随着市场竞争的加剧,供应链管理的思想正被广泛应用,而库存控制是供应链管理中的一个重要组成部分,库存控制是降低库存成本和提高顾客满意程度的关键因素,有效的企业库存能够创造巨大的经济价值。随着信息化技术的发展,将智能技术应用到企业供应链管理中成为一种必然的趋势,因此,将此技术用于供应链库存控制中也是目前研究的一个热点。人工神经网络是计算机智能技术之一,BP神经网络是目前应用最为广泛的神经网络之一,但是BP神经网络存在着容易陷于局部极小值,收敛速度慢,训练时间长等问题。针对BP算法收敛速度慢的问题,提出了一种动态自适应调整学习参数的改进型BP算法,在学习过程中,动态的调整参数和误差收敛界限值,将改进后的算法应用到XOR问题中,实验表明该算法可以自动的调节参数值,减少了震荡,加快收敛速度。针对BP算法容易陷入局值的问题,提出用遗传算法优化网络初始权值,遗传算法是一种随机优化技术,它可以发现全局最优解,因此,将遗传算法与BP神经网络结合将有利于实现优势互补,并在保证遗传算法整体优化特性的前提下,加快算法的收敛速度。选用某一汽车企业的零配件——轴承为研究对象,分析影响该配件库存的因素,设计三层BP神经网络模型,并提出一种改进遗传算子的自适应遗传算法,该算法通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为零的情况。最后将改进后的算法与BP网络结合,建立库存控制模型,并在Matlab环境下对其进行仿真实验。实验结果表明,用该模型所得测试结果的误差在要求范围之内,并且改进后的算法能避免局值,提高网络的收敛速度,改善了网络的学习性能。所以本文提出的改进算法是有效的并具有了一定的现实意义。