小批量多品种的通用件制造企业因其管理的复杂性和自身产品所具有的特点,越来越受到人们的重视。本文针对传统库存预测不精准提出一种可依赖长期数据关系的循环神经网络算法,然后针对库存总成本过高提出协调性调拨策略。本文主要完成了以下几方面的工作:首先,针对传统的时间序列预测方法不能充分利用数据之间的长期依赖关系的问题,本文研究了一种基于长短期记忆(Long Short-Term Memory,LSTM)循环神经网络算法用于库存预测研究,通过算例仿真分析了LSTM对库存预测的有效性。在此基础上为了解决输入数据的重叠、以及神经单元状态未被充分利用的问题,提出了一种基于LSTM改进的算法用于对库存进行预测。改进的LSTM具体通过调整门限结构来提高对复杂数据的学习和充分的利用输入数据。通过算例仿真,从图像、图表以及质量评估手段等多个方面验证了改进后的LSTM循环神经网络对库存预测的效果更好。仿真结果表明,相较于原始的LSTM算法,改进后的LSTM算法收敛更快,运算效率更高,模型训练时间更短,预测值更接近真实值。其次,针对分布式库存仓库间货物相互调拨产生的成本问题,本文研究了一种单一主动调拨模型。中央仓库每隔一个补货周期就向区域次级仓库补货一次,这种模型能缓解部分区域仓库的库存积压,但是在很大程度上不能满足用户的需求,导致当前库存产生缺货成本以及同级的其他仓库产生高额的库存持有成本。为了解决整个库存系统的库存成本高的问题,本文提出了一种次级仓库之间可横向补货的协调式调拨策略,解决了缺货损失问题和降低了库存持有成本等问题。该模型的建立是为了协调各个次级仓库之间的库存水平,以一定时间内的总体成本最少为优化的目标函数,通过次级仓库的之间合理的库存调拨方式来最小化调拨成本,增加企业收入的同时减少库存成本,避免盲目调度带来的额外成本开销,最终通过模型求解,验证了该策略的有效性。最后,本文在上述研究的基础上,基于SpringBoot等Java企业级框架进行了分布式库存系统的开发,用于指导该通用件制造企业的生产,该系统总共包含六大子系统,本文对其进行了详细设计、代码实现以及系统功能完整的测试。