目标协同

2024-08-05

目标协同（精选8篇）

目标协同篇1

一、引言

现代战争是海、陆、空、电磁环境四位一体的总体战, 迅速而准确的定位目标是现代战争首先必须解决的难题。数据链作为军队指挥、控制与情报系统传输信息的工具和手段, 其基本作用是保证战场上各个作战单元之间迅速交换情报信息, 共享作战单元掌握的情报。通过数据链传递信息完成机载平台对目标的多站协同定位, 实现对敌方目标的精确定位和跟踪的目的, 使得目标状态、属性等战场态势信息可在最短时间内形成目标的相关信息。

多站无源时差定位 (TDOA) 是一种重要的无源定位方式, 在多链协同情况下, 由于多个平台提供时差信息, 可对高机动目标完成有效定位。多站无源时差定位 (TDOA) 采用多个站接收到的目标辐射信号, 通过三个或多个平台完成定位, 二维平面内需要三个观测站才能完成定位并确定其双曲线的交点。如果要在空间确定一个目标, 则至少需要4个站形成3对双曲面才能确定辐射源的位置。当4个机载平台对运动目标进行三维时差定位时, 其定位精度和时差的测量误差、观测站的站址误差以及布站方式有关, 而针对目标本身的运动造成的误差分析目前比较少, 由于目标运动的不规律性, 往往会导致定位精度的下降[1]。本文在确定时差的测量误差、站址误差及布站情况下, 完成目标运动对定位精度的影响分析, 通过建立运动学分析模型, 达到对目标定位精度的提高。

二、时差定位原理

时差定位[2,3,4,5]是在目标在运动中处于一个三维空间, 几何意义下就是在空间中寻找到多个双曲面的交点。设定空间各个观测站为:多个TDOA方程构建的是多个双曲面, 在无误差情况下, 双曲面会交于一点。该点即是目标位置。一般来说, 多布站对提高目标精度是有效的, 但是考虑到实际情况, 往往无限制布站受地理位置及预算的约束。因此需要考虑在有效布站情况下定位情况。

采用时差定位是通过多个接收机获取目标应答机信号, 得到到达时间差, 为了分析方便, 考虑二维情况。假设目标的真实位置坐标为 (x, y) T, 各测量站坐标为 (xi, yi) T, l=1, 2, …, M, 假设dl为目标到测量站之间的距离值:

则由第i个基站与到第1个基站的距离差表示如下:

将式 (2) d1值移往左边, 并且等式两边平方, 得到:

当i=1时, 可得

时差定位方法的解析求解策略都是按照式 (5) 展开的, 典型的解决方法有泰勒级数展开法 (Taylor) 算法, Chan算法等[6,7,8]。

三、目标高机动误差分析

3.1影响时差定位的误差分析

针对接收到的时差定位信号, 在目标高机动的情况下, 由于与接收站之间存在明显的相对运动, 因此在这种情况下, 相对运动引起的TDOA误差将不能忽略, Chan和Ho将这种效应称为到达时间尺度差 (SDOA) [9,10], 并分析了其影响。

假设两传感器收到信息表述如下:假设

其中s (t) 表示发射信号, φ (t) 和ϕ (t) 为加性噪声, 噪声具有独立同分布的特点。D为测得的时差, 在2r (t) 中存在一个尺度因子a, 当运动速度较慢时, a近似等于1, 但是当运动速度过快时, 由于尺度因子不为1, 则必然引起时差定位误差的增大, 为了有效求解该问题, 采用联合估计的办法。求解两者的互模糊函数T

上式的物理意义在于在观测周期T内, a, τ使CAF最大的值即为最优的定位策略。在无噪声时, 有下式存在

可见当α=a且τ=D时, 可取得较好的定位效果。目前除了二维搜索之外, 还没有关于{α, τ}的封闭形式解, 这就要求在一定的范围内对每一对可能的{α, τ}计算式 (9) 。由于在数值上无法精确的分析, 常常采用近似的办法进行分析。比如采用牛顿法进行等。本文采用误差分析方法, 针对其不同的运动模式进行其误差分析。

3.2目标高机动特征分析

目标高机动[11]是指目标的运动模式不局限于一种形式, 在目标跟踪中, 对于目标运动而言, 运动模式多变, 其机动模型一般具有如下几类:CV、CA等。对于高机动运动而言, 从其运动轨迹而言, 对其进行如下分类, 同向运动、反向运动、急转弯、蛇形机动。通过这四种运动轨迹的组合, 可以对高机动目标的运动轨迹进行逐段分析。针对不同的运动模式, 对其描述如下:

1) 同向运动。同向运动时指运动目标和观测站两者靠近, 在假设观测站静止时, 则其运动方程为:

其中, x0, y0, z0为目标初始位置, vx, vy, vz为目标相对于观测站的速度。同向运动中, 速度方向指向观测站。

2) 反向运动。反向运动中, 其运动方程与同向运动相同, 唯一差别是速度方向背离观测站。

3) 急转弯运动。针对急转弯运动的模拟, 圆周运动或采用椭圆运动或二次曲线运动进行描述, 为了描述简单, 假设目标在一个平面内做急转弯运动, 比如假设在XOY平面内完成该运动, 则其运动方程采用二次曲线描述如下:

其中, a, b, c为常数, a不为0。

4) 蛇形运动。针对蛇形运动是类似正弦函数一样的运动, 考虑到其运动过程, 同样为了计算简单, 将其运动限定在XOY平面内。具体运动方程描述如下:

其中, a, A, b, φ是常数, A不为0。

3.3 仿真结果分析

根据以上分析, 本文设定如下场景进行仿真, 在立体空间进行仿真。定位平台间夹角:120度, 基线长度:30km, 测量时差的误差:5ns, 布站方式:等腰三角形。主站位于坐标原点, 其余三站位于分别位于XOY平面内。其模拟情况如下:

从图2中可以看出, 由于其运动的方式不同, 其误差变化也不相同, 在目标同向运动或目标反向运动时, 其运动误差基本上在运动初期快速变化, 等对目标跟踪稳定后误差变化范围较小。而目标急转弯中由于目标的机动特性, 误差随着其运动方式不同, 误差变化也不同, 在目标蛇形运动中, 其由于目标运动状态变化剧烈, 其误差也随着其运动呈现其运动特点。根据以上分析, 针对目标高机动运动的特点, 在多链协同无源定位中, 不可能提前计算出其误差分布, 通过建立误差分布与基本运动模型的对应关系, 可在实际定位中较快的进行目标定位, 同时减少目标运动对定位误差的影响。

四、结束语

本文通过分析具体目标高速运动方式, 在时差定位中, 根据目标运动特点对目标高机动进行模拟, 目标运动对误差的影响进行分析, 有效的分析了工程实践中目标机动运动对无源定位误差的影响, 通过实验分析了误差分布规律, 有效的为工程实际提供依据。在实践中, 在目标急转弯时应该对目标误差进行多站修正, 否则可能导致误差过大。在目标运动速度越快, 这种误差越明显, 在目前情况下, 除采用更精密的仪器测量误差外, 仅能多增加观测站来提高精度。在后续工作中, 对目标复合机动以及目标机动情况下, 对布站的影响等需要通过反复观测目标完成其定位。在工程定位中, 由于目标位置未知, 因此最优模型的选择比较困难, 但是可通过建立误差与运动的分布表进行快速模型定位完成最优模型的选择。

参考文献

[1]刘忠.纯方位目标运动分析与被动定位算法研究[D].华中科技大学博士论文, 2002-5.

[2]Nardone.Fundamental properties and performance of conventional bearing-only target mot ion analysis[S].IEEE AES 84-775.

[3]Nardone.Biaed estimation properties of the pseudo linear tracking filter[S].IEEE AES 82-1

[4]张静远.鱼雷战斗使用与作战效能评定[C].海军工程大学, 2002-1.

[5]费业泰.误差理论与数据处理[M].机械工业出版社, 2001-7.

[6]徐钟济.蒙特卡罗方法[M].上海科技出版社, 1985-6.

[7]高海舰, 李陟.多站组网时差测量定位精度算法研究[J].系统工程与电子技术, 2005, 27 (4) :578-581.

[8]苗强, 吴德伟, 毛玉泉.多基站无源定位技术在区域定位网络中的应用[J].现代雷达, 2007, 29 (8) :12-14.

[9]孙仲康, 周一宇, 何黎星.单多基地有源无源定位技术[M].北京:国防工业出版社, 1996.

[10]王瀚, 钟丹星, 周一宇.不规则布站时差定位系统定位精度分析[J].现代电子技术, 2007 (7) :19-21, 24.

[11]杨政.提高时差定位精度的方法[J].电子信息对抗技术, 2007, 22 (4) :9-11, 53.

目标协同篇2

在信息化教学的指引下，手持移动终端已经应用于中学的课堂教学，高中普遍使用电子书包进行信息化协同学习。这一学习模式符合建构主义的理论，建构主义教学理论的基本观点认为，学生主观能动的渴望在已有的认知结构基础上建构或激发新知识的认知，教师起引导和支持作用，学生处主体地位，是主动积极认知而不是被动接受。电子书包环境下的协同学习是螺旋式上升的，包含了主体和客观的环境支持。即学习者（主体）主动获取知识，在过程中借助了教师（客体）的指导和帮助，利用了教学的资源（客观环境），建构获得的。

在电子书包环境的协同学习中，教学目标显得尤为重要，教学目标是课堂的指明灯，有了明确清晰的教学目标，课堂效率才高。传统课堂中，教师在讲授的过程中就会突出重点内容，学生很容易把握，但是在电子书包的协同学习课堂，教师只是列出教学目标，掌握的程度完全由学生把控，如果目标清晰度不高，没有给出明确的指引，将直接影响学生的参与度和对重难点的把握程度。

一、在电子书包环境下教学目标不清晰存在的问题

1. 直接影响学生的参与度。我们对学生进行调查和访谈后发现，教师设计的教学目标不清晰容易出现两种后果，一种是学生不明确教学目标，对教学目标不明确，容易失去学习兴趣，无法激发探究的欲望;另一种是学生虽然有兴趣但是不知道如何探究，参与度降低，从而导致课堂效率降低。在电子书包环境下的协同学习教学模式中，“备学生”是难点，教师要预测学生的反应及配合程度，如果教学目标的执行性差，学生将无从下手，很难进行协同学习。

2. 直接影响学生对课堂重难点的把握程度。教学目标不够清晰，学生无法判断整节课的重难点是什么，在协同的过程中就盲目跟从大家完成任务，完成之后并不清楚通过这个协同他应该要掌握什么知识点。课堂会呈现很热闹的假象，但课后问学生学到什么，学生答不出来。在课后练习验证学习效果时，结果跟预期值相差甚远。

二、在电子书包环境下将教学目标转化为学习目标的意义及方法

1. 意义。如果只是教师掌握了教学目标而学生没有掌握，那么电子书包的协同学习是无法进行的。我们目前要解决的问题就是将教学目标转化为学生易于理解和操作的学习目标，这样学生才能自主将学习目标落实于学习中，在教师的指导下积极主动进行协同学习，达到应有的学习效果。

2. 方法。教师将教学目标转化为易于体验的学习目标，学生在真实体验中完成认知环节，在教师引导下完成总结提升环节，在协同练习中完成巩固知识环节，在这三步后达到预期的学习效果。

三、在电子书包环境的学习资源中进一步优化学习目标

1. 多媒体课件学习目标设置。在位置的选择上，首选多媒体课件的首页作为学习目标的位置，或者选择导航页作为学习目标的位置，也可选择每一页的顶端。

2. 学习网站学习目标设置。有意识地创设符合学生兴趣的话题作为切入点，或者创设符合实际生活的情境，学生就容易体会到电子书包协同学习的学习目标。依靠多媒体的力量，学生可以找出相关题材共享，课堂通过共享题材进入协同学习，让学生热爱这种学习模式，并且真正在这个模式中更加灵活快乐地学习。

四、案例

下面以高一物理必修一《超重和失重》一课为例。

1. 三维教学目标（见表1）

2. 将三维教学目标转化为电子书包环境下协同学习目标（见表2）

对《超重和失重》一课进行了具有可操作性的学习目标的转化后，学生亲身体验了超重失重，印象深刻，课堂参与度明显提高了，学生可以很好的总结出超重失重现象的本质、受力分析图及牛顿第二定律的公式解释。在课堂展示环节每个小组都有自己闪亮的设计，达到了预期的教学效果。

注：本文为2015年度广东省教育研究院教育研究课题“基于手持移动终端的协同学习模式研究”成果。课题编号：GDJY-2015-F-b006。课题主持人：许学添。

目标协同篇3

随着电力系统向大规模发展以及全国联网的初步形成,互联大系统的分解协调计算越来越受到关注[1,2]。解决大系统优化问题的基本思路是将总体问题设法分解为一系列的子问题,通过对子问题各自进行局部优化,使问题得以简化。经典的方法有Benders分解法[3],Dantzig-Wolfe分解法[4]和拉格朗日松弛分解法[5]。文献[6]基于部分对偶理论把全局最优潮流求解问题分解成为多个区域协同优化求解的问题,取得了良好的计算效果。上述文献中,大系统分解协调优化都是基于单目标数学模型。然而实际问题往往面临着多个目标之间的权衡与协调,即多目标决策。如目前电力工业面临的节能环保问题,就是兼顾经济性与环保效果的多目标优化决策。

国外学者对发电调度中的多目标决策研究较早。文献[7]对考虑环境与经济性的多目标调度算法做了一个比较全面的综述。文献[8]采用多目标进化算法求解此类问题。但是这些研究均没有涉及多区域发电调度的多目标决策问题。在实际系统中,各区域的环境质量状况、生产成本、排放基数等客观情况不尽相同,如果各区域采取相同的多目标决策偏好,那么结果与全局优化一致,只能在计算精度和收敛速度上得到一定的提高。

本文提出了一种新的多目标协同优化方法。将大系统分解为多个区域后,各区域根据自身的实际情况设置多目标决策偏好,进行分布式并行优化,并将该方法用于求解考虑经济和环保的互联区域发电调度决策。算例仿真表明,该方法能够以尽量小的经济损失达到环境保护的效果,得到更优的多目标协调解。在电力行业节能减排等环保政策的背景下,具有现实意义。

1 互联区域分解协同优化

在电力系统中,大电网分解成多个相对独立的区域进行协调调度。将电网分区后,模型如图1所示,子系统通过边界节点互联。将变量X分为XA,XB,XAB,XBA这4个部分,其中XA和XB分别表示2个分区内的变量,XAB为A区与B区间联络线上的变量,XBA为B区与A区间联络线上的变量。其中,解列点XAB和XBA为电气上相同的点,具有相同的电气量。

互联电网发电调度的数学模型可表示为:

${\begin{cases} \min F (X_{A}, X_{B}) = f (X_{A}, X_{B}) \\ s . t . h_{L A} (X_{A}, X_{A B}) = 0 \\ h_{L B} (X_{B}, X_{B A}) = 0 \\ g_{A} (X_{A}) \leq 0 \\ g_{B} (X_{B}) \leq 0 \end{cases} (1)$

式中:F为目标函数,一般为发电费用最小;hLA和hLB分别为区域A和B的耦合约束;gA和gB分别为A和B区域内的等式或不等式约束。

如图1所示,电网分区后,断开区域联络线ij(i∈A,j∈B),引入联络线变量TABij 表示由A区内节点i流向开断点的有功潮流,变量T $_{j i}^{B A}$ 表示由B区内节点j流向开断点的有功潮流。因此,区域耦合约束可表示为:

${\begin{cases} h_{L A} (X_{A}, X_{A B}) = \frac{θ_{i}^{A} - θ_{j}^{B}}{x_{i j}^{A B}} - Τ_{i j}^{A B} = 0 \\ h_{L B} (X_{B}, X_{B A}) = \frac{θ_{j}^{B} - θ_{i}^{A}}{x_{j i}^{B A}} - Τ_{j i}^{B A} = 0 \end{cases} (2)$

式中:θAi 和θBj 分别为节点i和j的相位角;x $_{i j}^{A B}$ 和x $_{j i}^{B A}$ 分别为节点i和j到开断点这段线路的电抗;i∈A;j∈B。

应用部分对偶理论,分解后区域A的数学模型可以表示为:

${\begin{cases} \min F_{A} = f_{A} (X_{A}) - \hat{η}^{A B} h_{L B} (X_{B}, \hat{X}_{B A}) \\ s . t . g_{A} (X_{A}) \leq 0 \end{cases} (3)$

式中: $\hat{η}^{A B}$ 的物理意义为AB之间联络线的传输价格; $\hat{X}$ BA为与B区交换边界数据后得到的参数。

同理,可以写出区域B的数学模型。

互联区域协调优化的收敛判据为:每个区域计算出的联络线潮流与毗邻区域计算出的该联络线潮流 $\hat{Τ}_{j i}^{B A}$ 之差小于一个给定的收敛精度ε,即

$| Τ_{i j}^{A B} - \hat{Τ}_{j i}^{B A} | \leq ε i \in A, j \in B (4)$

2 多目标发电调度模型

传统的发电调度一般是以发电费用最小为目标。在环境污染日趋严重的全球背景下,发电调度决策越来越多地考虑经济性与环境保护的相互协调,从而成为一个多目标问题。多目标决策中,各目标函数往往相互矛盾、具有不可公度性。发电调度决策中,生产费用与污染排放是2个相互矛盾的目标,体现了环境与经济相互制约与协调的关系,数学表达如下:

$\begin{array}{l} \min f_{1} = \sum_{i = 1}^{Ν_{G}} C_{i} (Ρ_{i}) Ρ_{i} (5) \\ \min f_{2} = \sum_{i = 1}^{Ν_{G}} α_{i} + β_{i} Ρ_{i} + γ_{i} Ρ_{i}^{2} (6) \end{array}$

式中:Pi为发电机i的有功出力;Ci(Pi)为生产费用函数,表示为Ci(Pi)=aiPi+bi;f1为总生产费用;αi,βi,γi分别为机组i的污染气体排放系数;f2为总污染排放量。

按照线性加权和方法,将多目标优化问题转化为单目标问题[9]:

$f (Ρ) = \min ω f_{1} (Ρ) + (1 - ω) χ f_{2} (Ρ) (7)$

式中:ω和1-ω分别为f1和f2的决策偏好系数,体现决策者对2个目标函数的重视程度;χ为2个目标函数的单位转换系数,采用系统最优生产费用与系统最小排放量之间的比值,χ=min C/min E;min C表示系统最优生产费用,以单独求解目标函数f1得到生产费用的最小值;min E表示系统最小排放量,以单独求解目标函数f2得到污染排放的最小量。

3 互联区域多目标发电调度模型及求解

电力系统中各区域的实际情况往往不同,有的区域中污染轻但发电成本高的大机组占主要比例,有的区域中污染重但发电成本低的老机组较多,而有的区域中2类机组数量相当。以往的多目标决策通常从全局的角度,设定统一的决策偏好系数,没有分别考虑各区域的不同情况。本文尝试了一种新的互联区域多目标求解方法,将各区域的决策偏好系数视为变量,由拉格朗日函数求导得到最优的偏好系数,即由各区域的自身客观情况决定其偏好取值,从而优化整个系统的结果。

将多目标函数(式(7))与区域耦合约束(式(2))代入式((3))(略去常数项),并具体写出区域A内的等式与不等式约束,如下[10]:

$\begin{array}{l} \min F_{A} = ω_{A} \sum_{i \in A} (a_{i} Ρ_{i} + b_{i}) Ρ_{i} + χ_{A} (1 - ω_{A}) \cdot \\ \sum_{i \in A} (γ_{i} Ρ_{i}^{2} + β_{i} Ρ_{i} + α_{i}) - \sum_{\begin{array}{l} i \in A \\ j \in B \end{array}} \hat{η}_{i j}^{A B} \frac{θ_{i}^{A}}{x_{j i}^{B A}} (8) \\ s . t . Μ^{A} θ^{A} + Η_{t i e}^{A} Τ^{A B} = Ρ^{A} - D^{A} (9) \\ Ρ_{i}^{A, \min} \leq Ρ_{i}^{A} \leq Ρ_{i}^{A, \max} i \in A (10) \\ | \frac{θ_{i} - θ_{j}}{x_{i j}} | \leq F_{i j}^{\max} i, j \in A (11) \\ \frac{θ_{i}^{A} - \hat{θ}_{j}^{B}}{x_{i j}^{A B}} = Τ_{i j}^{A B} i \in A, j \in B (12) \\ | Τ_{i j}^{A B} | \leq Τ_{i j}^{A B m a x} i \in A, j \in B (13) \\ 0 \leq ω_{A} \leq 1 (14) \end{array}$

式中:MA为A区内线路的电纳矩阵(去除联络线);θA为A区内节点的电压相角向量;HAtie 为A区内节点与联络线的关联矩阵,A区内节点为联络线始节点时相应值为1,为联络线末节点时相应值为-1,非联络线节点时相应值为0;TAB表示由T $_{i j}^{A B}$ 组成的向量;PA与DA分别为A区内有功出力与负荷向量;xij(i,j∈A)为A区内线路电抗;Fmaxij(i,j∈A)为A区内线路最大传输功率; $\hat{θ}_{j}^{B}$ 为相毗邻区域B计算得到的边界节点j的相角;TABmaxij (i∈A,j∈B)为联络线的传输功率上限。

式(9)表示A区内的有功功率平衡约束。式(10)表示A区内节点有功上下限约束。式(11)表示A区内的线路有功传输约束。式(12)～(13)表示区域A与B之间联络线的传输功率约束。

将式(8)～式(14)写成拉格朗日函数,并分别对PA,θA,TAB,ωA求导(求导过程见附录A),对方程组联立求解得:

$ω_{A} = \frac{χ_{A} (2 e^{Τ} γ Ρ^{A} + e^{Τ} β) - e^{Τ} \hat{η}^{A B} (W_{t i e}^{A})^{Τ} \tilde{Μ}^{A}}{χ_{A} (2 e^{Τ} γ Ρ^{A} + e^{Τ} β) - (2 e^{Τ} Λ Ρ^{A} + e^{Τ} b)} (15)$

式中:eT为单位向量;Λ为由生产费用函数的二阶系数ai为主元的对角阵;b为由生产费用函数的一阶系数bi组成的向量;γ为由污染排放函数的二阶系数γi为主元的对角阵;β为由污染排放函数的一阶系数βi组成的向量; $\tilde{Μ}$ A表示MA的修正矩阵(联络线电纳被加入与之相关的边界节点的主对角元中)(见附录B);WAtie=HAtie(XAtie)-1,XAtie为AB联络线的电抗矩阵。

将式(15)简化为:

$ω_{A} = \frac{R_{A} - S_{A}}{R_{A} - Q_{A}}$

式中:RA为A区中与污染排放系数相关的项;QA为A区中与生产费用相关的项;SA为A区中与传输价格和网络参数相关的项。

由式(15)可知,当该区域机组的污染排放系数较大而生产费用较低时,ωA趋于一个较小的值,即该区域的多目标决策倾向于重点控制污染排放。反之,当该区域机组的污染排放系数较小,而生产费用较高时,ωA趋于一个较大的值,即A区的多目标决策倾向于重点控制生产费用。

由于决策偏好的不同,使得污染小、成本高的机组多发电,从而造成某些区域生产费用增加,可以通过市场机制或政策(如电价折算或税收补偿等)进行弥补,这方面内容不属于本文的重点,在此不进行深入讨论。

互联区域协同优化的步骤[11]如图2所示。各分区之间的参数协调通过交换边界变量来实现,包括边界点的相位角 $\hat{θ}_{i}^{A} (\hat{θ}_{j}^{B})$ 和传输价格 $\hat{η}_{i j}^{A B} (\hat{η}_{j i}^{B A})$ 。

4 算例分析

本文以16节点9机组系统作为算例[12](见附录C),将统一设置偏好系数与分区设置偏好系数进行比较。统一设置偏好系数时,ω是预先给出的确定常量,本文将ω设定为0～1之间的5个常量进行计算,表达决策者对不同目标函数采取不同偏好。单位转换系数χ=0.139 9美元/t,不同权系数的计算结果如表1及附录D所示。

按分区原则,将系统分为4个区,如附录C图C1所示。观察各分区的初始参数,评估结果如表2所示。

各分区单位转换系数为χ1=0.164 9美元/t,χ2=0.095 4美元/t,χ3=0.206 7美元/t,χ4=0.101 8美元/t。根据式(15)计算出分区1～4的偏好系数ω分别为0.414 3,0.567 4,0.702 1,0.241 7。基于MATLAB[13],对各分区进行协同计算的结果如表3所示。

对比表1和表3的计算结果,分区设置ω时总污染排放为10 533 200 t/h,与统一设置ω=0.2时污染排放量相接近。但是分区优化的生产成本为1 476 678美元/h,而统一设置ω=0.2时得到的生产成本为1 493 522美元/h,远高于前者。

5 结语

本文探讨了考虑经济与环保多目标的互联区域协调调度策略,提出了不同区域不同决策偏好系数的控制方案,以达到经济与环境保护的双目标协调。算例仿真表明,所提方案有利于实现电力行业中SO2等污染气体排放总量的控制目标。

目标协同篇4

公交是一种高效利用道路资源的交通方式。世界上大城市公交系统承载的居民出行比重平均在50% ~60%,而我国大部分城市的公共交通出行比例不足30%[1]。换乘的不便使得我国公交对小汽车出行者的吸引力不强。有研究表明公交换乘是影响公交出行率的几个主要因素之一[2]。换乘在公交出行中又是非常常见的,如纽约有约36%的公交出行至少需要换乘一次,慕尼黑和巴黎有70%的公交出行至少需要一次换乘、40% 的公交出行换乘次数超过一次,伦敦有约30% 的公交出行至少需要一次换乘[3]。出行者特别是通勤出行者的换乘时间价值比在车时间价值要大2~3倍,同时公交需求量对换乘时间的敏感性要比在车时间高1倍[4]。因此,公交的同步换乘协调优化是提高公交吸引力的重要手段。

公交同步换乘协调优化问题已受到国内外学者的广泛关注。Ceder等[5]以最大化公交车同时到达换乘站的次数为目标,构建了混合整数规划模型,并设计了启发式算法,但这种同时到达的调度较为苛刻。Eranki[6]在Ce-der的基础上设定了一个换乘等待时间范围,在此范围内进行的换乘定义为同步换乘。而刘志刚等[7]则定义了一个协同系数来衡量公交同时到达车站的程度。石琴等[8]以车辆相遇总次数最大及总相遇点数最小为目标,研究了最大同步换乘的公交区域调度优化问题,但这种求总相遇点数最小的方法,会减少其他换乘站车辆相遇的次数,对其他换乘站的换乘造成不利影响。陈霞等[9]通过构建公交线网协同调度换乘复杂网络,以路网换乘点换乘车辆数最大作为优化目标,从路网结构层面提出换乘点换乘权重系数,建立了公交线网协同调度时刻表模型。Ibarra-Ro-jas O J等[10]以最大化同步的数量为目标,在给定同步换乘时间窗口下,研究了时刻表编制问题。Ang A,McIvor M[11]以直接换乘数量最大及总旅行时间的波动最小为目标,对比分析了滞站、越站策略增加直接换乘的情况。Nesheli M M,Ceder A[12]考虑同步换乘的数量及旅客出行时间,以总旅行时间最小为目标,研究了不同调度策略下公交同步换乘问题。上述研究大部分只考虑了换乘的同步性,没有考虑为其他乘客的等待时间及公交运营的成本。

本文综合考虑上述因素,以同步换乘人数最大、乘客总等待时间最小及公交车平均满载程度最大为目标,建立多目标公交同步换乘协同调度优化模型;采用基于小生境共享竞争复制算子的遗传算法求解该问题的pareto解集,并利用信息熵法对pareto解集进行决策优选。

2 问题描述

由于公交系统中固有的不确定性,很难调度有换乘关系的公交车同时到达换乘站,而在一个允许的换乘等待时间范围内进行换乘更具合理性。若一辆公交车到达换乘站的时刻与另一辆与其具有换乘关系的公交车出发时刻之差在某一个同步换乘时间窗口内,则称该辆公交车在该站可同步换乘另一辆公交车。在换乘时间窗口内的同步优化提高了不同线路之间的互动性、也为公交调度人员提供了更多的调度弹性。

由于公交系统中有多个换乘站,公交线路间存在多个换乘关系,可能会出现两辆公交车在一个站具有同步换乘,而在另一个换乘站却无法实现同步换乘,因此在衡量同步换乘时,不能以同步换乘的车站数量进行简单衡量,而应该考虑换乘站换乘旅客的数量,尽量使同步换乘的旅客数量最多。此外,公交运营管理者为了降低经营成本,往往会增大发车间隔,这会使得乘客在站等候时间增加,因而在进行公交调度时还需要综合考虑公交满载程度与乘客等待时间。

3 模型的建立

模型建立时考虑以下假设:

(1)公交线路上的车辆不存在超车情况;

(2)模拟期间,各公交线路的配车数满足派车数量要求。

3.1 符号及变量说明

L={l|l=1,2,…,N}为公交线路,N为公交线路数量,其中上下行线路分别表示;

V={Vl|l∈L}为公交站点集合,其中为线路l上的站点集合,vl0为停车场,ml为线路l的站点数量;

为换乘站点对集合,表示公交线路l1,l2在站点可以进行换乘;

B={Bl|l∈L}为公交车集合,表示公交线路l上的公交车集合,dl为公交线路l模拟期间的发车数;

表示公交车blk的载客能力,blk∈Bl,l∈L;

表示vli站公交车blk的乘客到达率及下车率;

表示公交线路l1在站点换乘l2线路的概率;

分别表示公交车blk在vli站的上、下车人数;

表示vli站未能上公交车blk的人数;

表示在vil站停站时公交车bkl上的乘客数;

g(bkl)表示公交车bkl的满载程度;

表示从公交站点vli-1至站点vli的行驶时间,i=1,2,…,ml,l∈L,当i=1时,表示公交车从停车场到始发站点的时间;

表示公交车blk在vli站的停站时间,blk∈Bl,vli∈Vl,l∈L;

w1,w2表示同步换乘的时间窗口;

表示公交车bkl从停车场发车的时刻,bkl∈Bl,l∈L;

表示公交车bkl到达车站vil的时刻;

T1,T2表示公交调度模拟时间窗口;

h1,h2表示模拟期间的最小及最大发车间隔;

为0,1变量,线路l1上的第k1辆公交车在是否可同步换乘l2上的第k2辆公交车.

3.2 公交车运行过程分析

(1)停站时间分析

公交车在车站的停站时间主要受车辆的停车、启动及乘客上下车的影响。Zolfaghari等[13]认为发车间隔不太大时,公交车的停站时间可以用线性方程近似表示。公交车的停站时间主要由两部分组成,分别为车辆的停车、启动及开关车门时间,乘客上车及下车时间,本文采用下式估算公交车的停站时间:

其中,c0表示车辆的停车、启动及开关车门时间,c1,c2分别表示每名乘客下车及上车时间参数。

高洁[14]通过调查分析发现开、关门时间一般为1~3秒,在直线式公交停靠站公交车进站停车时间一般在4~8秒,车辆离站启动时间一般在6~15 秒,每名乘客上车时间在2.6~3秒,下车为1.7~2秒。根据上述结果,本文分别取c0=0.27,c1=0.03,c2=0.05(分钟)。

(2)公交车到站时刻分析

公交车到达始发站的时刻为发车时刻与从停车场至始发站点的走行时间之和,即:

公交车到达非始发站的时刻为公交车到达上一站时刻与在上一站停站时间及上一站至本站走行时间之和,即:

3.3 公交车状态分析

(1)公交车上下车人数

公交车blk上的乘客在车站vli的下车人数为该站下车率与公交车上的乘客数之积,即:

乘客在车站的上车人数为公交车剩余容量与该站本时间段需要上车人数的较小值。该站本时间段需要上车人数包括前一辆公交车至本辆公交车到达时间段内陆续到达的乘客数、未能上前一辆公交车的乘客数及换乘本辆公交车的乘客数。在车站vli的上车人数可表示为:

(2)公交车上的乘客数

公交车上的乘客数为上一站公交车上的乘客数减去上一站下车乘客数加上一站上车乘客数,即:

(3)满载程度衡量

满载率一般可用车内实际的乘客数与车辆定员的比值来表示。可构建以下效用函数对满载率进行评价:

其中,α表示成本参数;β表示强度系数。本文取α=40,β=10。

3.4 乘客等待时间分析

(1)车站未能上车人数

车站未能上车人数为该站本时间段内需要上车人数减去实际上车人数,即:

(2)乘客候车等待时间分析

Larsen和Sunde[15]认为乘客平均候车时间为发车间隔的一半。如果公交车已经满载,乘客还需要等下一辆公交车,因此,乘客等待时间包括随机到达乘客的平均等待时间及未上车乘客的额外等候时间,即:

3.5 多目标公交同步换乘协同调度优化模型

根据上述分析,构建公交车同步换乘协同调度优化模型如下:

其中,式(10)表示最大化同步换乘人数,式(11)表示最小化乘客总候车等待时间,式(12)表示最大化公交车平均满载程度,式(13)为调度时间段约束,式(14)为公交车容量限制约束,式(15)为发车间隔限制约束,式(16)为同步换乘条件约束,式(17)为0-1变量约束。

4 模型求解算法

4.1 基于小生境共享竞争复制算子的遗传算法

(1)染色体的构造

CH=(ch1,chc,…,chN)表示一个染色体,N为公交线路数量,其中基因表示线路l上各公交车的发车时刻,发车时刻满足约束条件(13)及(15)。

依据约束条件(13)及(15),一个染色体的产生过程如下:

Step1:i=1;

Step2:如果i大于N,则终止,否则,k=1,转至Step3;

Step3:产生服从均匀分布u(h1,h2)的随机数u1;

Step4:如果k=1,则,否则,若,k =k+1转至Step3;否则,i=i+1,转至Step2;

随机产生pop_size个染色体,得到初始种群。

(2)选择操作

在不掌握任何偏好信息的情况下,可为决策者提供Pareto解。当产生了初始种群及每次迭代后,设种群中的Pareto解集为P.进行选择操作时,本文设计一种基于小生境的染色体竞争复制技术,无需计算染色体的适应值。其方法如下:

Step1:从Pareto解集P中随机选取size个染色体放入当代种群中,形成pop_size+size个染色体作为选择母体;

Step2:从选择母体中随机选择一对染色体CH1,CH2;

Step3:若CH1,CH2中有一个是Pareto解时,将其选作下一代染色体,若CH1,CH2均为Pareto解,或均为支配解,则依据Step4,Step5 的小生境数确定下一代染色体;

Step4:求小生境半径,设d1,d2,d3为选择母体中目标函数z1,z2,z3的最大值与最小值之差,小生境半径可表示为,θ为常数,一般取2~4;

Step5:为了保持群体中染色体的多样性,选择小生境内染色体少的进入下一代:统计CH1,CH2为中心的小生境内染色体数k1,k2,若k1<k2,则选CH1进入下一代,若k1>k2,则选CH2进入下一代,若k1=k2,随机选择一个进入下一代。

(3)基因交叉

按交叉概率Pc从父代选择一些染色体,两两分组,并对每组染色体进行如下操作:随机产生一个1到N的正整数,表示进行交叉的公交线路;将两条染色体中该公交线路的基因进行交换,从而得到两条新的染色体。

(4)变异操作

对pop_size个染色体以变异概率Pm进行变异:随机产生一个1到N的正整数,表示进行变异的线路;对被选择变异线路的基因,随机产生两个变异位置n1和n2,并重新产生其发车时刻,从而得到一条新的染色体。

4.2 Pareto解集的决策优选

信息熵法可反映目标信息熵值的效用价值,避免了人为的影响因素。利用遗传算法得到Pareto解集后,可以采用信息熵法对Pareto解集中的解进行决策优选,为公交调度提供参考。

利用信息熵法对Pareto解集中的解进行决策优选的计算过程如下:

Step1:写出Pareto解集的决策矩阵MAP×3,并对目标进行规范化,得到规范化矩阵Rij= [rij]P×3;

Step2:对规范化矩阵Rij进行列归一化运算,得归一化矩阵Hij= [hij]P×3;

Step3:计算第j个目标的熵值:

当hij=0时,令hijlnhij=0;

Step4:计算第j个目标的权重系数:

Step5:计算解i的综合目标值:

根据计算得到的综合目标值,按照从大到小进行排序,排在前面的解为综合效果较好的解。

5 算例分析

某区域内有四条公交线路,如图1所示。调度模拟时间窗口为8:00~8:30,最小及最大发车间隔h1,h2分别取3min及10min,同步换乘的时间窗口w1,w2分别为1min及5min,公交车载客能力为100人。主要换乘关系如表1所示,公交线路的站点及运行参数如表2所示。

运用本文设计的遗传算法及Pareto解集的优选方法计算,计算得到的Pareto解集及其目标值如表3 所示。Pareto解集中方案5的综合目标值最大,其线路发车时刻及运行状态如表4所示。具有同步换乘关系的车辆如表5所示。而采用固定发车间隔调度模式,本算例发车间隔在3min至10min间均未出现同步换乘情况。由此可见,本文设计的模型可以体现乘客的同步换乘问题。

5 结论

公交的同步换乘协调优化是提高公交服务水平的重要手段。本文综合考虑乘客及公交运营管理者两个方面,建立了多目标公交同步换乘协同调度优化模型,设计了基于小生境共享竞争复制算子的遗传算法求解该问题的pareto解集,并利用信息熵法对pareto解集进行决策优选。算例分析表明本模型在公交的同步换乘调度方面是合理可行的,但未模型未考虑滞站、越站等其它公交调度策略对同步换乘的影响,需要在今后进一步深入研究。

目标协同篇5

1、并购的作用

企业间的并购指通过一定的程序和手段,取得其它企业部分或全部所有权的投资行为,收购企业一般可以通过股票或现金来完成收购,取得对目标企业的控制权。收购并没有使得目标企业的法人地位消失。收购企业通过与被收购企业在资源、生产流程及技术等方面的整合产生协同作用,从而增加收购企业的价值或达到一个既定的目标份额。

协同作用是指企业从资源配置和经营决策中所能寻求到的各种共同努力效果。是企业内部或企业之间所产生的总体功能大于局部功能,总体效益大于局部效益加和的效应。可以说,协同作用是企业并购行为发生的基本动因。并购产生的协同作用包括:管理协同,经营协同和财务协同。

管理能力是一种重要的能力,企业可以充分利用管理能力,同时对多项任务进行管理,产生比管理单一业务更大的效益。如当企业的经营领域扩大到新的行业时,如果在管理上曾经遇到过类似的问题,企业管理人员就可以利用以前积累的经验,有效地指导和解决新遇到的问题。

经营协同通常假定在行业中存在规模经济,而在并购之前,企业的经营活动水平达不到实现规模经济的潜在要求。如一个企业在研发方面具有较强的实力,但在营销方面缺乏实力;另一个企业的市场营销部门可能有较强实力,但缺乏研发方面的实力。这两个企业的并购将导致经营上的协同。

财务协同是指并购的两个或多个企业之间的互补性不是管理能力方面的,而是在投资机会和内部现金流量方面的互补性。如一个衰退行业的企业将产生大量的现金流,因其具有吸引力的投资机会少;而一个成长行业有很多投资机会,却缺乏现金来进行投资。并购后的企业可以充分利用并购双方现有的财务资源,避免资本的闲置和浪费,抓住好的投资机会,节约融资成本。

2、收购公司的确定

(1)一个最简单的收购理由就是某企业的价值被低估。如某公司在资本市场表现出来的价值比它的真实价值要低得多,那么认识这种价值的收购者就会把它定为目标,收购价应该是低于目标公司的评估价值。

(2)为了能有更稳定的盈利和更少的风险,某些企业往往谋求经营的多样化。所以往往在他们的经营业绩不错的情况下,瞄准别的行业的一些企业,特别是一些新兴的行业或高盈利的产业。

(3)产生公司合并以后的协同效应,也是一种收购意图。这里所谓的协同效应是指两个公司合并后能产生的潜在的附加价值。这种附加价值可能是经营资源整合的结果,也可能是金融资源整合的结果。

(4)收购者选定某些经营管理不善的公司为目标,实施兼并进行重组是为了谋求控股,而新的所有者可能带来债权的附加价值。

3、基于协同作用的评估溢价

协同效应存在的关键是目标公司控制了一种特别的资源,如果这种资源与买方公司的现有资源结合之后可以变得更有价值。当然对于不同的收购人,这种具体的资源可以有些不同。(1)在横向联合的收购中,并购方通过兼并后降低成本、增强市场开拓能力并增加销售利润率;(2)在纵向联合的收购中,协同效应的基本来源是合并后的公司能更完全地控制产品的生产链;(3)在功能性整合的情况,一家在某个领域具有强项的公司收购另一家在另外一个领域具有强项的公司时同样会产生协同效应。

4、传统评估理论的局限性

随着全球经济一体化进程的加快,企业并购已成为公司成长的重要经营战略。全球范围内的企业并购活动日益增多,并购交易额也越来越大,但国内外大量实证研究结果表明,多数的并购是失败的。本文认为企业并购的失败从一定程度上反映了估价理论和实践结果之间的差异。对于大多数并购企业来说,如何确定目标企业的价值与所能接受的最低成交价格是并购胜负的关键因素之一,而以往在目标企业价值评估中,主要采用静态评价法,但实际情况往往千变万化,同时并购企业拥有进一步决策的选择权。例如在并购后可根据实际情况追加投资或放弃投资等的权利,且这种选择权是有价值的,因此运用传统方法会造成对被并购方企业价值的低估,这也是目前企业并购快速增长但并购效果不尽人意的主要原因。

二、考虑协同作用的并购目标企业价值评估

1、并购目标企业价值构成

在企业并购中,除了企业自身价值之外,还应该考虑并购过程中产生的协同效应与获取未来收益的机会产生的增值部分。

(1)并购协同效应。协同是企业内部或者企业之间所产生的总体功能大于局部功能,总体效益大于局部效益加和的效应,是企业并购行为发生的基本动因。并购可能产生的协同效应包括:经营协同、管理协同和财务协同。

经营协同主要源于由规模效应引起产品固定成本下降。管理协同主要源于并购的管理能力的转移所带来的并购后整体管理水平高于单独管理能力的效应。财务协同源于并购带来的整体财务成本的下降和并购事件对股市刺激导致并购公司市值的提高。

(2)并购期权价值。企业并购一方面可以通过整合获得协同效应,另一方面可在并购中获得经营灵活性权利。这些选择权与期权十分近似,具有较高的价值。并购具有以下期权特征:其一,并购的可延迟性并购方拥有购买目标方的机会时,可以在一定时期内保留这一机会,以等待观察。并购方可根据实际经济状况的变化决定最佳并购时机,灵活选择最为有利的并购决策,付出较低的并购成本,从而降低并购风险;其二,并购过程中的可转变性。并购方在并购中可以灵活选择债转股、分期购买、分期报价等方式进行并购,也可以在并购目标企业形式不佳的情况下中止并购,以减少损失。并购的这些特征,具有一定的期权特征,表现为并购企业在并购过程中所获得的实物期权。

2、并购目标企业价值评估公式

对并购方而言,前期投入成本,获得对目标企业收购或延迟收购的权利,是实施并购所支付的对价,这一支付对价可以通过并购双方谈判获得,因而一定程度上是可变价格。当小于并购方估计的投资价值V时。并购方会愿意支付而获得投资价值V,否则并购方有权利放弃或中止并购计划。当并购实施后并购方拥有了选择权:当市场较好时,支付投资成本以进行扩张,当市场发展不尽如人意时,收缩规模以节省投资支出;当市场情况已无利可图,则可以考虑放弃,出售手中的股权,或执行转换期权。可见在整个并购和整合过程,并购方拥有一系列的选择权利,选择权的存在增加了投资价值。

通过以上分析,并购目标企业定价要考虑并购协同效应以及其并购期权特征。因此,并购目标企业价值可以用以下公式表示:

P= Vs+Vo

式中:P—并购目标企业价值;Vs—考虑协同效应的并购目标企业价值;Vo—并购期权价值。

(1)考虑协同效应的并购目标企业价值的确定。并购目标企业价值通常采用自由现金流量折现法来确定其价值。公式形式为:

确定考虑协同效应的并购企业价值时可以采用自由现金流量法。在参数确定时要考虑到并购协同效应的影响。本文主要分析并购协同效应对参数的具体影响及其确定。并购后现金流主要受管理协同、经营协同和财务协同三种协同效应的影响。

管理协同效应主要来源于管理人员削减、部分行政人员解职、办公地点合并等因素以及在并购方有效管理下,目标企业公司管理效率的提高。企业合并后管理费用的下降会受到行业相关性、管理效率的差异性和地理等因素的影响。管理协同效应主要会对现金流中营运资本产生影响。

经营协同主要来源于以下两个方面:第一,规模经济导致的单位产品固定成本的分摊:规模经济将会使固定成本降低;利用对方销售网络进入新市场带来的销售量的增加;研究与开发力量合并带来的革新能力提高;管理及劳动专业化水平提高带来的劳动生产率提高。第二,纵向一体化带来的整体交易费用降低:交易费用节约;生产过程一体化往往会降低生产成本;存货的瞬时供应能够降低存货管理成本和资金占用;降低资产专用性风险,提高产品稳定性。因而,经营协同效应主要会对企业净利润、折旧和摊销以及资本性支出产生影响。

财务协同主要来源于企业合并带来的资金成本的下降:共同保险效应带来的企业借债能力的提升;证券发行与交易成本的规模经济等。

(2)并购期权价值的确定。目标企业成长价值在t0 时刻的现值计算公式为:

N(d1)、N(d2)为d1、d2的累积正态分布函数值。

C:期权的价值

S:t1 时刻对目标企业追加投资的期望收益在t0 时刻的现值,相当于看涨期权中t0 时刻的股票价格

K:并购企业于t1 时刻对目标企业追加投资的费用,可以视为金融期权的执行价格(价值)或履约价格(价值)

r:与期权寿命相当的无风险利率

σ:标的资产价值波动的标准差

T:t为并购期权初始投资与追加投资的时间间隔

三、结论

目标协同篇6

企业的产品创新设计活动正逐步由独自完成转向集成外部组织和资源的产品创新网络协同进行,传统的大规模纵向集成的产品开发模式正逐渐被客户、供应商和制造企业组成的协同联合开发模式取代[1]。美国麻省理工学院的von Hippel 教授于2002年正式提出了 “lead user”和“customer innovation”的概念[2],以辅助制造企业创新设计,并指出客户协同产品创新可以有效地为企业的价值网络增值[3]。客户协同创新作为一种新的创新模式,充分利用客户与专业设计人员在知识结构和创新技能方面的不对称性,借助各种网络化协同工作环境、创新设计工具和知识融合手段,通过客户和专业设计人员之间的协同工作,将两者的创新优势进行互补并激发群体创造力,从而开发出具有高度创新性和市场主导力的新产品[4]。目前国内外学者在客户协同创新设计领域进行了大量研究[5,6,7,8,9,10,11],主要围绕协同创新基础理论、协同创新知识匹配以及协同创新方法等方面,但在公开文献中对协同创新目标的系统性研究资料仍较为缺乏。

现阶段的产品设计多以市场需求为主导,其目标通常以客户需求为研究对象,重点在于如何借助各种数学方法提升客户需求重要度的识别准确性。文献[12]采用层次分析法和网络分析法确定客户需求重要度,但其为强调精确而“重复判断”,以致方法过于繁冗;文献[13]研究了基于二元语义理论的需求重要度确定方法,但解决多粒度语言信息时采用了模糊算子,使得主观性较强,同时计算较为复杂;文献[14]利用模糊理论分析客户需求,难以保证隶属函数及模糊数的合理性,使得客观信息数据失真;文献[15]应用粗糙集理论进行需求排序,但面对复杂产品的多项需求时该方法具有一定的局限性。

区别于一般的产品设计过程,客户协同创新设计是由具有多知识背景、多创新动机的分角色创新主体共同参与,由多种创新需求共同驱动的产品创新设计方法。由于不同创新主体在创新理念与创新需求等方面存在局限性,所以导致其各自的创新目标存在较大的差异性与模糊性。同时,不同创新主体在创新知识与语言表征等方面的不一致性,也增加了协同创新目标的复杂性。基于上述原因,仅采用单一的方法或工具难以充分利用多创新主体的创新知识和创新经验,无法准确量化创新目标重要度。

针对上述问题,本文在研究协同创新目标的基本框架基础上,提出一种协同创新目标重要度的三阶定量分析方法,并通过某手机的客户协同创新设计实例对该方法的有效性进行了验证。

1 创新目标体系的基本框架研究

在客户协同产品创新设计过程中,创新主体主要由以客户群体、专家团队及设计团队为主的分角色创新主体构成。其中,以客户群体为主的创新主体包括普通客户群、创意客户群及领先客户群等;以专家团队为主的创新主体由制造领域、测试领域、设计领域及市场领域的专家所组成;以设计团队为主的创新主体是由负责功能设计、结构设计、工艺设计等的专业设计人员所组成。

分角色创新主体有着不同的创新需求,根据其对协同产品创新的影响作用不同,可将其分为 “拉动型”创新需求与“推动型”创新需求两大基本类型。具体为:①“拉动型”创新需求主要来自于以客户群体为主的创新主体。客户群体结合自身对已有产品或未知产品的认识及理解, 在现有体验的基础上所形成的创新期望主要表现为在创新功能、创新技术、造型结构等方面所提出的创新需求。“拉动型”需求直接反映了市场对产品创新的多样化及差异化期望,为产品创新设计提供了重要参考依据。②“推动型”创新需求主要来自于以专家团队与设计团队为主的创新主体。面向具体的创新任务,分角色创新主体通过市场调研分析,在全面准确把握市场需求动态变化的基础上,依靠其所拥有的领先技术或创新工具,利用各种网络化协同工作环境、创新设计工具和知识融合手段提出创新需求。“推动型”创新需求,集高技术、高质量、高性能和高附加值于一体,能够为客户提供领先的服务和体验,不断满足市场需求的新趋势及新要求。

在客户协同产品创新设计过程中,分角色创新主体对创新任务本身有着不同的创新理解和认识,因而有着不同的创新目标。可以归纳为:在满足创新时间和创新成本的前提下,实现产品在结构、功能和技术等方面的创新,同时保证产品在全生命周期过程中具有较低的运维成本及环境友好性。因此,可将“拉动型”创新需求与“推动型”创新需求转化为五大创新目标,分别为:经济性创新目标、结构性创新目标、环境性创新目标、技术性创新目标、功能性创新目标,并将其分别用五个维度的向量进行描述,C=(c1,c2,…,cc)T、T=(t1,t2,…,tt)T、F=(f1,f2,…,ff)T,S=(s1,s2,…,ss)T,E=(e1,e2,…,ee)T。因此,可以建立客户协同创新目标体系的基本框架,如图1所示。

如图1所示,基本框架主要包括五个维度:①经济性创新目标,是指创新产品在设计、制造、营销、运行、维护等全生命周期过程中,在成本控制或费用支出等方面的创新目标;②结构性创新目标,是指对产品的造型设计、结构布置、系统构建等方面的创新目标;③功能性创新目标,是指对产品的功能系统、操作方式、工效状态、运行模式等方面进行创新的目标;④技术性创新目标,是指在性能参数优化、产品更新换代、工艺改善等方面所进行的新技术开发及应用的目标;⑤环境性创新目标,是指在创新设计过程中,围绕资源消费、能源消耗、环境排放等方面而设定的目标。以上五个维度是客户协同创新目标的基本维度,可根据创新任务的不同,对创新维度进行必要的增加或删减。

创新目标是客户协同产品设计的基础,将直接影响到后续的概念设计、功能设计、结构设计等过程。因此,在构建目标体系的基础上,确定准确有效的目标重要度,是识别关键创新目标,提升产品协同创新效率的关键因素之一。

2 协同创新目标重要度的定量分析

2.1 过程框架

协同创新目标重要度的定量分析过程主要分为三个阶段。三阶段过程如图2所示,其各阶段思路具体如下。

第一阶段,确定第一层目标的基本重要度。一般情况下,主观赋权法的客观性较差,但具有解释性强的优点;客观赋权法具有精度较高的优势,但有时会与实际情况相悖。基于此,采用基于层次分析法(analytic hierarchy process,AHP)和熵值法的主客观综合赋权法进行重要度的判定。一方面,采用基于AHP的主观赋权方法,能够有效处理难以完全定量分析的复杂决策问题,充分利用协同创新主体的创新经验以判断不同目标的重要程度,使判断结果不会违背基本的创新规则与创新常识;另一方面,采用基于熵值法的客观赋权方法计算出创新目标重要度,通过决策矩阵信息以及熵的概念客观反映出同一系统中各项目标的差异程度,从而避免判断结果的主观随意性。

第二阶段,确定第二层目标的基本重要度。由于创新产品本身的不确定性与复杂性、协同创新主体在认知上的模糊性,导致创新子目标评判数值的准确性难以保证,且分角色创新主体受限于创新知识、创新经验以及产品本身复杂程度等主客观因素,导致其所提供的语言变量呈现非平衡态,不同创新主体语言决策信息的语义粒度并非完全一致。因此,第二层创新目标重要度采用多粒度非平衡性的语言决策方法进行计算,以解决上述问题,确保多创新主体复杂语言决策信息的准确性与一致性。

第三阶段,对创新目标重要度进行修订。创新产品是否成功,最终需要通过市场来进行检验。通过分析创新类型对市场满意度之间的相互影响关系,确定出相对应的修订因子,使得创新目标重要度更具针对性与合理性。

2.2 第一层目标重要度的确定

设有m位协同创新主体共同参与,第一层目标数量为n,且i=1,2,…,m,j=1,2,…,n,确定第一层目标基本重要度的具体过程如下。

2.2.1 基于AHP的基本重要度计算

(1)构造比较判断矩阵。采用1-5整数标度定义方法来确定两个指标之间的影响程度,可以构成判断矩阵A=[ai j]n×n;

(2)计算特征矢量wi和最大特征值λmax,并进行一致性检验,若通过,则可得第一层目标的基本重要度wAj。

2.2.2 基于熵值法的基本重要度计算

(1)构造决策矩阵B=[bi j]m×n,利用 $b^{'}_{i j} = a_{i j} / \sum_{i = 1}^{m} a_{i j}$ 将决策矩阵进行规范化处理,得到B′=[b′i j]m×n;

(2)计算第j项目标基本重要度的熵值 $e_{j}, e_{j} = \sum_{i = 1}^{m} p_{i j} \ln p_{i j}$ ,若pi j=1/m,则ej=lnm;

(3)令uj=1/ej,则第j项目标基本重要度wEj=uj/∑nj=1uj。

2.2.3 基本重要度的综合

利用几何平均值的方法将上述两类基本重要度进行处理,可得 $w_{j}^{Ι^{'}} = \sqrt{w_{j}^{A} \cdot w_{j}^{E}}$ ,对其进行归一化处理,可以确定第一层目标基本重要度wIj。

2.3 第二层目标重要度的确定

以技术性创新维度为例,此维度共包含t个创新目标。其中第i个创新主体记为Ci(i=1,2,…,m),第l个目标记为Tl(l=1,2,…,t),具体计算过程如下:

(1)根据不同的创新主体在创新设计中的创新角色、创新贡献及创新经验的不同,得到各创新主体自身权重μi(i=1,2,…,m);

(2)采用多粒度非平衡性语言评价方法[16,17]构建多粒度语言初始决策矩阵R′=[vi l]m×t,其中评估标度可以表示为

$\begin{array}{l} S^{(k)} = {s_{α}^{(k)} | α = 1 - k, \frac{2}{3} (2 - k), \frac{2}{4} (3 - k), \dots ‚ 0, \\ \dots, \frac{2}{4} (k - 3), \frac{2}{3} (2 - k), k - 1} (1) \end{array}$

其中,s $_{α}^{(k)}$ 为语言术语,s $_{1 - k}^{(k)}$ 和s $_{k - 1}^{(k)}$ 分别表示其下限和上限。

(3)利用转换函数[16]将多粒度的语言评价信息进行一致性转换。设任意两个给定的连续性语言标度集分别为S(k1)={s(k1)α|α∈[1-k1,k1-1]}、S(k2)={s(k2)β|β∈[1-k2,k2-1]},其转换函数可以表示为

F: $S^{(k_{1})} \to s^{(k_{2})}, β = F (α) = α \frac{k_{2} - 1}{k_{1} - 1}$ (2)

F-: $S^{(k_{2})} \to s^{(k_{1})}, α = F^{-} (β) = β \frac{k_{1} - 1}{k_{2} - 1}$ (3)

选择使用频率最高的语言评价信息集合作为基本集合,通过转换函数对其余语言评价信息进行一致化处理,可得粒度相同的决策矩阵R=[vi l]m×t。

(4)定量分析决策矩阵中的确定型语言变量与不确定型语言变量。借鉴TOPSIS理论中的混合排序思想[18,19],将创新目标基本重要度向量的正负相对理想点分别记为P+、N-,则

确定型语言变量:

$Ρ_{i}^{+} = \max_{l} {v_{i l}}$ (4)

$Ν_{i}^{+} = \min_{l} {v_{i l}}$ (5)

不确定型语言变量:

$Ρ_{i}^{+} = [Ρ_{i}^{L +}, Ρ_{i}^{R +}] = [\max_{l} {v_{i l}^{L}}, \max_{l} {v_{i l}^{R}}]$ (6)

$Ν_{i}^{-} = [Ν_{i}^{L -}, Ν_{i}^{R -}] = [\min_{l} {v_{i l}^{L}}, \min_{l} {v_{i l}^{R}}]$ (7)

根据语言变量的运算法则,设任意两个确定型语言变量为s(k)α和s(k)β,任意两个不确定型语言变量为s(k)1=[s(k)α1,s(k)β1]和s(k)2=[s(k)α2,s(k)β2],则两个语言变量之间的分离度d可以分别描述为

确定型语言变量:

$d (s_{α}^{(k)}, s_{β}^{(k)}) = \frac{| α - β |}{2 k - 1}$ (8)

不确定型语言变量:

$d (s_{1}^{(k)}, s_{2}^{(k)}) = \frac{| α_{1} - α_{2} | + | β_{1} - β_{2} |}{2 (2 k - 1)}$ (9)

进一步可计算出向量vj与正负相对理想点P+、N-之间的距离D+l、D-l分别为

$D_{l}^{+} = \sum_{i = 1}^{m} ρ_{i} d (v_{i l}, Ρ_{i}^{+}) l = 1, 2, \dots, t$ (10)

$D_{l}^{-} = \sum_{i = 1}^{m} ρ_{i} d (v_{i l}, Ν_{i}^{-}) l = 1, 2, \dots, t$ (11)

其中,ρi为每个创新主体自身的权重,可根据不同创新主体在创新任务中所处的角色地位不同而不同,通过协商共同确定。

(5)第二层技术性创新维度的创新目标的相对重要度可利用向量vl与正负相对理想点P+、N-之间的贴近系数cl来进行描述:

$c_{l} = \frac{D_{l}^{-}}{D_{l}^{+} + D_{l}^{-}} l = 1, 2, \dots, t$ (12)

对计算出的cl进行归一化处理,可以得到第二层技术性创新维度的创新目标的相对重要度w Ⅱl:

$w_{l}^{Ⅱ} = c_{l} / \sum_{l = 1}^{t} c_{l}$ (13)

2.4 重要度修订

在确定协同创新目标重要度时,还需要考虑创新类型对市场满意度的动态影响。市场满意度是客户对所购创新产品的预期期望与实际效果的最真实反映。根据市场对于产品的预期创新期望与实际创新效果之间的比较分析,可将产品创新分为四大类型,包括基本创新、重要创新、关键创新和简单创新,如图3所示。其中横坐标为“产品创新水平”,纵坐标为“市场满意度”。

基本创新(basic innovation)是指市场期望产品“必须要具有的”创新。如果未达到市场预期,市场满意度会急剧下降;如果达到,市场满意度并不会随着此类创新水平的提高而显著提升。主要原因在于,此类创新所表现出的是市场在产品创新方面的最基本要求,即认为产品应具备某项创新以弥补原有功能或设计上的不足。如果创新产品在这些方面未有提升,用户就会很不满意,相反,当产品完全满足基本要求时,用户已将其理解为产品应有的基本功能,也不会表现出特别满意。重要创新(important innovation)与市场满意度成线性函数关系,此类创新的水平越高,市场满意度将呈线性增大。具体表现为:如果此类创新在新产品中得以实现,市场满意度会显著增加,反之市场的不满也会显著增加。区别于基本创新,重要创新并不是产品“必须要”具备的创新,但它是市场关注和期望的重点,同时也是创新主体获取核心竞争优势的关键点。关键创新(crucial innovation)是指市场未预料到的创新设计,这种创新往往具有独特性和前沿性,无论在任何水平,都会提高市场满意度。当此类创新在产品设计中得以体现,即使表现并不完善,也能使得市场满意度急剧提高;同时若不具备此类创新,也不会带来市场的不满。因为关键创新往往由行业内处于领先地位的创新主体所提出,利用其所拥有的领先技术或创新手段进行产品的创新设计,以引导市场的潜在创新需求。简单创新(simple innovation)是指对某产品所进行的一些简单性的改良或者变化,但是市场对于此类创新不关心或不感兴趣。

基于上述分析,创新点进行分类的具体步骤如下:

(1)识别创新类型。对某项具体的创新点,创新主体分别对其进行最初识别,标记为:BI(基本创新)、II(重要创新)、CI(关键创新)、SI(简单创新)。创新主体的最初识别主要依据三个方面:一是创新主体自身的创新环境与创新基础;二是创新主体的创新理念与创新思路;三是由于受到其他创新主体的影响,创新主体对具体创新产品及其市场的理解与判断。

(2)预测市场满意度。根据创新主体所提供的最初识别结果,预测某项创新点对市场的影响程度,分别记为Si和Di。其中,Si表示当产品具备某项创新时对市场满意度的影响程度,Di表示当产品不具备某项创新时对市场满意度的影响程度,分别用下式进行计算:

$S_{i} = \frac{n_{i} (C) + n_{i} (Ι)}{n_{i} (C) + n_{i} (Ι) + n_{i} (B) + n_{i} (S)}$ (14)

$D_{i} = \frac{n_{i} (B) + n_{i} (Ι)}{n_{i} (C) + n_{i} (Ι) + n_{i} (B) + n_{i} (S)}$ (15)

其中,ni(C)表示有n位创新主体认为第i个创新点是C类创新,即为关键创新。相同地,ni(I)、ni(B)、ni(S)分别表示其他三种类型创新的评判数。式(14)中,将ni(C)与ni(I)之和作为分子,主要考虑的是当某种创新产品中具有重要创新和关键创新时,将会极大地提升市场满意度;与此相对应的是,式(15)将ni(B)与ni(I)之和作为分子,主要是因为当某种创新产品中不具有重要创新和基本创新时,将会极大地降低市场满意度,而缺失关键创新和简单创新,并不会带来市场满意度的大幅度下降。

(3)确定创新类型及修订因子。通过式(14)、式(15)可以分别计算出每一项创新点的Si值和Di值,亦可知Si、Di∈(0,1)。为定量区分创新类型,可根据不同的创新任务,选取Si与Di的分界值k(0<k<1)。当k=0.5时,4种基本创新类型呈以下四个象限分布,如图4所示。

当0<Si<0.5,0<Di<0.5时,将其判别为“简单创新”;当0<Si<0.5,0.5<Di<1时,将其判别为“基本创新”;当0.5<Si<1,0<Di<0.5时,将其判别为“关键创新”;当0.5<Si<1,0.5<Di<1时,将其判别为“重要创新”。由图4可知,4种创新类型中,重要创新对Si和Di的影响程度最大,而简单创新对Si和Di的影响程度最小。

为简便起见,根据创新类型的不同,将协同创新目标的重要度的修订因子k确定为kC=1.5、kI=1.2、kB=1、kS=0.6。将第二层目标相对重要度wⅡl与k相乘,可以得到第二层目标修订重要度wⅡh′:

wⅡh′=wⅡlk (16)

将wⅡh′进行归一化处理,可以得到第二层目标基本重要度wⅡh。将创新目标的重要度进行串级层联,即将上述结果与第一层技术性创新维度的基本重要度相乘,可以计算出第二层技术性创新维度的创新目标的最终重要度F(h):

F(h)=wⅡhwIj (17)

重复上述步骤,可计算出目标框架内所有创新目标的最终重要度。

3 案例研究

以某手机的创新设计为例,本次创新设计任务共有5位创新主体参与,在系统分析 “拉动型”创新需求和 “推动型”创新需求的基础上,归纳整理出创新目标体系,共包括第一层创新目标4项及第二层创新目标14项。如图5所示。

3.1 确定第一层目标基本重要度

(1)基于AHP方法进行主观赋权,计算基本重要度wAj。构建判断矩阵A:

$A = [\begin{matrix} 1 & 1 / 2 & 4 & 3 \\ 2 & 1 & 5 & 4 \\ 1 / 4 & 1 / 5 & 1 & 1 / 2 \\ 1 / 3 & 1 / 4 & 2 & 1 \end{matrix}]$

通过计算得出λmax=4.0484,并进行一致性检验,则可求出wAj={0.3055,0.4919,0.0778,0.1248}。

(2)基于熵值法进行客观赋权,计算基本重要度wEj。构建判断矩阵B:

$B = [\begin{matrix} 5 & 5 & 2 & 2 \\ 4 & 4 & 1 & 2 \\ 2 & 3 & 2 & 2 \\ 4 & 4 & 3 & 2 \\ 3 & 1 & 2 & 1 \end{matrix}]$

进行规范化处理,可得矩阵B′:

$B^{'} = [\begin{matrix} 0.2778 & 0.2941 & 0.2000 & 0.2222 \\ 0.2222 & 0.2353 & 0.1000 & 0.2222 \\ 0.1111 & 0.1765 & 0.2000 & 0.2222 \\ 0.2222 & 0.2353 & 0.3000 & 0.2222 \\ 0.1667 & 0.0588 & 0.2000 & 0.1111 \end{matrix}]$

则可计算出wEj={0.2480,0.2567,0.2495,0.2458}。

(4)利用几何平均值的方法综合上述两类基本重要度,可得到第一层目标基本重要度wⅠj:

wⅠj={0.2912,0.3760,0.1474,0.1853}

3.2 确定第二层目标重要度

以技术性创新维度为例,如图4所示,此维度共包含5个创新目标:实现高性能图形加速(t1)、彻底解决指纹油污残留问题(t2)、实现裸视3D效果(t3)、提升三维空间重力感应灵敏度(t4)、实现近距离无线通讯(t5)。由于多维创新主体对创新目标的认知存在差异性,在确定其重要度时采用不同语义粒度和语言变量形式。在此采用三种非平衡语义标度集,分别为S(3)={s(3)-2=很不重要,s(3)-2/3=不重要,s(3)0=一般重要,s(3)2/3=重要,s(3)2=很重要}、S(4)={s(4)-3=非常不重要,s(4)-4/3=很不重要,s(4)-1/2=不重要,s(4)0=一般重要,s(4)1/2=重要,s(4)4/3=很重要,s(4)3=非常重要}、S(5)={s(5)-4=极其不重要,s(5)-2=非常不重要,s(5)-1=不重要,s(4)-2/5=较不重要,s(5)0=一般重要,s(4)2/5=较重要,s(5)1=重要,s(5)2=非常重要,s(5)4=极其重要}。构建多粒度语言初始决策矩阵R′=[vi l]m×t,如表1所示。

考虑到其中3位创新主体均采用非平衡语义标度集S(4),因而将其作为基本非平衡语义标度集,利用式(2)、式(3)对多粒度语言初始决策矩阵R′进行一致化处理,可得粒度相同的语言决策矩阵R=[vi l]m×t,如表2所示。

利用式(4)～式(7)可计算出技术创新目标重要度的正负相对理想点:

P+={[s(4)1/2,s(4)4/3],s(4)3,[s(4)3/2,s(4)3],s(4)3,s(4)3}

N-={[s(4)-3,s(4)-4/3],s(4)-3,[s(4)-3,s(4)-3/2],s(4)-3,s(4)-4/3}

根据五位创新主体在创新任务中所处的角色地位不同,通过集体投票表决得到其自身权重ρ:

ρ={0.18,0.10,0.27,0.25,0.20}

利用式(8)～式(11),计算得出创新目标的重要度向量与P+、N-之间的距离分别为

D+l={0.1083,0.2099,0.5210,0.0945,0.6374 }

D-l={0.5683,0.4668,0.1557,0.5821,0.0393}

由式(12)计算出贴近系数cl分别为0.8399、0.6898、0.2300、0.8603.0.0581,利用式(13)进行归一化,可得到第二层技术性创新维度的创新目标的相对重要度wⅡl={0.3136,0.2576,0.0859,0.3212,0.0217}。

3.3 修订第二层目标重要度

利用式(14)、式(15),判定t1为基本创新、t2和t5为重要创新,t3为简单创新,t4为关键创新,从而确定相对应的重要度修订因子k,依据式(16)得到创新目标的修订重要度wⅡh′。进而通过归一化处理,计算出第二层技术性创新维度中创新目标的基本重要度wⅡh={0.2653,0.2615,0.0436,0.4076,0.0220}。利用式(17)可以计算出第二层技术性创新维度的创新目标的最终重要度F(h):

F(h)={0.0773,0.0761,0.0127,0.1187,0.0064}

重复上述步骤,可分别计算出另外三个维度中创新目标的最终重要度,具体计算结果如表3所示。

3.4 讨论

从第一层创新目标中可以看出,wIF>wIT>wIS>wIE,且wIF、wIT明显高于wIS、wIE,从而可以确定出本次协同产品创新设计的主要创新方向为功能创新和技术创新两个维度。第二层创新目标中,F(h)低于0.05的共有6项,分别为t3、t5、f3、f4、f5、e2,如图6所示。

为进一步验证上述结果的有效性与准确性,本课题小组选取了协同创新主体中具有代表性的两家企业A和B进行跟踪调研,其产品均主要面向中高端客户群体。企业A采用了全部的产品创新目标。企业B为减少创新风险,降低产品成本,并未全部采用上述创新目标,去掉了F(h)值低于0.05的创新目标,但考虑到环境保护是具有重要意义的发展问题和民生问题,因此特别保留了环境性创新维度中的e2目标。

通过对市场调研数据及企业数据进行分析,可知企业A和企业B的产品在某区域市场中均具有较高的市场满意度,分别为82%和80%,说明该创新目标符合市场需求,从客观上证明了该方法的有效性;同时,企业A和企业B的产品在某区域市场中的市场占有率均处于较高水平,分别为29%和21%,但两者之间的差距并不大,表明去掉5项重要度较低的创新目标,对产品的市场占有率影响程度并不显著,在一定程度上验证了该方法的准确性。

4 结语

为准确量化客户协同产品创新中的目标重要度,本文构建了协同创新目标体系的基本框架,包括经济性、结构性、环境性、技术性、功能性五个基本维度,从整体上将“拉动型”与“推动型”创新需求和市场创新需求纳入统一的创新目标体系中。在此基础上,提出了协同产品创新目标重要度的三阶定量确定方法,第一阶段采用AHP与熵值法相结合的主客观综合赋权,确保了创新目标的整体性与创新方向的正确性;第二阶段采用多粒度非平衡性语言决策,提升了多创新主体复杂语言决策信息的一致性与准确性;第三阶段通过基于“产品创新水平”与“市场满意度”之间的内在联系,提出了产品创新的基本类型及其识别方法,以此确定出相应的修订因子,保证创新目标重要度的针对性与合理性。最后,通过实例验证了该方法的可行性和有效性。该方法揭示了协同产品创新中概念设计目标框架的形成机理,为客户协同产品创新目标重要度的确定提供了一种有效的解决办法。

目标协同篇7

随着旧时管理方式的不足和管理观念的进步, 现代企业引入了“以人为本”的管理思想, 实行“人性化”管理, 在企业的财务编制中广泛应用参与预算法, 让基层人员也参与所在岗位、部门甚至企业的预算。全员性的参与, 一方面可以让员工感受到企业对他们的重视, 培养员工对企业的归属感和认同感, 营造和谐民主的企业氛围;另一方面, 员工会更愿意执行亲自参与制定的预算, 有利于促进员工的积极性和主动性, 达到企业预期目标。但是, 这样的管理方式也给企业带来了困扰, 其中最严重的就是预算松弛。所谓预算松弛, 就是在进行预算编制的时候, 预算执行者为了较为容易地完成目标, 制定较宽松的预算目标。故本文尝试基于目标协同性视角, 分析预算松弛的危害和原因, 并提出解决预算松弛问题的措施, 以期通过提高企业和员工的目标协同性, 解决预算松弛问题。

二、预算松弛的危害

在一定程度上, 预算松弛对企业可能是有益的, 因为有时过于精准的预算会给员工执行带来压力, 挫败员工的积极性, 不利于企业目标的实现, 而预算松弛通过宽松的预算标准, 可以减小企业员工执行预算的压力, 给予企业预算的执行和完成一个缓冲的作用。但总体而言, 预算松弛的弊大于利。企业的预算必须基于企业的真实情况制定, 这样预算的执行才会顺利, 才能充分利用企业的资源创造最大的利润, 实现企业的有效管理, 但预算松弛使制定的预算偏离了企业的真实情况, 掩盖了企业真实的财务状况、资源需求和盈利能力, 使预算的执行和企业的实际情况产生偏差, 影响企业管理者对营运状况的判断, 不能形成准确的认识进而不能制定适合企业的管理指导方针, 不利于企业预期目标的实现, 阻碍了企业的长期可持续发展。

另外, 预算松弛阻碍了企业资源的最优配置。预算是将企业的人力、财力、物力等资源在企业内部重新配置的过程, 准确的预算可以合理再分配企业的资源, 基本上实现资源的最优配置。但预算松弛使得某些部门得到的资源和自身所需资源不等, 甚至相差甚远, 进而出现一些部门没有足够的资源而另外一些部门占用、浪费资源的现象, 无法实现资源的最优配置, 资源的不合理配置和低效利用造成了企业整体执行水平和长期战略目标实现的低效。

此外, 预算松弛还不利于调动企业员工的工作积极性。因为员工的工作一般都是按照预算标准来进行, 而较宽松的预算标准, 使得员工在心理上有一种松懈, 进而影响行动上的积极性, 无法发挥员工的最大效率, 不利于企业的整体目标的实现。

三、预算松弛的原因

代理理论把企业和员工的关系解释为一种委托代理关系, 企业追求的是自身的利润最大化和长期可持续发展, 而员工的目标是收益最大化和自身的职业生涯规划, 两者追求目标的不同很容易导致道德风险和逆向选择。加之很多员工对企业的文化、长期战略目标和整体规划不了解, 或者说不认同, 在预算编制时和企业的整体目标发生偏差, 制定比较宽松的预算标准, 夸大完成预算的困难, 产生预算松弛现象。

日本学者中松义郎提出的“目标一致理论”认为, 当一个人的目标和企业目标相一致时, 个人的潜能在企业中发挥到最大, 从而可能实现企业的价值最大化, 达到双赢局面。反之, 当个人的目标和企业目标相异时, 个人的潜能和企业的价值就无法同时最大化, 无法实现双赢。

四、解决预算松弛问题的措施

(一) 企业与员工双向选择时, 最好能“志同道合”

企业和员工在进行双向选择的时候, 最好双方都能够选择令自己满意的“志同道合”的合作伙伴, 否则员工将面临如何改变自身以致适应企业文化的困境, 企业将面临如何调整员工个人价值和企业契合的难题。同时, 合理的人才流动也是一种解决方法, 因为合理的人才流动是人力资本在企业内的重新配置和优化, 当员工流到自身认同和适合自己的岗位或部门时, 员工的积极性和主动性会大大提高, 个人工作努力方向和企业目标相一致, 有利于防范预算松弛问题, 形成良性循环。

(二) 加强信息收集, 减少信息不对称性

因为员工和企业的目标协同性主要受到个人价值、企业文化、社会政策等来自于个人、企业、社会三方面的影响, 所以企业必须加强员工信息收集, 建立相关信息库, 全面了解员工, 减少信息不对称性。然后根据企业长期战略规划和员工信息, 制定既符合企业整体目标又满足员工需求的政策, 实现员工和企业目标一致, 才能更好防范和解决预算松弛问题。

(三) 加强企业文化建设, 营造人性化管理环境

企业文化是企业价值观的体现, 是企业的灵魂, 如果员工不同意企业文化, 那他就不会为企业的发展尽自己最大的能力。所以, 必须加强企业文化建设, 宣传企业愿景和文化, 引导员工向组织和群体方向靠拢, 进而实现企业目标与个人目标协同, 只有员工的行为与企业的文化真正融为一体, 才能较好地消除本位主义对预算编制的消极影响。

个人只有在适合于自己发展的空间和环境中, 才能有效发挥自己的潜能, 体现出自己的价值。因此, 企业必须了解并满足员工的合理需求, 关注物质层面和精神层面的双重建设, 实行人性化管理, 这样员工对企业才有归属感和依附性, 个人目标才能主动向组织目标靠拢并趋于一致, 较好地消除员工与企业目标相异导致的预算松弛问题。

(四) 法制前提下的利益和谐

企业必须依照按劳分配的原则, 公平对待每一位员工, 建立和谐统一的劳资关系和公平的利益分配政策, 比如建立以利益为核心的员工持股制度就是一个不错的方法。另外, 企业的员工调整提升制度, 在要求企业关注和满足员工物质和精神需求时, 也赋予员工一种收益和劳动正相关的意识, 即付出越多, 得到更多。这样员工对企业的认同感会大大加深, 个人目标会主动向组织目标靠拢并努力趋于一致, 也有利于解决员工与企业目标相异导致的预算松弛问题。

参考文献

[1]彭韶兵, 高严.预算松弛:国外研究文献综述及启示[J].会计之友 (下旬) , 2008 (06) .

[2]何红渠, 程惠.预算松弛的危害、原因及对策[J].财会通讯理财版, 2006 (05) .

目标协同篇8

传统的制造系统采用自上而下的递进控制模式, 这种组织形式对生产过程的频繁调整和产品需求的动态变化反应迟缓, 从计划、调度和控制行为上看, 整个系统执行过程缺乏柔性, 个别环节的错误将导致整个系统的无法正常工作, 严重阻碍了JIT生产模式的实施。全球市场下, 迫切需要一种具有柔性良好、反应迅速和容错能力强的生产控制模式, 这种先进的控制模式既要兼顾到资源配置和资源成本, 同时要具备在一定成本效益优势情况下快速响应市场变化, 又具有自适应、自组织、自学习和自优化的能力。具体体现在以下三个主要方面:

①资源配置

人、材料和设备是制造过程中不可缺少的三种主要资源, 其中人是能动性最大的资源, 在柔性资源生产环境下, 定员制的刚性生产方式急需改变, 如何优化配置人员对产品准时交货起着重要的作用。企业在不改变生产设施布局的情况下, 希望通过把单功能机器升级为多功能机或者加工中心和调整不同技能水平的操作人员实现多品种和变批量的生产。因此, 在生产种类和数量频繁变化的生产环境下, 进行人员与多功能机或者工作中心的优化配置研究, 对提高柔性生产系统的生产率以及准时交货率具有现实意义。

②资源成本

企业各种活动的目标是盈利, 创造价值的过程有两种方式, 一种是通过产品生产过程中的价值附加实现, 一种是通过缩减资源成本来实现, 价值附加过程相对稳定的情况下, 通过缩减资源成本来提高企业的赢利能力就显得相对重要。人、材料和设备三种主要资源中, 在设备维护管理较健全和原材料市场相对稳定的情况下, 那么在生产线上, 不同的工人根据其技能水平的不同, 可以操作不同复杂程度的机器, 同样也需要支付不同的技能工资, 在最小化人员成本的情况下, 选择最佳的操作工人来操作相应的机器设备对节约人工成本来说至关重要。

③提前拖期惩罚

提前/拖期 (Earliness/Tardiness, E/T) 调度问题是为了监测生产进程和适应JIT生产方式的需要而提出的, 是非传统调度中最具代表性的一种, 在产品合同中, 产品 (工件) 的交货期服从时间窗分布, 如果在时间窗口内完成则惩罚为0, 如果提前和延迟完成都将受到惩罚, 从经济效益的角度来考虑, 提前完成会导致库存费用的增加, 它反映了占用资金和库存等费用。而拖期完成会受到合同惩罚, 它是反映快速响应市场的指标, 它反映了合同违约惩罚和失去顾客信誉等费用。

在近几年, 大量的生产调度研究论文相继发表, 但其中绝大多数的研究集中在仅机床设备受制约、工艺路线固定、以最小化生产周期为优化目标的单资源单目标的调度问题。然而, 实际的生产中, 调度体现出多样性、多约束性和动态性等特征, 如:多条工艺路线可选;多功能处理机或者加工中心可以处理不同工件的相应工序;工人操作熟练程度、工作技能和工资水平的差异性等。文献[1]以最小化完工时间为目标对多工艺路线调度进行了研究;文献[2]以最小完工时间和平均满意度最大为优化目标对双资源多工艺路线作业车间模糊调度进行了研究;文献[3]、[4]分别以混合粒子群和改进遗传算法对多工艺路线进行了优化;文献[5]以钢管生产调度为例, 研究了多产线共存下的生产工艺路线优化问题;但是都没有考虑生产中人的因素。工件的调度不仅要受到机床资源的制约, 而且受到工人资源的制约, 工人与机床不一定是一一对应的关系, 有的工人可以操作多台机床, 一味地追求调度算法的高效率而不考虑操作人员, 这种算法在车间生产中是无现实指导意义的。文献[6]考虑将机床和工人合理地分配给加工任务 (工序) ;文献[7]以各时间指标为目标对机床、人和机器人资源约束问题进行了研究;文献[8]对面向成本的车间调度优化模型进行了研究;这些文献仅考虑了人机配置优化, 但是没有涉及到人工成本。满足不同交货期的E/T调度问题是适应全球化市场的趋势下发展起来的, 目前, 对E/T调度的研究主要集中在单机问题上[9,10,11,12], 文献[13]对流水车间作业提前拖期调度问题进行了研究, 文献[14]研究了提前拖期调度问题在钢管生产上的应用, 可以看出关于车间作业的E/T调度研究几乎没有。

本文以适应现代先进制造模式的需求为出发点, 提出了资源优化配置、兼顾资源成本和提前拖期调度的模型和算法, 提高生产调度的自适应、自组织、自学习和自优化的能力。

1 问题描述及目标函数的确定

1.1 柔性生产系统调度问题描述

在生产车间加工过程中有Htotal个员工在m个加工中心S1, S2, …, Sm上处理n个工件J1, J2, …, Jn, 工件i (1≤i≤n) 的可选的工艺路线数为PJi条, 工件之间的加工顺序无约束, 每个工件的l个工序有先后约束, Ji= (Ji1, Ji2, …, Jil) 为工件Ji的工序序列, 其中可以操作第Si个加工中心的人数为Hi (1≤Hi≤Htotal) , 第Si个加工中心的机器数量为Sik, 每个工件Ji的加工时间为Pi, 完工时间为Ci, 交货期为di, 工件Ji的单位提前Ei、拖期Ti的惩罚系数分别为αi和βi.

1.2 工艺路线可变的车间作业调度问题描述

当多个工件在多台设备上加工时, 其工艺路线在加工前不能完全确定, 即每个工件的工艺路线可能有几条, 依据机器设备的空闲情况来决定。调度的任务是适当安排工件的加工顺序, 即确定各工件在各设备的加工开始时间, 在满足约束条件的同时, 优化某些性能指标。

1.3 生产调度常用目标体系

生产调度的目标可以是成本最小、库存最小、设备利用率最高、制造绿色度高、生产周期最短、生产切换最少等。生产调度目标归纳如图1所示。图中, 从生产制造商和客户的角度可以把调度目标进行细分, 制造商目标又可细分为能力指标和成本指标。本文分别选择三类指标体系中的优化资源利用、减少运行费用和按时交货为目标来研究车间调度。

1.4 目标函数

①每个工件Ji的加工时间为Pi, 完工时间为Ci, 交货期为di, 如果Ci<di, 则工件Ji受到提前惩罚;当Ji准时完成时, 损失为0;如果Ci>di, 则工件Ji受到拖期惩罚。工件Ji的单位提前Ei、拖期Ti的惩罚系数分别为αi和βi (i=1, 2, …, n) , 工件Ji所受到的提前、拖期惩罚分别为:

提前完工惩罚最小:

$F_{1} = \sum_{i = 1}^{n} E_{i} = \sum_{i = 1}^{n} α_{i} \cdot \max (0, d_{i} - c_{i}) (1)$

拖期完工惩罚最小:

$F_{2} = \sum_{i = 1}^{n} Τ_{i} = \sum_{i = 1}^{n} β_{i} \cdot \max (0, c_{i} - d_{i}) (2)$

②由于在实际生产的过程中, 企业追求的直接目标是最大化利润和最小化成本, 也就是说, 最佳的生产方式是工件能在规定的时间内以最小的成本顺利完工即可。

$\begin{array}{l} Η C \\ = \sum_{i = 1}^{n} \sum_{j = 1}^{l} \sum_{r = 1}^{R} Τ_{i j} \cdot W_{i j r} \cdot Η c_{r} \\ = \sum_{i = 1}^{n} \sum_{Q = 1}^{Ρ_{J_{i}}} \sum_{j = 1}^{l} \sum_{v = 1}^{m} \sum_{L = 1}^{S_{v k}} \sum_{r = 1}^{R} (Τ_{i Q j S_{v} L}) W_{i Q j S_{v} L} \cdot Η c_{r} \\ = \sum_{i = 1}^{n} \sum_{Q = 1}^{Ρ_{J_{i}}} \sum_{j = 1}^{l} \sum_{v = 1}^{m} \sum_{L = 1}^{S_{v k}} \sum_{r = 1}^{R} (F_{i Q j S_{v} L} - S_{i Q j S_{v} L}) W_{i Q j S_{v} L} \cdot Η c_{r} (3) \end{array}$

Tij:工件i的第j (Ji1≤j≤Jil) 道工序加工时间

TiQjSvL:工件i (1≤i≤n) 沿其第Q (1≤Q≤PJi) 条工艺路线在第Sv (1≤v≤m) 个加工中心上的第L个机器 (1≤L≤Svk) 上加工第j (Ji1≤j≤Jil) 道工序的加工时间

SiQjSvL:在设备L上的开始加工时间

FiQjSvL:在设备L上的完工时间

Hcr:能力等级为r (1≤r≤R) 的操作工人的单位工资成本

$\begin{array}{l} W_{i Q j S_{v} L r} \\ = {\begin{cases} 1, ⌶ 件 i 沿第 Q 条 ⌶ 艺路线在 S_{v} 加 ⌶ 中心第 L 个机 \\ 器上使用能力等级为 r 的操作 ⌶ 人加 ⌶ 第 j 道 ⌶ 序 \\ 0 ‚ 其它 \end{cases} \\ W_{i j r} = {\begin{cases} 1, ⌶ 件 i 的 j 道 ⌶ 序由能力等级 r 的操作 ⌶ 人加 ⌶ \\ 0 ‚ 其它 \end{cases} [B Τ 5] 1.5 约束条件 \end{array}$

①处理约束:不同工件的工序之间没有先后约束, 同一工件的工序之间有先后约束:

$\begin{array}{l} F_{i Q (j - 1) S v L} \leq S_{i Q j S v L} \leq F_{i Q j S v L} (4) \\ F_{i Q j S v L} = S_{i Q j S v L} + Τ_{i Q j S v L} (5) \end{array}$

②工人约束:两道不同的工序不能同时被一名工人加工, 而且任何一名工人在任何时候都不能加工一道以上的工序。

$\begin{array}{l} F_{i Q h w} - F_{p q s w} + Η Ζ_{i Q h p q s w} \\ + Η (1 - X_{i Q}) + Η (1 - X_{p q}) \geq Τ_{i Q h w} (6) \\ F_{p q s w} - F_{i Q h w} + Η (1 - Ζ_{i Q h p q s w}) \\ + Η (1 - X_{i Q}) + Η (1 - X_{p q}) \geq Τ_{p q s w} (7) \end{array}$

③每个工件的每道工序在任何一个工作中心上处理时不允许中断;

④所有工件在零时刻都可以被加工;

⑤机器约束:同一时刻一台机器只能加工一个工件

$F_{i h L} - F_{p s L} + Η (1 - Ζ_{i h p s L}) \geq Τ_{p s L} (8)$

其中, FihL和FpsL分别表示工件i的第h道工序在机器L上的完成时间和工件p的第s道工序在机器L上的加工时间, ZihpsL为机床L加工工序h和s的顺序判别条件, 如果工件i的第h道工序先于工件p的第s道工序被加工, 则ZihpsL=1, 否则ZihpsL=0;H为非常大的正数。TiQhw, FiQhw分别为工件i的第Q条工艺加工路线中的第h道工序由工人w加工的时间和加工完毕的时刻; ZiQhpqsw为机床L加工工序h和s的顺序判别条件, 当工序h和s都在机床L上被加工时, 如果工件i的第Q条工艺加工路线中的第h道工序先于工件p的第q条工艺加工路线中的第s道工序被加工, 则ZiQhpqsw=1, 否则ZiQhpqsw=0;

在保证以上约束的基础上, 同时要尽量减少各加工资源的空闲时间, 保证资源的利用率均衡。

2 算法设计

本文遗传算法的流程图如图2所示, 其具体的操作步骤如下。

2.1 编码及初始化

编码是实现遗传的基础, 是提高算法性能的瓶颈, 在过去的研究中, 已经提出了基于优先表、工件、优先规则和工序等9种编码方式, 考虑到计算时间和复杂性等因素, 本文采用基于工序的表达方式, 采用三层编码方式, 第一层表示工序, 第二表示机器, 第三层表示人员。初始化的伪代码如下:

其中, NIND表示染色体的个数。

2.2 适应度数值计算及非支配排序

分别以目标函数 (式 (1) 、式 (2) 、式 (3) ) 作为适应值函数。目标值不仅与工件的排序有关, 还受工件加工开始时间、完成时间和合适操作人员的影响。

步骤1: 取t=0, m个加工中心机器都可用, 假设第Sv (1≤v≤m) 个加工中心上的第L个机器 (1≤L≤Svk) 加工工件i (1≤i≤n) 的第j (Ji1≤j≤Jil) 道工序, ak=1, 工序计数器count=1。

步骤2: 如果count<Wnumber (全部工件工序之和) , count=count+1, 调入下一道工序, 并计算该工序在可用机器上的开始加工时间、上一道工序的完成时间和合适人员完成时间, 取最大时间为开始加工时间, 分别计算适应度值。

步骤3: 根据适应度值计算被支配解个数和不同个体距离d:

$d = \sqrt{\sum_{a = 1}^{Ν Ι Ν D} \sum_{b = 1}^{Ν Ι Ν D} \sum_{k = 1}^{n + 1} (Ο b j V (a, k) - Ο b j V (b, k))^{2}} (9)$

其中, a≠b, ObjV是个体目标值, k表示目标函数HC和n个工件的维数之和。

步骤4: 如果count==Wnumber, 则终止。

2.3 遗传操作及新种群产生

选择操作采用锦标赛选择策略, 交叉操作采用随机位置次序交叉, 变异操作中, 加工时间少的机器被选择的概率大。在交叉变异以后除去重复个体, 合并产生新染色体, 染色体个数仍然是NIND, 从而在保留资源利用的均衡性和较快的收敛速度的同时又不失个体的多样性。

2.4 终止条件

判断终止条件是否满足, 若满足算法终止, 输出调度结果;否则返回交叉和变异操作。

3 实验分析

根据上述算法设计, 采用MATLAB编程, 遗传算法中的运行参数为:群体大小NIND=20, 交叉概率XOVR=0.4, 变异概率MUTR=0.4。采用非支配解集的思想对三个目标 (F1, F2和HC) 同时优化, 然后依据适应度值和个体之间的距离对调度工序进行排序, 为寻找较优个体提供了一种快速实现方式。在操作工程中, 考虑某个工件某道工序可以选择的机器集合, 同时根据三层编码, 兼顾到可以操作该机器的合适人员。

表1是该算例的工件加工信息表;表2、表3、表4是工人与机床设备的加工关系及人员费用和惩罚系数表。从表1的工件加工信息表中可以看出, 该算例中有4个工件, 每个工件有3道工序, 能加工这些工序的机床数量是6台。这4个工件的任何一道工序都至少可以在2台机床上加工, 可以算出工件1、2和4的工艺加工路线有27条, 工件3的工艺加工路线有18条。根据设计算法在Matlab平台仿真, 输出结果列于表5。

表5显示, 在选定20个染色体的情况下, 对于人工成本和4个工件的提前或者拖期惩罚目标值。根据生产实际情况, 恰当的选择调度方案, 对生产实际具有重要的指导意义。

4 结论

针对动态车间调度的较多可变因素, 特别是针对多工艺路线可变, 操作工人可供选择的情况, 本文提出了三层编码方式, 保证了较快的收敛速度, 实现了人、机和工件的结合, 同时采用非支配解集思想对资源利用、运行费用和交货时限三个目标进行寻优。在遗传操作过程中, 根据选择空闲大的资源, 保证了资源利用的均衡性, 特别是实现了调度中的人机协作优化, 弥补了目前生产调度只关注工件和机器的缺陷, 为生产调度研究更接近实际生产提供了一个实现途径。

【目标协同】推荐阅读：

多目标协同决策06-21

协同开发07-15

专业协同10-16

协同工程10-17

协同计算05-12

协同实验05-14

协同预测05-15

三方协同05-16

协同培养05-18

协同竞争05-26

>> 查看更多相关文档