐含层节点数为8时，训练集的均方误差为：0.030898
隐含层节点数为9时，训练集的均方误差为：0.031399
隐含层节点数为10时，训练集的均方误差为：0.027933
隐含层节点数为11时，训练集的均方误差为：0.029294
隐含层节点数为12时，训练集的均方误差为：0.046231
隐含层节点数为13时，训练集的均方误差为：0.031752
最佳的隐含层节点数为：7，相应的均方误差为：0.027684

6. 构建最佳隐含层节点的BP神经网络代码

disp(' ')
disp('标准的BP神经网络：')
net0=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm');% 建立模型

%网络参数配置
net0.trainParam.epochs=1000;         % 训练次数，这里设置为1000次
net0.trainParam.lr=0.01;                   % 学习速率，这里设置为0.01
net0.trainParam.goal=0.00001;                    % 训练目标最小误差，这里设置为0.0001
net0.trainParam.show=25;                % 显示频率，这里设置为每训练25次显示一次
net0.trainParam.mc=0.01;                 % 动量因子
net0.trainParam.min_grad=1e-6;       % 最小性能梯度
net0.trainParam.max_fail=6;               % 最高失败次数

%开始训练
net0=train(net0,inputn,outputn);

%预测
an0=sim(net0,inputn_test); %用训练好的模型进行仿真

%预测结果反归一化与误差计算
test_simu0=mapminmax('reverse',an0,outputps); %把仿真得到的数据还原为原始的数量级

%误差指标
[mae0,mse0,rmse0,mape0,error0,errorPercent0]=calc_error(output_test,test_simu0);

以下是对BP神经网络预测结果的性能评估

标准的BP神经网络：
平均绝对误差mae为：              4.7787
均方误差mse为：                    30.1094
均方误差根rmse为：                5.4872
平均绝对百分比误差mape为：   23.8809 %

7. 粒子群算法寻最优权值阈值代码

disp(' ')
disp('PSO优化BP神经网络：')
net=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm');% 建立模型

%网络参数配置
net.trainParam.epochs=1000;         % 训练次数，这里设置为1000次
net.trainParam.lr=0.01;                   % 学习速率，这里设置为0.01
net.trainParam.goal=0.00001;                    % 训练目标最小误差，这里设置为0.0001
net.trainParam.show=25;                % 显示频率，这里设置为每训练25次显示一次
net.trainParam.mc=0.01;                 % 动量因子
net.trainParam.min_grad=1e-6;       % 最小性能梯度
net.trainParam.max_fail=6;               % 最高失败次数

%初始化PSO参数
popsize=10;   %初始种群规模
maxgen=50;   %最大进化代数
dim=inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum;    %自变量个数
lb=repmat(-3,1,dim);    %自变量下限
ub=repmat(3,1,dim);   %自变量上限
c1 = 2;  % 每个粒子的个体学习因子，也称为个体加速常数
c2 = 2;  % 每个粒子的社会学习因子，也称为社会加速常数
w = 0.9;  % 惯性权重
vmax =3*ones(1,dim); % 粒子的最大速度
vmax=repmat(vmax,popsize,1);
x = zeros(popsize,dim);
for i = 1: dim
    x(:,i) = lb(i) + (ub(i)-lb(i))*rand(popsize,1);    % 随机初始化粒子所在的位置在定义域内
end
v = -vmax + 2*vmax .* rand(popsize,dim);  % 随机初始化粒子的速度（设置为[-vmax,vmax]）

8. 计算适应度代码

fit = zeros(popsize,1);  % 初始化这n个粒子的适应度全为0
for i = 1:popsize  % 循环整个粒子群，计算每一个粒子的适应度
    fit(i) = fitness(x(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test);   % 调用函数来计算适应度
end
pbest = x;   % 初始化这n个粒子迄今为止找到的最佳位置
ind = find(fit == min(fit), 1);  % 找到适应度最小的那个粒子的下标
gbest = x(ind,:);  % 定义所有粒子迄今为止找到的最佳位置

9. 迭代寻优代码

Convergence_curve = ones(maxgen,1);  % 初始化每次迭代得到的最佳的适应度
h0 = waitbar(0,'进度','Name','PSO optimization...',...
    'CreateCancelBtn','setappdata(gcbf,''canceling'',1)');
setappdata(h0,'canceling',0);

for d = 1:maxgen  % 开始迭代，一共迭代K次
    for i = 1:popsize   % 依次更新第i个粒子的速度与位置
        v(i,:) = w*v(i,:) + c1*rand(1)*(pbest(i,:) - x(i,:)) + c2*rand(1)*(gbest - x(i,:));  % 更新第i个粒子的速度
        % 如果粒子的速度超过了最大速度限制，就对其进行调整
        for j = 1: dim
            if v(i,j) < -vmax(j)
                v(i,j) = -vmax(j);
            elseif v(i,j) > vmax(j)
                v(i,j) = vmax(j);
            end
        end
        x(i,:) = x(i,:) + v(i,:); % 更新第i个粒子的位置
        % 如果粒子的位置超出了定义域，就对其进行调整
        for j = 1: dim
            if x(i,j) < lb(j)
                x(i,j) = lb(j);
            elseif x(i,j) > ub(j)
                x(i,j) = ub(j);
            end
        end
        %更新第i个粒子的适应度
        fit(i) = fitness(x(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test);
        %更新当前最优粒子位置
        if fit(i) < fitness(pbest(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test)   % 如果第i个粒子的适应度小于这个粒子迄今为止找到的最佳位置对应的适应度
           pbest(i,:) = x(i,:);   % 那就更新第i个粒子迄今为止找到的最佳位置
        end
        %更新历史最优粒子位置
        if  fitness(pbest(i,:),inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test) < fitness(gbest,inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test)  % 如果第i个粒子的适应度小于所有的粒子迄今为止找到的最佳位置对应的适应度
            gbest = pbest(i,:);   % 那就更新所有粒子迄今为止找到的最佳位置
        end
    end
    Convergence_curve(d) = fitness(gbest,inputnum,hiddennum_best,outputnum,net,inputn,outputn,output_train,inputn_test,outputps,output_test);  % 更新第d次迭代得到的最佳的适应度
    waitbar(d/maxgen,h0,[num2str(d/maxgen*100),'%'])
    if getappdata(h0,'canceling')
        break
    end
end
delete(h0)
Best_pos =gbest;
Best_score = Convergence_curve(end);
setdemorandstream(pi);
% 绘制进化曲线
figure
plot(Convergence_curve,'r-','linewidth',2)
xlabel('进化代数')
ylabel('均方误差')
legend('最佳适应度')
title('PSO的进化收敛曲线')
w1=Best_pos(1:inputnum*hiddennum_best);         %输入层到中间层的权值
B1=Best_pos(inputnum*hiddennum_best+1:inputnum*hiddennum_best+hiddennum_best);   %中间各层神经元阈值
w2=Best_pos(inputnum*hiddennum_best+hiddennum_best+1:inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum);   %中间层到输出层的权值
B2=Best_pos(inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+1:inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum);   %输出层各神经元阈值
%矩阵重构
net.iw{1,1}=reshape(w1,hiddennum_best,inputnum);
net.lw{2,1}=reshape(w2,outputnum,hiddennum_best);
net.b{1}=reshape(B1,hiddennum_best,1);
net.b{2}=reshape(B2,outputnum,1);

10. 优化后的神经网络训练代码

net=train(net,inputn,outputn);%开始训练，其中inputn,outputn分别为输入输出样本

11. 优化后的神经网络测试代码

an1=sim(net,inputn_test);
test_simu1=mapminmax('reverse',an1,outputps); %把仿真得到的数据还原为原始的数量级
%误差指标
[mae1,mse1,rmse1,mape1,error1,errorPercent1]=calc_error(output_test,test_simu1);

以下是对优化后的BP神经网络预测结果的性能评估，相对误差从28%降低到7%，粒子群算法的优化效果非常明显。

平均绝对误差mae为：              1.5899
均方误差mse为：                    3.343
均方误差根rmse为：                1.8284
平均绝对百分比误差mape为：   7.0475 %

12. BP预测结果和PSO-BP预测结果对比作图代码

figure
plot(output_test,'b-*','linewidth',1)
hold on
plot(test_simu0,'r-v','linewidth',1,'markerfacecolor','r')
hold on
plot(test_simu1,'k-o','linewidth',1,'markerfacecolor','k')
legend('真实值','BP预测值','PSO-BP预测值')
xlabel('测试样本编号')
ylabel('指标值')
title('PSO优化前后的BP神经网络预测值和真实值对比图')

figure
plot(error0,'rv-','markerfacecolor','r')
hold on
plot(error1,'ko-','markerfacecolor','k')
legend('BP预测误差','PSO-BP预测误差')
xlabel('测试样本编号')
ylabel('预测偏差')
title('PSO优化前后的BP神经网络预测值和真实值误差对比图')

disp(' ')
disp('/')
disp('打印结果表格')
disp('样本序号     实测值      BP预测值  PSO-BP值   BP误差   PSO-BP误差')
for i=1:testNum
    disp([i output_test(i),test_simu0(i),test_simu1(i),error0(i),error1(i)])
end

下图是运行后粒子群算法的适应度曲线，也叫进化曲线。从图中可以看出随着迭代次数的增加，神经网络预测误差在不断下降，约47代达到终值。
在这里插入图片描述

PSO-BP和BP预测结果对比图如下，图中带星号蓝线表示真实值，红线表示BP预测结果，黑线表示PSO优化后的BP预测结果，可以看到黑线和蓝线最为接近，也说明PSO对BP预测结果起到了优化作用。

在这里插入图片描述

分别对PSO-BP和BP的预测结果与真实值做误差，误差计算的结果见下图，可以看到PSO-BP误差稳定在±3内，而BP预测误差在±10内，也可说明PSO-BP的优化效果明显。

在这里插入图片描述
以上便是粒子群算法优化BP神经网络的代码解读，以及结果分析。如果遇到问题，请直接在评论区留言或者在CSDN私信交流

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1835369.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

vue3实现div盒子的内容hover上去时样式改变及部分元素的显隐

vue3实现div盒子的内容hover上去时样式改变及部分元素的显隐

样式&#xff1a; hover后的样式&#xff1a; 整体盒子的背景颜色发生了改变&#xff0c;盒子内边距发生了改变&#xff0c;右下侧的箭头出现 实现方式&#xff1a; 利用mouseover和mouseout并结合css样式实现 template中&#xff1a; <divclass"new-item"v-f…
阅读更多...
uniapp滚动加载

uniapp滚动加载

uniapp实现滚动加载&#xff0c;先获取10条数据&#xff0c;滚动到底时&#xff0c;再获取10条数据&#xff0c;以此类推&#xff0c;直至没有数据为止。 使用scroll-view&#xff0c;注意一定要给一个固定高度&#xff0c;隐藏滚动条会更美观 2. 在data中定义 3. 获取数据 …
阅读更多...
【回溯算法题记录】39. 组合总和

【回溯算法题记录】39. 组合总和

题目&#x1f517; 题目描述 给你一个 无重复元素 的整数数组 candidates 和一个目标整数 target &#xff0c;找出 candidates 中可以使数字和为目标数 target 的 所有 不同组合 &#xff0c;并以列表形式返回。你可以按 任意顺序 返回这些组合。 candidates 中的 同一个 数…
阅读更多...
2. kafka消息队列

2. kafka消息队列

kafka消息队列 一、kafka消息队列二、消息服务的术语三、kafka消息确认机制 ACK四、kafka安装部署1、环境规划2、使用事先部署好的zookeeper管理kafka的高可用3、安装jdk4、安装kafka5、配置kafka6、启动kafka7、测试生产者、消费者模型7.1 创建主题7.2 测试生产者产生数据7.3 …
阅读更多...
Contact-Rich Robot ManipulationTask：grinding and Peg-in-Hole Assembly

Contact-Rich Robot ManipulationTask：grinding and Peg-in-Hole Assembly

Contact-Rich Robot Manipulation Task涵盖了多种需要机器人与环境或物体进行密切接触的复杂操作。 1. Grinding&#xff08;研磨&#xff09; 任务描述&#xff1a;研磨是制造业中常见的加工过程&#xff0c;涉及使用研磨工具去除材料表面的一层或多层&#xff0c;以达到预定…
阅读更多...
轻松掌握使用PuTTY SSH连接cPanel的技巧

轻松掌握使用PuTTY SSH连接cPanel的技巧

作为一名多年的Hostease用户&#xff0c;我深知管理服务器的重要性。在我的工作中&#xff0c;SSH连接是必不可少的工具之一&#xff0c;而PuTTY则是我常用的SSH客户端。今天&#xff0c;我想分享一下如何使用PuTTY SSH连接到cPanel&#xff0c;帮助你更好地管理你的服务器。 第…
阅读更多...
不止程序员！未来职场的王炸组合也许就是“计算机+X”！

不止程序员！未来职场的王炸组合也许就是“计算机+X”！

每年毕业季&#xff0c;都会有不少同学感叹计算机行业“太卷了”&#xff0c;连实习都竞争激烈&#xff0c;不禁让人担忧&#xff1a;学计算机未来还吃香吗&#xff1f; 选择专业时&#xff0c;毕业后好不好找工作&#xff0c;的确是需要慎重考虑的关键因素。 放眼当前就业市…
阅读更多...
同三维T80006EH2-4K30 双路4K30 HDMI编码器

同三维T80006EH2-4K30 双路4K30 HDMI编码器

同三维T80006EH2-4K30 双路4K30 HDMI编码器 2路HDMI输入&#xff0c;各带1路HDMI环出&#xff0c;支持4K30 产品简介&#xff1a; T80006EH2-4K30 4K编码器&#xff08;采集盒&#xff09;是一款双路4K HDMI音视频编码产品&#xff0c;支持2路4K30 HDMI信号输入&#xff0c;各…
阅读更多...
python修改pip install 默认安装路径

python修改pip install 默认安装路径

第一步：通过win菜单，找到Prompt，点击进入 第二步：在cmd里输入 python -m site获得： D:\ProgramData\Anaconda3 ----》是Anaconda安装的位置USER_BASE: C:\Users\kevin… ----》表示默认路径在C盘USER_SITE: C:\Users\kevin… ----》表示默认路径在C盘1.2 修改pip 默认安…
阅读更多...
私有化地图离线部署方案之基础地图服务

私有化地图离线部署方案之基础地图服务

私有化地图离线部署整体解决方案&#xff0c;除硬件之外&#xff0c;一般主要由基础地图服务、地理逆编码服务、离线路径规划服务和海拔高程检索服务构成。 现在先为你分享基础地图服务&#xff0c;它是私有化地图离线部署的基础。 基础地图服务 基础地图服务是私有化离线部…
阅读更多...
扩展学习|政策设计的相关内容整理

扩展学习|政策设计的相关内容整理

现有文献整理&#xff1a; [1]蔡长昆,王玉.\"政策建构政治\":理解我国\"顶层设计-地方细则\"——以网约车政策过程为例[J].甘肃行政学院学报, 2019(3):15. [2]贾俊雪,秦聪,刘勇政,等.“自上而下”与“自下而上”融合的政策设计——基于农村发展扶贫项目的经…
阅读更多...
3D三维模型展示上传VR全景创建H5开源版开发

3D三维模型展示上传VR全景创建H5开源版开发

3D三维模型展示上传VR全景创建H5开源版开发 新增三级分类&#xff08;项目分类、项目、默认场景&#xff09; 新增热点 前台创建项目、场景 场景跳转、提示信息 新增热点图标选择 新增预览场景是显示关联场景 新增3D模型展示功能 当然可以&#xff01;以下是一个关于3D三维模…
阅读更多...
现货白银买卖网站靠什么生存？

现货白银买卖网站靠什么生存？

现货白银交易平台的官网是该企业在互联网上的门面&#xff0c;它向外界展示了平台的形象、文化和价值观。通过官网&#xff0c;投资者可以了解一家现货白银交易平台的发展历程、服务特色等&#xff0c;从而形成对平台的整体印象。 现货白银平台的官网是其发布官方信息、新闻动态…
阅读更多...
logback-spring.xml 小记

logback-spring.xml 小记

为什么不用logback.xml 名字 加载顺序:logback.xml>application.yml>logback-spring.xml 使用xml中使用到配置文件属性时,就会报错 为什么logback中记录不到运行时报错 logback获取不到堆栈错误 解决办法:在全局错误出使用log.error()指定输出 为什么打印不出来myba…
阅读更多...
2024北京智源大会开幕，智源推出大模型全家桶及全栈开源技术基座新版图，大模型先锋集结共探AGI之路

2024北京智源大会开幕，智源推出大模型全家桶及全栈开源技术基座新版图，大模型先锋集结共探AGI之路

2024年6月14日&#xff0c;第六届“北京智源大会”在中关村展示中心开幕。 北京智源大会是智源研究院主办的“AI内行顶级盛会”&#xff0c;以“全球视野、思想碰撞、前沿引领”为特色&#xff0c;汇聚海内外研究者分享研究成果、探寻前沿知识、交流实践经验。2024北京智源大会…
阅读更多...
WordPress Plugin SQL注入漏洞(CVE-2024-25832)

WordPress Plugin SQL注入漏洞(CVE-2024-25832)

漏洞描述 WordPress Plugin是一种用于扩展和增强WordPress网站功能的软件插件。WordPress是一种流行的内容管理系统&#xff08;CMS&#xff09;&#xff0c;它提供了基本的网站功能&#xff0c;如文章发布、页面管理和用户权限控制等。然而&#xff0c;有时候用户需要更多的功…
阅读更多...
基于YOLOv5m的地面飞机及油罐的目标识别(附数据集和Coovally操作步骤)

基于YOLOv5m的地面飞机及油罐的目标识别(附数据集和Coovally操作步骤)

本文主要内容:详细介绍了利用无人机拍摄的地面停靠的飞机机体以及油罐&#xff0c;进行识别&#xff0c;整个过程从创建数据集到训练模型再到预测结果全部可视化操作与分析。 文末有数据集获取方式&#xff0c;请先看检测效果 现状 飞机识别&#xff0c;在军事侦察、航空安全监…
阅读更多...
《python程序语言设计》2018版第5章第49题l利用turtle绘制乘法口诀表，结果放在最后

《python程序语言设计》2018版第5章第49题l利用turtle绘制乘法口诀表，结果放在最后

2024.06.09 05.49.01version 2024.06.10 05.49.02 经历了一天的奔波&#xff0c;发了两篇博客 开始来到这道题。已经22点了 turtle.penup() turtle.goto(-80, 0) turtle.pendown() turtle.write("Multiplication Table\n", font("", 18, "")) t…
阅读更多...
音频编解码、数据流、音效处理

音频编解码、数据流、音效处理

音频编解码 音频编码 编码流程 音频编码用于把PCM数据通过一定编码器压缩成对应的数据。 编码架构 音频解码 音频解码 用于把数据通过一定解码器转换成PCM数据。 解码架构 编解码格式 按压缩程度区分&#xff1a; 不压缩的格式(UnCompressed Audio Format)&#xff1a;P…
阅读更多...
怎么使用海外仓系统？首次引入海外仓系统必备事项清单

怎么使用海外仓系统？首次引入海外仓系统必备事项清单

本文将系统分析首次引入海外仓系统时的必备事项&#xff0c;如果您已经在使用类似的系统&#xff0c;可以根据需要跳跃性阅读。 如果现在海外仓还依赖传统的仓储系统、手动流程甚至电子表格来管理海外仓、一件代发业务&#xff0c;那必然会造成出错率高&#xff0c;运营效率低…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023