群决策理论（共8篇）
群决策理论 篇1
0 引言
电网规划按时间可划分为短期、中期及长期规划。对于长期规划而言,由于规划期较长,需要分几个阶段进行[1]。目前很多学者从数学优化角度提出了电网多阶段规划模型和方法[2,3]。然而由于实际情况的复杂性,这些模型仅考虑了电网的一方面或几方面,难以全面地考虑电网。而综合决策方法可以弥补这些模型的不足,对优化规划后得到的相近方案从多方面进行评价决策。
综合决策方法也称为多属性或多准则决策。目前国内外对电网规划决策问题展开了大量研究。文献[4]提出一套完整的配电网规划评价指标体系,但权重计算过于依赖专家经验,取值会直接影响决策结果。文献[5-6]将级别高于关系方法应用于配电网综合评判中。文献[7]提出一种技术效益与投资费用分离评价的方法,弥补了投资费用掩盖技术效益的缺陷。文献[8]将AHP与线性规划相结合,首先利用AHP评价项目投资效益,再用线性规划求解综合效益最大化问题。文献[9]建立了基于SE-DEA模型的多属性多目标电网规划方案综合决策体系,通过合理选择输入、输出指标以及处理指标集中的定量和定性数据,形成了完整的综合决策方法。文献[10-11]分别将区间层次分析法和模糊区间层次分析法应用到电网规划综合评判中,尝试通过区间数和模糊理论解决电网规划的不确定性问题。
以上对电网规划综合决策的研究主要集中于静态规划(即单阶段规划)决策。然而在实际工程中,电网规划方案都是分几个阶段进行的,上述方法不再适用。文献[12]针对输电网规划的动态特性,提出了基于集对层次分析法的输电网规划动态综合评判方法,而该方法中对于指标权重的计算主观性过强。鉴于此,本文提出一种多阶段群决策方法并应用于输电网多阶段规划决策中。
1 电网多阶段规划决策中阶段权重求取
在多阶段规划决策过程中,阶段权重的确定尤为重要,不同的权重将直接导致最终决策结果的不同。阶段权重的确定有多种方法,本文根据输电网规划特点,提出确定阶段权重应遵循的2个原则:
a.由于规划前期的负荷预测数据比较准确,此时的规划方案更能贴近实际电网状况,应赋予其较大权重;
b.由于后期规划方案对以后电网的运行将产生重大影响,对衡量整体规划方案的优劣起着至关重要的作用,同样应赋予其较大权重。
基于以上2个原则,给出阶段权重ft(t=1,2,…,q)的表达式:
2 基于专家判断一致性的指标权重区间估计
在多属性群决策问题中,决策者不仅要知道每个指标的权重,而且还要清楚专家权重。将多位专家独立决策得到的计算权重集结为综合权重,将使得决策结果更加全面和准确,同时也能体现多元决策主体的利益[13]。因此群决策问题可分为专家权重求取和指标权重集结2个问题。
2.1 专家权重求取
本文首先根据各位专家给出的属性判断矩阵计算出单个专家指标权重及判断矩阵的一致性指标,然后基于一致性水平确定专家权重。下面给出具体步骤。
a.参与决策的p个专家分别给出属性判断矩阵Ck(k=1,2,…,p)。
b.根据Ck计算出专家ek赋予属性aj的属性权重wjk(j=1,2,…,n)。
d.根据wjk与的偏差确定专家权重的大小。偏差大者赋予小权值,偏差小者赋予大权值。专家ek的权重记为rk,即:
并将其归一化,即:
最终,求得各专家权重为λk(k=1,2,…,p)。
2.2 区间估计指标权重集结
指标权重的确定对决策结果有重要影响,权重的选取将直接影响决策结果。目前指标权重的确定主要有主观方法[14]和客观方法[15]2类方法,主观方法中常用的是层次分析法。本文采用层次分析法,对于属性aj由判断矩阵计算出属性权重wj,当将专家给出的权重值当成样本时可通过区间估计的方法得到权重的区间估计值。
假设属性aj的属性权重wj服从正态分布[16],即wj~N(μj,σj2),p位专家赋予其的属性权重wj1、wj2、…、wjp均服从与其相同的正态分布,即wjk~N(μj,σj2)(k=1,2,…,p)。又因为各专家决策互不影响,即wj1、wj2、…、wjp相互独立,所以wj1、wj2、…、wjp构成来自总体N(μj,σj2)的一个样本,其样本容量为p。设已给定置信水平为1-α,样本wj1、wj2、…、wjp的样本均值及样本方差分别记为Sj2,则:
考虑到Sj2是σj2的无偏估计,则:
可得μj的一个置信水平为1-α的置信区间为:
鉴于各专家决策水平不同,即专家权重不同,对其给出的属性权重wj1、wj2、…、wjp亦应赋予不同权重,则上面的推导中假设p位专家赋予其的属性权重wj1、wj2、…、wjp均服从与其相同正态分布略显有失偏颇。考虑到各位专家的决策水平(专家权重)不同,对各专家的决策结果适当处理后使其服从与总体一致的正态分布函数,引入加权区间估计法改进对μj的参数估计,并定义概念加权样本均值、加权样本方差,分别记作S2jλ:
则μj的一个置信水平为1-α的置信区间为:
代入可得:
3 规划指标区间梯形隶属度求取
电网规划是一个模糊不确定性问题,因此对于决策指标而言很难得到精确的数据,用传统的点值方式表示指标值有失偏颇。区间数能够弥补这方面的缺陷,通过区间数形式描述事物的特征,更符合电网规划的本质。本文分别根据高方案和低方案数据对规划方案进行模拟,得到以区间数形式表示的各项指标值。
当指标值以区间数形式表示时,传统的点值隶属度已不再适用,这时需要采用区间隶属度的形式,本文采用区间梯形隶属度。假设某个指标g的值为通过文献[17]介绍的公式可分别求取指标g属于“优”、“良”、“中”、“一般”、“差”的区间隶属度,具体计算公式参见文献[17]。
4 算例仿真
4.1 多阶段决策流程
a.根据第1节介绍的方法求取阶段权重ft。
b.采用加权区间估计法计算指标权重μj置信水平为1-α的置信区间。
c.根据第3节介绍的区间梯形隶属函数计算各指标属于5个评价等级的区间隶属度fj。
d.求目标层的隶属度:
e.用区间数可能度对方案排序,计算公式为[16]:
4.2 算例分析
某市进行“十二五”输电网规划,分3个阶段完成。共给出3个方案,分别根据规划的高方案与低方案计算出每个方案阶段指标值如表1所示。
在式(1)中,q=3,当t≤3/2时,取αt=0.5;当t>3/2时,取αt=2。此时,计算出阶段1权重为0.4,阶段2权重为0.2,阶段3权重为0.4。
通过第2节介绍的方法,由专家给出层次判断矩阵计算出单个专家给出的指标权重,然后通过区间参数估计得到集结后各个指标的权重。此处以准则层指标为例介绍指标权重的计算过程。首先由层次分析法计算出各专家的指标权重,如表2所示。
根据式(4)计算出专家1权重为0.1017,专家2权重为0.052 4,专家3权重为0.231 7,专家4权重为0.482 5,专家5权重为0.131 7。然后根据式(10)计算出集结各位专家意见后的指标权重如表3所示,其他指标计算类似,其中α=0.01,即置信水平为0.99。
最终结合表3给出各个方案区间指标值,根据式(11)计算出各个方案的综合隶属度如表4所示。
由表1可知方案2的最大隶属度为[0.491,0.729],属于优类,方案3和方案1的最大隶属度分别为[0.331,0.432]、[0.261,0.385],同属于中类,再求可能度P([0.331,0.432]≤[0.261,0.385])=0,可知方案3优于方案1。最终得到优劣排序为方案2>方案3>方案1。
5 结论
本文提出一种群决策方法,并将其应用于输电网多阶段规划决策中。根据多个专家给出的信息采用区间参数估计计算指标权重,使得权重值不依赖于某位专家的意见;并应用梯形隶属函数的区间数模糊决策方法对方案实现优劣排序。仿真分析验证了本文所提方法的科学性及有效性。
摘要：针对输电网多阶段规划决策中指标权重确定主观性过强问题,提出一种用于输电网多阶段规划的综合决策方法。该方法根据决策者给出层次分析判断矩阵的一致性水平确定专家权重,以各专家给出的指标权重为样本,通过区间参数估计求出集结各专家意见后的指标权重。并针对多阶段问题提出求取阶段权重的2个原则。决策过程中,采用基于梯形隶属函数的区间数模糊决策方法求取方案隶属度,解决了规划指标难以精确计算的问题。并根据最大隶属度法进行方案排序,最终求得各方案优劣比较结果。最后结合算例证明了该方法的可行性。
关键词：输电网,规划,综合评判,一致性水平,决策,隶属函数
群决策理论 篇2
多属性群决策达成一致方法研究
摘要：在群决策过程中,专家对于候选方案的每个属性都提出自己的`个体决策信息.关于专家意见的一致化问题,提出一种迭代算法,能自动完成个体意见的一致化,不需要专家修改决策信息.在群体决策矩阵的基础上,用乘性加权集结算子把方案的属性值进行集结,得到方案的群体综合属性值,从而选出最优方案.详细介绍了算法的实现过程,并用一实际例子说明了算法的可行性. 作者： 徐迎军李东 Author： XU Ying-jun LI Dong 作者单位： 南京航空航天大学经济与管理学院,南京,210016 期 刊： 控制与决策 ISTICEIPKU Journal： CONTROL AND DECISION 年，卷(期)： 2010, 25(12) 分类号： C934 关键词： 多属性群决策 一致 乘性加权集结算子 迭代算法 机标分类号： N94 C93 机标关键词： 多属性群决策 方法研究 group decision making multiple 决策信息 最优方案 专家意见 属性值 一致化 迭代算法 群决策过程 实现过程 群体 决策矩阵 集结算子 个体 综合 自动 问题 加权 基金项目： 国家自然科学基金群决策理论 篇3
企业为了在激烈的技术市场竞争中生存发展,必须提升自身核心竞争能力,这就要求企业将更多的资源集中到自身核心业务当中,而将一些边缘的非核心研发业务进行外包,交由第三方代理研发。在现实经济生产中,越来越多的企业将部分研发业务进行外包,如通用汽车就将其整车中3 000多种零部件外包由其他供应商代理研发和生产。虽然很大一部分企业确实可以从研发外包中获得了较大的经济利益,如节约了研发成本、自身核心业务能力得到不断上升等,但研发外包使企业自身受到损害的案例也是屡见不鲜,企业研发外包蕴含着巨大的风险,如研发外包导致企业技术外流,由于研发供应商的能力问题导致企业研发失败,频繁的研发外包导致企业自身研发能力的下降。还有些学者认为与研发供应商无休止的争执会导致企业研发成本骤升等[1]。这些理论虽然众多,但是由于这些风险状况通常是一般性的单独提出,对于企业来说参考性不强,因此,提出全面的研发外包风险体系就显得非常必要。
企业正确地对研发外包风险进行评价对其自身发展的意义重大,只有正确地对其进行评价,才能对企业研发外包工作进行有效的管理,提前避免各类风险的发生。另外,由于研发外包风险的评价工作量大、工作内容复杂,单个评价者很难做到客观公正准确,因此一般都是由各方面的专家组成的专家组共同对其进行评价。本文正是在这样的背景下研究并提出全面系统的企业研发外包风险体系,并以此为基础对多位专家共同对其进行评价的问题进行了探索。
2 文献研究回顾
2.1 企业研发外包风险的内容研究
企业出于成本优势或自身核心的相对技术创新能力发展的目的进行研发外包,但一些实证研究发现,结果往往不尽如人意。Laeity[2]通过对14家500强企业研发外包实践的研究,开启了研发外包风险研究的先河。Maqbool等[3]对357家大公司进行问卷调查相结合的方法得出结论,认为对承包商的过度依赖是IT外包的主要风险之一。Sammi等[4]通过一系列实证研究指出研发外包过程中面临的主要风险是企业技术的流失,这将壮大竞争对手的力量,加速潜在竞争者、替代品生产者向现实竞争者转变,合作方可能将本企业排挤出局,进而带来关键技术人才流失。蒋逊明[5]从知识产权管理的角度研究了在合作研发中可能存在的知识产权风险。何玉梅等[6]指出研发外包风险主要有竞争风险、信息泄漏风险以及信息不对称和合同不完全所带来的风险,且提出了相应的防范措施,如适当奖励研发外包商等。李靖等[7]通过对企业研发外包中的终止权配置研究总结出研发外包风险有战略风险、信息泄漏风险、合同风险、综合风险。尽管对于企业研发外包风险的研究众多,但大多是对于风险内容的一般性提出,或仅从某个局部去认识,鲜有研究系统地将外包风险从孕育到产生再到造成不利后果的整个过程进行描述。
2.2 企业研发外包风险的评价研究
在对企业研发外包风险因素的评价上,不少文献阐述了技术创新风险的成因,如技术风险、财务风险、市场风险、政策风险、管理风险、生产风险等。在对风险事件评价的方面,卢有杰[8]通过对可能发生的不利事件进行分析,提出了一个包含2层共16个指标的风险评价体系。Siffat等[9]从风险因素出发,分别从市场、资金、技术、研发人员、组织管理的角度建立了R&D联盟风险因素的评价指标体系。秦良娟等人[10]运用交易成本理论,分别从客户、供应商和交易过程3个方面建立了3包含层共23个IT外包风险因素的评价指标。
在风险评价方法的选择上,比较简单的方法目前有4种:概率法、方差法、均方差与平均值的比值法即均方差与预期损失之乘积法。虽然这些方法使用方便,但是对于难以估计发生概率或难以获得历史数据的指标的使用上就显得非常乏力,所以应用只限于常规性的风险事件。企业研发外包风险的综合评价法常用的有模糊综合评价法、人工神经网络法和灰色理论模型法等等。模糊综合评价法的使用率最高,经过了更强的有效性的检验。但是,由于模糊评价方法往往得出的是一个风险综合值,不能充分考虑项目的关键因素,如时间因素对项目整体风险水平的影响,而识别出项目的关键因素往往是非常重要的。
目前,企业研发外包风险评价的研究多是一般性地提出企业研发外包风险的分类和内容,再采用一定方法对其进行评价。虽然此类研究目前已比较成熟,但是其内容多为研究风险因素或为研究风险事件或后果对于企业的影响,很少通过研究整个风险运行的机理,并通过评价使企业更加全面地认识到研发外包风险的存在形态并进行有效防范。由于外包风险问题现今非常热门,且急需方便适用的评价方法,因此,未来的研究可能会趋于通过研发外包风险形成机理的分析对企业外包风险进行全面的评价。
2.3 模糊群决策理论研究
伴随着新经济时代的到来,现代社会系统规模不断扩大,系统的复杂性也随之增加,决策信息也越来越具有模糊性,模糊群决策理论成为解决此类问题的重要工具得到了迅速发展并取得了丰富的理论成果。模糊群决策与经典群决策的不同在于:凡决策者不能精确定义的决策参数都被处理成某种适当的模糊集合,蕴含一系列具有不同置信水平的可能选择,这种具有灵活性的数据结构与选择方式使模糊群决策与经典群决策有更强的表达能力和更广泛的适应性。对于特定指标体系的模糊综合评价方面的群决策方法研究也有颇多成果。由于对于特定指标值的群体评价结果多为基数效用形式,而两两比较形式的判断矩阵集结方法得出的结果往往只是一个排序形式,Soleimani等人[11]在对计算理论的缺陷研究中扩展了层次分析法,深入分析了三角模糊数的性质。Chen[12]1-9提出了模糊TOPSIS方法,提出了一个在模糊群决策支持环境下运用模糊集理论评价软件开发风险集合的新算法,并改进了用距离排序模糊数的方法,从而系统地解决了关于模糊综合评价问题中专家权重的赋值和综合评价值的集结问题。Mohammad等人[13]在此基础上开发出了一种利用专家模糊评价的三角模糊数距离的方法确定专家权重。此外,在指标权重确定上,李鹏等人[14]在对虚拟合作伙伴的评价问题上采取了一种基于专家模糊语义评判形式的加权平均指标权重评价方法。本文正是综合上述的模糊TOPSIS方法,以三角模糊数为基础,通过对指标权重评价三角模糊数的加权平均集结完成对指标权重赋值,并采用三角模糊数距离的运算得到各个专家的权重,进而对各个专家对指标的打分进行加权平均综合,从而完成对企业研发外包风险进行模糊群决策方法的评价。
3 企业研发外包风险构成及传导机制分析
出于对成本优势和自身核心的相对技术创新能力的培养的初衷,企业选择了研发外包。然而由于研发外包中由代理问题所产生的双方目标的不一致、信息不对称所导致的逆向选择、外包商的机会主义行为以及环境不确定中的偶发事件等因素的存在,企业研发外包的结果往往事与愿违。若要使研发外包达到既定目的,风险评价就显得格外重要,而有效的风险评价必须建立在对于研发外包风险体系深入认识的基础上。根据Bahli等[15]211-221的理论研究成果,外包风险要素主要由风险源、风险因素、风险事件和风险结果构成。研发外包风险源和风险传导路径一起形成了研发外包风险体系。对此,结合学界已有的研究成果,本文系统地建立企业研发外包风险的风险体系,如图1所示。首先运用交易成本理论识别出企业研发外包风险的风险源、风险因素、风险事件和风险结果,再通过对风险从风险源到风险结果的传导机制的分析,建立起企业研发外包风险体系,从而为后续企业研发外包风险的系统评价问题提供强有力的保障。
3.1 研发外包风险的风险源
无论是何种形式的风险都离不开风险主体和风险客体,企业研发外包风险亦是如此。研发外包的风险主体应该包括实施研发外包的企业(外包客户)和提供外包服务的外包供应商,但本文主要从研发外包客户的角度来研究研发外包风险。根据风险源主客体的不同,可将风险因素的来源分为市场客体因素和人为主体因素。在企业研发外包风险的研究上,可以将风险源分为与人有关的主观风险源,即研发外包客户和外包供应商,以及与交易有关的客观风险源,即外包交易机制。
3.2 研发外包风险的风险因素
在企业研发外包风险中,风险因素是连接风险源与风险事件的纽带,是判断风险事件发生概率的重要依据。交易成本理论认为,交易成本的上升源于交易客户、供应商和交易机制,据此,本文根据前人对风险因素的划分框架,分别从与交易有关和与客户及供应商有关两方面分析研发外包风险因素。与交易有关的风险因素可划分为资产专属性、不确定性、业务关联性、少量供应商和测度问题;而客户和供应商风险因素均包含业务相关的素养和外包管理素养两大风险因素,具体可分为客户研发专业素质、客户外包管理素质、供应商研发专业素质、供应商外包管理素质。
3.3 研发外包风险事件和风险结果
研发外包风险事件是指由风险因素诱发的,会给企业带来损失的,与研发外包相关的事件,有时也被称作研发风险。Khlfan[16]在交易成本理论的基础上提出了四类外包风险事件,即套牢、昂贵的合同修改、意外的过度和管理成本以及诉讼和争议。Bahli等[15]211-221综合前人利用交易成本理论对外包风险机制进行了分析,最终发现两类风险结果,即外包相关费用的上升和外包服务质量的下降。Earl等[17]在研究信息技术外包风险时提出了客户专业能力下降的风险。此外,国内诸多学者在一般性地提出企业研发外包风险时提到了如技术泄密、相对技术创新能力下降等风险,如李晓峰等[18]提出的技术泄密风险,祁红梅等[19]从知识产权管理的角度研究了在合作研发中可能存在的知识产权风险,张汉威等[20]提出了相对技术创新能力下降风险等。从风险思维构造角度,本文认为,技术泄露等状况并不会直接造成企业的损失,而是通过削弱企业相对技术创新能力的形式造成企业损失,因此技术泄露等都可划分为风险事件,而最终导致的结果是企业的相对技术创新能力的下降。利用这个思路,本文重新厘定企业研发外包的风险事件与风险结果,综合外包一般风险和研发外包特殊风险的研究成果,将企业研发外包分为六类风险事件,如表1所示。
风险结果(consequence),即风险事件导致风险主体遭受损失的方式和程度。在企业研发外包中,风险事件最终是以某种风险结果的方式导致研发外包客户蒙受损失。企业研发外包业务中,除了可能导致研发外包费用上升和服务质量下降外,还有一种以长期、慢性的方式造成企业的损失,这就是企业的相对技术创新能力的下降。
3.4 研发外包风险的传导机制
研发外包风险体系主要由风险要素和风险传导机制构成,而风险传导机制作为纽带连接着风险系统中的各个要素,是风险从酝酿到作用于主体的路径。理清企业研发外包风险的传导机制是有效评价风险水平的必要条件。以风险事件为中心,可分为两个方向研究风险的传导路径,一方面向左追溯造成风险事件发生的风险因素和风险源;另一方面向右推导风险事件可能导致的风险后果。
3.4.1 以套牢风险为中心的传导路径
导致套牢风险的风险因素包括:(1)资产专属性。当出现对客户不利的局面时,由于使投资者顾虑到损失或牺牲部分甚至全部资产,不能随意从合作关系中撤出,从而造成套牢风险。(2)业务关联性。当外包业务之间发生关联时,原供应商具有明显优势,然而当外包业务与客户核心业务发生关联时,客户对供应商的依赖更加明显。(3)少量供应商。当可供客户选择的研发外包供应商数量较少时,一方面客户在和供应商讨价还价时处于劣势地位;另一方面,当客户对供应商的服务和要价不满时,另外选择合格的研发供应商成本将增加,从而形成套牢局面。(4)客户的研发专业素质。若客户外包专业素质越来越低时,容易形成路径依赖,客户信息获取、数据处理、独立发现和解决问题能力会越来越差;若供应商出现机会主义行为时,客户不知道己方用户的期望和需求,所以难以发现问题,也以此为筹码和供应商进行谈判。
套牢导致的风险结果:(1)研发外包费用上升。当客户被供应商套牢时,供应商会以合作的强势方姿态和客户讨价还价,从而增加了研发外包的直接费用和管理费用。(2)研发外包服务质量下降。当客户被套牢时,由于缺乏必要压力,供应商的机会主义行为会增加;同时,供应商对于自身能力提高的动力也会不足,从而容易造成研发服务质量的下降。
3.4.2 以昂贵的合同修改风险为中心的传导路径
导致昂贵的合同修改风险的风险因素包括:(1)不确定性。研发外包相关合同的修改很大程度上是由于不确定性造成。(2)测度问题。由于研发外包业务中供应商的绩效和双方所作的贡献不可能被精确地测度,各方有各自的利益驱动,这样就会导致合同修改。
昂贵的合同修改导致的风险结果:(1)研发外包费用上升。当昂贵的合同修改风险事件出现时,不免会给客户企业带来意料之外的合同拟定费用、谈判费用、重新评估费用等,造成研发外包费用的上升结果。(2)研发外包服务质量下降。昂贵的合同修改事件一般伴随着双方合同条款的大幅度变化,这就不免使研发外包计划被打乱,供应商难以在短时间内迅速调整研发进程,从而导致研发外包服务质量的下降。
3.4.3 以意外的过度和管理成本风险为中心的传导路径
导致意外的过度和管理成本风险的风险因素包括:(1)不确定性。由于技术研发过程本身就具有不确定性,如研发相关设备的调试等过渡成本就会增加,供应商行为的不确定性也会增加意外的过渡和管理成本。(2)业务关联性。业务关联性从两个主要途径造成意外过度和管理成本风险。(3)客户的研发专业素质。若客户的研发专业素质较高,能够使客户更加了解自身需求,从而减少协同和管理成本;相反,就会增加意外的过度和管理成本。(4)客户的外包管理素质。客户对于外包的管理水平会直接影响到意外的过度和管理成本风险的发生。(5)供应商的研发专业素质。若供应商的专业能力较低,就会造成研发效率低,客户的过度成本就会增加。(6)供应商的外包管理素养。供应商的沟通能力、项目协调能力等外包管理素养不高会使客户投入更多的财力和精力与之沟通。
意外的过度和管理成本导致的风险结果:(1)研发外包费用上升。当意外的过度和管理成本风险事件发生时,客户的研发变更费用、沟通协调费用、监督费用等都会随之上升。(2)研发外包服务质量下降。诸如协调沟通等管理费用的增加反映出双方协调问题,不免会使研发外包项目的进度、质量受到影响,从而降低了研发外包服务质量。
3.4.4 以诉讼和争议风险为中心的传导路径
导致诉讼和争议风险的风险因素包括:(1)测度问题。由于技术研发项目绩效模糊,不易测量和考核,因此双方会因此产生许多不必要的争执,甚至诉诸法律。(2)客户的外包管理素质。客户的协调、沟通等外包管理能力低下会招致供应商的不满,从而增加了双方产生争执的可能。(3)供应商的研发专业素质。由于研发外包业务的技术复杂性,供应商的研发水平如果不高,会出现诸多可能导致诉讼和争议的问题。(4)供应商的外包管理素质。如果供应商有较高的外包管理素养,在合同谈判时能够以双方均可接受的方式和价格达成协议。
诉讼和争议导致的风险结果:(1)研发外包费用上升。毫无疑问,争议使得客户企业不得不花更多的财力和精力与供应商进行沟通,增加了管理费用。如果争执不能停息,双方采用诉讼的方式解决争端,使研发外包费用增加。(2)研发外包服务质量下降。无论是诉讼还是争议,由于双方迟迟不能达成一致,研发外包项目的停滞就成为必然,拖延了外包业务完成的时间,给客户企业带来难以计量的损失。
3.4.5 以客户专业能力下降风险为中心的传导路径
导致客户专业能力下降风险的风险因素包括:(1)业务关联性。由于研发外包业务之间,或研发外包业务与核心研发业务之间存在着关联性,导致一种研发业务的下降影响到其他业务,从整体上降低了企业的能力。(2)客户的研发专业素质。如果客户研发专业水平低,就可能会造成核心业务的错误划定,将核心业务外包,从而造成自身能力的逐渐下降。(3)客户的研发外包管理素质。客户对于外包流程的熟悉程度、对供应商的控制能力等都影响着客户在双方合作中的优势地位。(4)供应商的研发专业素质。若供应商水平低下,加之业务间存在关联性,除了研发外包质量受到影响外,还会影响到客户自身核心业务能力,从而使客户能力越来越弱。
客户专业能力下降导致的风险结果:客户专业能力的逐渐下降会导致客户在所处领域的产品研发、市场预测能力逐渐被削弱,最终影响到客户的相对技术创新能力,因此客户专业能力下降主要导致的风险结果是企业相对技术创新能力的下降。
3.4.6 以技术泄密风险为中心的传导路径
导致技术泄密风险的风险因素包括:(1)业务关联性。当研发外包业务之间或外包业务与企业核心业务之间的关联性较强时,由于双方需要不断沟通、均衡信息,从而加大了技术泄密的可能。(2)客户的外包管理素质。如果客户企业具备丰富的外包管理经验,拥有严密的双方合作的技术泄密管理机制,那么泄密可能性将大大降低;相反,泄密事件会经常发生。(3)供应商外包管理素质。对于供应商泄密有两种情况:一种情况是由于供应商缺乏知识保护经验,无意将客户技术机密泄露;另一种情况是由于供应商部分员工道德问题,有意泄露客户机密。这两种情况都应属于供应商外包管理素质的范畴。
技术泄密导致的风险结果:技术泄密虽然不会立即升高企业研发外包费用或降低研发外包质量,但长期来看,技术泄密将会令客户企业丧失技术优势,使高额的研发投入付诸东流,会导致企业相对技术创新能力下降的风险。
3.5 研发外包风险体系的建立
综合运用交易成本理论和四位一体的风险分析框架,并结合国内外学者对于外包风险或研发外包风险的相关研究,本文分别阐述了企业研发外包风险事件的影响因素和风险传导路径,将上述各个风险时间的传导机制进行汇总,便构成了完整的企业研发外包风险体系,具体如图2所示。
4 基于模糊群决策方法的企业研发外包风险评价模型构建
4.1 风险因素的评价和评价者的权重确立
4.1.1 指标编码
首先将9个风险因素分别按所属风险源进行编码(如图3)。若有n位评价者E1,E2,E3,…,En,从F1到F9依次代表各个风险因素指标,则珘hij(LEFij,MEFij,UEFij)对应评价者En对Fj评价语义的三角模糊数。
4.1.2 各评价者对每一风险因素打分
这一环节是由n位评价者对研发外包风险的9个风险因素风别进行评分。评分采用常用的五级语言短语,评分范围是0~100分,0分表示风险因素水平为0,即不存在问题,100为最高,即该风险因素将必定导致相应风险事件发生且程度严重(如表2)。
4.1.3 确立评价者权重
在运用模糊群决策进行评价时,评价者权重是模型建立的重要组成部分,也是后续评价反复需要用到的基本数据。根据谢刚等[21]对于运用模糊群决策进行评价时评价者权重的确立思路,某一评价者的权重取决于这一专家和其他评价者评价的差距,若差距越大,则说明该评价者的评价结果距离平均水平越远,则其评价离客观实际情况也越远,因此该评价者的水平就越低。为后续计算方便,在此将相关定义和公式列举如下:
若有两个三角模糊数且满足
在上述模糊三角数距离定义的基础上,根据谢刚等提出的方法,两位评价者之间的距离公式如下:
若有n为评价者E1,E2,E3,…,En,且有m项评价属性A1,A2,A3…Am,令评价者i对于属性j进行评价的三角模糊数为(LEij,MEij,UEij),假设各评价指标权重相同,则评价者Ea和Eb之间的距离为:
式(2)反映了评价者k的评价与其他评价者之间的差异程度。其值越大,说明该评价者的评价与其他评价者越相近;反之就越远。则评价者k的权重为:
容易得知。由式(1)到式(3)可知,企业研发外包风险评价者Ei的权重WEi为:
其中,di为评价者i和其他所有评价者之间的距离和。
4.2 确立风险因素和风险事件的权重
4.2.1 指标编码
首先,由于各个风险因素评价指标可以对应不同的风险事件,因此,同一个风险因素对应不同的风险事件就有不同的权重。其次,虽然同一风险事件可能对应不同的风险结果,但是如果将本模型中三类风险结果作为一个整体看待,即都是损失的不确定性程度,这样就可以使6类风险事件具有同一标准,即损失的不确定性程度。综上所述,对6类风险事件进行编码(如图4),R1到R6分别代表六类风险事件指标,则Ri的权重为WRj,Fi对应于Rj的权重为WFRi→j,则某一评价者Ek对于WRj和WFRi→j进行评价的三角模糊数分别为:WRj(LWRjk,MWRjk,UWRjk)和WFRki→j(LWFRki→j,MWFRki→j,UWFRki→j)。
4.2.2 各评价者对风险因素权重和风险事件权重打分
这一环节是由n位评价者对研发外包风险的9个风险因素和4个风险事件的重要性程度进行评分。评分采用常用的五级语言短语,评分范围是0~1分,0分表示风险因素或风险事件对整个评价没有意义,1为最高(如表3)。需要注意的是,在对每一风险因素重要性进行评价时,必须要分别给出该风险因素对应不同风险事件的不同重要性水平。
4.2.3 确立风险因素权重
评价属性权重的确立是得到综合评价值的前提条件,根据李帅等[22]基于模糊群决策的属性权重获得方法,若有n位评价者E1,E2,E3,…,En,且有m项评价属性C1,C2,C3,…,Cm,令评价者i对于属性j进行进行赋值的三角模糊数为,且评价者i的权重为WEi,则属性Cj权重的三角模糊数为:
运用三角模糊数的期望定理将属性权重的归一化,得到属性Cj的权重为:
容易得到。根据企业研发外包风险评价体系,结合式(5)到式(6)可知,企业研发外包风险因素对应各个风险事件的权重为:
4.2.4 确立风险事件权重
与上一步相似,根据式(4)到式(6)可知,企业研发外包风险事件对应整个风险事件状况的权重为:
4.3 评价各个风险事件的风险状况
4.3.1 计算模型
运用模糊群决策方法进行评价的最终目的是要得到一个综合评价值,这就涉及到群意见的集结问题。根据Chen[12]1-9等人的模糊期望值集结法,则有如下集结公式:
若有n位评价者E1,E2,E3,…,En,且有m项评价属性C1,C2,C3,…,Cm,令评价者i对于属性j进行进行赋值的三角模糊数为珘hij(LEij,MEij,UEij),且评价者i的权重为WEi,则属性Cj的权重为WCj,则该方案的综合评价值的三角模糊数(L,M,U)为:
因此,方案的综合评价值为:
上文通过式(7)到式(30)建立起了企业研发外包风险因素对应各个风险事件的权重,且由式(1)得到了各个评价者的评价权重,再结合式(33),可以得到各风险事件模糊三角数形式的风险水平如下:
4.3.2 风险初步评价
到此已经可以开始评价各个风险事件的风险水平。如果企业需要逐个评价风险事件的状况,可以采用模糊数期望值法将式(35)到式(40)的各风险事件风险水平转化为确切数,按照图2的路径结合风险结果进行评价,判断研发外包给客户企业带来的风险水平和主要风险结果形式。
4.4 评价企业研发外包的综合风险水平
4.4.1 计算模型
运用式(33)的基本模型,结合上一步对于各个风险事件的初步评价,可以得到企业研发外包风险的综合风险水平模糊数为:
由式(12)可知,企业研发外包风险综合风险水平的确切数值可以看作是:
4.4.2 风险综合评价
上文式(1)到式(42)全面地建立起了企业研发外包风险评价的数学模型,得到了企业研发外包风险的综合水平值为0-100分,分值越高说明风险水平越高,企业在做研发外包决策时就应当更慎重;此外,评价者还可以根据经验划分出风险等级,以便实施分类控制。另外,企业可能会遇到多个研发外包方案的择优问题,这时可以将多个方案的风险综合评价值进行比较,分值越低者风险越低,在选择的时候就应该优先考虑。若企业遇到两个方案的综合评价值差异很小时(差异在5%之内),有两种评价方法可供参考使用:其一就是分析风险事件导致的风险结果,比较哪种形式的风险结果企业更容易承受;其二就是利用三角模糊数的方差进行判断,方差越小说明风险状况越稳定,相应方案的风险水平就相对较低,可以优先考虑,相反就不应该优先考虑。
在对企业研发外包风险体系分析的基础上,结合模糊群决策理论构建了企业研发外包风险的双层评价模型,一方面有利于企业更清晰全面地了解和评价企业研发外包风险,另一方面也有利于评价过程溯本清源,从而能够有的放矢地对研发外包风险进行管理;同时,该模型既发挥了群决策的优势,便于使企业能够避免个人主观偏见产生的评价偏差,而且利用模糊评价方法的特点便于对不是经常发生、概率和后果难以预计的风险实施有效评估。因此,该模型为企业研发风险的控制活动提供了可靠的评估根据。
5 案例应用
5.1 案例概况
浙江X控股集团有限公司是一家集汽车整机设计、制造、销售为一体的纵向一体化企业。为增强企业核心技术优势,支持前线品牌建设,该集团携巨资建立了X汽车研究院,总院设在临海。目前,该研究院已经具备较强的整车及主要部件开发能力,其中自主研发的中小排量发动机,如1.0L-1.8L全系列发动机及相匹配的手动/自动变速器等核心技术已在国内处于领先地位。X集团旨在打造一个中国自己的汽车王国,无论从当前核心业务划定、产业链打造方向,还是企业长远战略规划角度,均以自主整车品牌为目标。
确定了国产自主品牌整车制造商的定位,X集团不免要将大部分边缘业务交由更为有效和专业的第三方代为研发和生产,企业除车型外观和部分动力装置由自己或跨国设计团队共同设计外,车身结构和汽车的安全、电子、制动、悬挂等系统的设计均外包给供应商。X企业的研发外包业务大致分为两类:一类是有标准化的技术参数和设计要求(如汽车悬挂系统、电子导航设备)的部件研发,将这些标准参数和要求文件提供给供应商,供应商根据明确的参数、性能和技术设计书独立完成研发和制造。而另一类零部件是核心部件(如新型发动机、变速箱、动力转向系统),其研发过程复杂,且部分涉及企业较核心业务,需要供应商和制造商之间进行多方面的信息交流,对这类业务公司设立了专门的部门与供应商的研发接口,加强了研发全过程的监控和评价工作,并要求供应商努力寻求技术的革新和突破。
由于公司管理层意识到研发外包可能存在的一系列风险,决心加大研发外包风险管理力度,组建了一支由5人专家领导的研发外包风险调研团队独立对研发外包业务进行了为期2年的调查研究,现调研团队准备通过将5位专家独自给出的意见进行综合,并对X企业汽车悬挂系统、车内电子设备、变速及动力转向系统三大类研发外包业务进行综合评价,为企业研发外包管理工作提供依据。本文为了论述方便,假设各类子系统分别纳入这三大系统进行综合评价,并且三大系统的研发工作分别是由3家研发外包供应商承接。
5.2 评价过程
由于篇幅限制,本文只演示各评价者对B1业务,即汽车悬挂系统研发外包的风险评价过程,其余两项业务的有关风险评价过程本文将以此类推直接给出评价的结果。
5.2.1 风险因素打分并确立专家权重
令5位评价专家分别为A、B、C、D、E,评价依然采用五级语言变量形式,即非常严重(VS)、严重(S)、一般(M)、好(G)、很好(VG)。三类研发外包业务分别为汽车悬挂系统(B1)、车内电子设备(B2)、变速及动力转向系统(B3)。为计算方便,在计算专家权重时,假设各专家评判水平具有平稳性,即本例中的每个风险因素专家打分三角模糊数的3个值LEF、MEF、UEF只考虑每位专家对第一个方案的打分值。通过对专家打分的模糊数进行汇总,结果如表4所示。
由式(1)可知,评价者1相对其他评价者的距离和如下:
同理,d2、d3、d4、d5分别为1 134.259、887.345 7、1 064.815和2 214.506。因此,评判专家1的权重为
5.2.2 各风险因素和风险事件权重的确立
5位评价专家A、B、C、D、E采用重要性评判的五级语言短语形式,即VI、I、M、U、VU分别代表非常重要、重要、一般、不重要和非常重要,对汽车悬挂系统研发外包风险的9个风险因素和4个风险事件的重要性程度评分,结合式(30)和式(32),再由上表4计算出的专家权重,可以计算出各个风险因素以及风险事件权重三角模糊数如表5所示。
由表5结合式(7)到式(32),可以计算出各风险因素和风险事件权重如表6所示。
%
5.2.3 计算各风险事件和综合风险状况水平
根据表6的计算结果,利用式(35)到式(40)可以计算出风险事件的评价三角模糊数状况如下:
根据以上计算出的各风险事件模糊数,结合之前得到的各风险事件权重,可以计算综合风险状况的三角模糊数如下:
其确切数
因此该企业B1业务研发外包的风险综合评价值为52.75,综合风险为中等水平。类似计算方式,可以得到B2的风险综合值为44.32,B3的风险综合评价值为68.01。
5.3 评价结果分析
5.3.1 风险的初步评价
(1)B1业务各风险事件分析。从各风险事件评价得分看出,对企业造成潜在威胁最大的风险事件是昂贵的合同修改风险,最小的风险事件是技术泄密风险,而其他四类风险事件都处于中等水平。对昂贵的合同修改风险主要是由不确定性和测度问题的风险因素导致,主要风险源存在于交易机制上。这主要是因为在汽车悬挂系统的研发外包中,由于悬挂系统研发和企业核心业务关联性不大,研发绩效难以通过销售额等外显方式表现出来,增大了研发外包的测度难度;另外,由于消费者对汽车外观需求变化日新月异,研发的不确定性增加,容易造成频繁的设计修改,从而造成昂贵的合同修改。
(2)B1业务风险事件的防范。根据上述风险评价初步分析结果可以看出,X集团对于汽车悬挂系统研发外包业务应该多注意合同修改和争执风险的防范,对于风险因素应该特别加强不确定性和测度问题的提前控制,如建立外包合同研究小组、增强市场对于汽车悬挂设计的反馈等。
5.3.2 风险的综合评价
由于X企业的汽车悬挂系统、车内电子设备、变速及动力转向系统研发外包风险的专家评判值分别为52.75、44.32和68.01,可见,风险最大的是动力转向系统研发外包,最小的是车内电子设备。这是由于动力转向系统是汽车的核心部件,且关系到整个产品的相对技术创新能力,技术含量也很高,因此,X集团应该非常重视变速及动力转向系统的研发外包监控工作,在条件允许的情况下应该适当调整企业研发战略,努力将此类研发业务逐渐转向内部,从而从根本上杜绝此类风险。此外,车内电子设备研发外包风险很小,X企业可以继续加大此类业务的研发外包力度,不断将企业研发工作的资源集中到核心业务上,从而加强企业核心的相对技术创新能力水平。
6 研究总结与展望
6.1 研究总结
虚拟企业盛行,研发类业务大量外包是当今企业虚拟供应链管理的重要发展趋势和发展方向,无论是企业研发外包业务的选择还是研发外包供应商的选择,都是科技型企业在激烈的市场竞争中成败的关键,由于大量研发技术都具有不确定性极强、需要多人共同抉择的特点,其风险评价问题也就成为了较为关键的难点。根据本文提出的企业研发外包风险体系,本文结合模糊群决策理论提出了专家成员权重的确定、风险因素和风险事件权重的确定、风险事件评价和综合风险水平评价的方法,从而为企业研发外包风险多专家共同评价问题提供了一套全面的使用模型。通过该评价模型在X企业案例应用的演示,对本文提出的评价模型的适用性和可操作性进行了有效的验证。通过案例的实际运用可以看出,本文所提出的企业研发外包风险多专家评价模型具有以下特点:
(1)评价更加全面。由于建立在系统的风险体系的基础上,本文所提出的模型不但能够比较多方案的综合风险水平,还能分别比较各可能的风险事件的水平状况。此外,若企业需要,还可以根据各风险事件的评价水平追溯潜在威胁最大的风险源,为企业研发外包管理工作提供有效的依据。
(2)评价计算过程简练。通过对前人模糊群决策模型的提炼,本文主要采用了加权的群意见集结方式和模糊数距离等概念,并以初次评价为依据确立各专家权重。这种方法避免了冗长的高数计算,使用时效率较高,减少了对大型群决策软件的依赖程度。
(3)该模型也具有一定的局限性。如果专家打分悬殊过大,或专家发挥并不完全稳定时,该模型的计算结果可能产生一定偏差,这时就需要综合专家多次的评价结果确立其权重。
6.2 研究展望
企业研发外包风险评价是企业研发外包管理的重要工作内容,也是学界对研发外包管理研究的重点工作内容,本文只是综合前人的研究成果提出了企业研发外包的通用性风险体系,并未针对具体行业提出具体风险要素,而在实际工作中,由于行业特性的限制,不同风险事件可能会由不同的风险因素导致,这些内容都需要针对具体行业进一步研究。伴随着研发外包的不断发展,外包管理工作会变得更加复杂和庞大,也可能会有更多的新的风险形式出现,因此本模型各方面都可能需要进一步的修正和补充,这些都是关于研发外包风险评价的进一步研究范畴。
摘要：随着社会经济结构形式的不断演变,企业间分工越来越明确,各类企业出于对自身效率和成本的考虑,将非核心的各类业务实行外包。在部分企业研发外包成功的同时,也有诸多企业由于研发外包不当导致失败,如错误选择研发供应商而导致研发失败或者技术泄密等,或由于核心业务界定错误导致自身相对技术创新能力下降等,因此企业恰当地实施研发外包的首要任务就是正确地评价企业正在或即将外包的研发业务风险水平,并以其作为管理层对研发外包决策的参考依据。从企业研发外包风险的特点出发,选用模糊群决策理论的相关研究成果建立起由专家权重确立、风险因素和事件权重确立、评价意见集结公式等部分组成的,多专家共同对企业研发外包风险实施评价的模型,并通过案例运用,对所提出的评价模型的可靠性和简易型进行验证。
群决策理论 篇4
模糊控制策略是解决非线性和复杂控制问题的一种有效的智能控制方法[1]。模糊控制器的设计通常需要专家经验并要对众多的参数进行整定以达到满意的控制效果。这样一个依赖于专家经验的人工寻优过程会给工程应用带来不便。目前, 很多学者致力于用进化算法来优化模糊控制器的参数[2,3,4], 但是很少有文献提出对控制决策表进行优化。控制决策表是模糊控制器的重要组成部分, 在实时控制中是影响控制效果的关键因素。另外, 用于参数优化的进化算法往往需要调整很多参数, 给优化的实现带来了难度。
基于传统粒子群算法 (Particle Swarm Optimization, PSO) 提出的量子粒子群算法 (Quantum-behaved PSO, QPSO) 具有计算机实现简单、鲁棒性强、可调参数少的优点。本文给出一种免疫量子粒子群算法 (QPSO-immune Algorithm, QPSO-IM) , 它根据系统所要达到的性能指标来优化模糊控制器中的控制决策表, 使模糊控制规则更加完善。该算法将免疫算子引入QPSO算法中, 在保留原算法优点的基础上提高了算法的全局搜索能力。模糊控制器和控制决策表的优化设计在SCON-2000模糊控制平台进行了工程化实现, 在对水箱液位模糊控制中取得了令人满意的控制效果。
2 模糊控制系统简介
常规模糊控制系统如图1所示, 其控制可分为模糊化、模糊推理和解模糊三步。
模糊化就是将基本论域上的精确量:误差e和误差变化率ec, 变换为量化论域上的模糊集的过程。模糊推理过程就是对模糊输入量根据制定的模糊规则和模糊推理方法进行模糊推理, 求出模糊输出量, 继而通过解模糊求得确定的控制量。为提高系统的实时性, 通常是根据上述过程离线计算出控制决策表用于控制。水箱液位模糊控制的控制决策表如表1所示。控制过程中, 根据输入信号e和ec查询控制决策表, 所得增量按比例转换后再施加于被控对象。
在系统投运时, 仅基于专家经验构成的控制决策表往往是不完善的, 还要对控制决策表进行参数整定以取得满意的控制效果。由表1可以看出, 控制决策表是一个13×15的实数矩阵, 其参数的人工整定不仅需要丰富的专家经验, 还要耗费大量时间。因此, 控制决策表的自动调整优化是一项具有实际意义的工作。
3 基于QPSO-IM算法的控制决策表优化
3.1 QPSO算法简介
传统粒子群算法将算法中的可行解看作没有重量和体积的粒子, 粒子在n维搜索空间中追随本身目前所找到的最优位置和整个粒子群所找到的最优位置进行迭代飞行[5]。
Sun等人从量子力学的角度提出了一种新的PSO算法模型——量子粒子群优化算法 (QPSO) 。研究结果证明, 在保证种群规模的情况下, QPSO算法的搜索能力优于PSO算法, 而且QPSO算法的参数少, 更容易实现控制[6]。设粒子i的当前位置为xi= (xi1, xi2, …, xin) ;粒子i所经历的最好位置为pi= (pi1, pi2, …, pin) ;整个粒子群所经历的最好位置为pg= (pg1, pg2, …, pgn) , 即搜索到的最优解。粒子根据式 (1) ～ (3) 进行迭代飞行, 达到迭代次数后飞行结束。
xij (t+1) =p′ij±β|mbestj-xij (t) |ln (1/u) (1)
其中,
mbest是各粒子本身所经历的最优位置的平均位置;φ和u是在[0, 1]上产生的相互独立的随机数;β为伸缩因子, 是QPSO算法中唯一的可调参数。式 (1) 中的正负号以相同概率随机产生。
3.2 人工免疫算子的引入
把QPSO算法中的粒子看作人工免疫系统中的抗体, 将免疫的思想引入QPSO算法可以提高算法的性能[7]。基于人工免疫原理, 浓度选择机制保证了粒子 (抗体) 的多样性从而提高了算法的全局搜索能力。设有N+M个粒子, 每个粒子的适应度值为f (·) , 则第i个粒子的浓度为:
从N+M个粒子中选择N个粒子以避免粒子过度集中, 第i个粒子的选择概率为:
另外, 接种机制用在QPSO中, 以保留最优粒子的形式提高算法的收敛速率[8]。
改进后的QPSO算法称为免疫量子粒子群算法 (QPSO-IM) 。
3.3 基于QPSO-IM算法的控制决策表优化
QPSO-IM算法流程如图2所示, 其实现步骤如下。
(1) 编码。
本文要优化的控制决策表是一个13×15的实数矩阵, 如表1所示。采用实数编码方式, 将该矩阵元素以行序组成一维向量, 作为一个粒子。若矩阵的第i行元素表示为aij, 则粒子编码为:
a1j, a2j, …, a13j (j=1, 2, …, 15)
可见, 每个矩阵的编码是一个195维的行向量, 所以控制决策表的优化是一个高维优化问题。
(2) 初始种群的生成。
本文对已经存在但控制效果欠佳的控制决策表1进行优化调整, 以达到满意的控制效果。因此, 没有必要在实数域内随机产生初始种群。而且, 随机产生的控制决策表几乎都无法达到控制目的, 进化中对它们的评价也就没有意义。因此, 初始种群可在表1的基础上产生。本文的方法是按表1编码的各位加上[-c, c]之间的随机实数, 由此产生初始种群, 在可行解空间范围内搜索最优解。正实数c的选取将影响算法的寻优能力。较大的c有助于提高算法的全局搜索能力;较小的c则有助于提高算法的局部搜索能力。在工程应用中, c的选取受制于控制量的约束范围。在执行机构允许范围内, c的选取可参考表1中的最大元素 (aij) max, 即:
c< (aij) max (i=1, 2, …, 13;j=1, 2, …, 15)
(3) 记忆库。
用于保存进化过程中的最优粒子, 记忆库在迭代过程中不断更新。
(4) 适应度值的确定。
本文采用时间与误差绝对值的乘积的积分 (ITAE) 来评价个体性能, 它综合反映了系统的超调量、上升时间以及过渡过程等性能指标[9], 如式 (6) 所示。
ITAE=∫
其中, 积分上限T的设定关系到能否对个体优劣进行有效区分。过小的T无法有效区分个体优劣程度;过大的T不仅过度放大了较差个体的劣势, 而且会增加计算机的计算量, 从而给算法实现带来困难。通常T可取调整ts的2～4倍。据式 (6) 可知, ITAE值较小的粒子具有较好的控制效果。为了使控制效果更好的粒子具有更大的适应度值, 我们将计算出的ITAE值进行转换, 然后用于浓度的计算。这里采用一种线性转换的方式来计算粒子的适应度, 如图3所示。
在进化过程中, 每一代粒子的适应度值由该粒子的ITAE值以及这一代粒子的最大ITAE值和最小ITAE值确定, 则ITAE值为x的个体的适应度值为:
这种变换令某一代的最差个体和最优个体的适应度值分别为0和1, 能够有效区分个体之间差异。需要指出的是, 该变换得出的适应度值仅在该代中有效, 不同代个体不能利用这种变换得出的值进行比较计算。不同代个体只需直接用ITAE值进行比较即可。
(5) 粒子更新的两种方式。
a.迭代更新。由式 (1) ～ (3) 产生N个新粒子;
b.重新生成M个新粒子。生成方式和初始种群的生成方式相同。
(6) 基于浓度的粒子选择。
用式 (4) 计算N+M个新粒子的浓度, 然后依概率公式 (5) 选择N个粒子组成新的群体。
(7) 接种疫苗。
用记忆库中的免疫记忆粒子替换粒子群中适应度较差的粒子。
(8) 结束条件。
达到预先设定的最大进化代数时寻优结束。
4 应用实例与结果分析
LTT三容液位控制实验装置是高等院校的教学实验设备, 主体由三个圆柱形容器罐、若干手动排水阀和一个蓄水池组成。用液位传感器检测容器水位, 用变频器调节泵的转速, 继而改变泵的供水量。本文在自行研制的SCON-2000先进控制系统的模糊控制平台上进行单容水箱液位模糊控制, 考察跟踪参考输入响应和负荷变化时的响应, 并将优化前后控制决策表的控制效果进行了对比。
初始种群规模N=50, 产生的方式是按表1的编码的各位加上[-2, 2]之间的随机数;每次迭代, 产生新粒子数M=10;伸缩因子β在迭代过程中从1.0到0.5线性下降;粒子的每位限定在[-7.5, 7.5]之间;取式 (6) 的积分时间T=4ts;每次迭代时, 选择种群中3个最差粒子替换为免疫记忆粒子;最大进化代数为200。本文同时利用SCON-2000先进控制系统的建模平台对水箱进行建模, 得到的水箱模型为:
优化后的控制决策表如表2所示。
在SCON-2000先进控制平台上对水箱液位进行实时控制, 设定液位为200 mm, 误差量化因子Ke=2.53, 误差变化率量化因子Kec=125, 控制量比例因子Ku=1, 模糊控制器采用增量形式。优化前后的响应曲线以及控制量曲线如图4、图5所示, 可见优化后的控制决策表性能比优化前有了很大的改善。
(1) 优化前, 系统响应的超调量为30%, 调节时间为3.5min;优化后, 系统响应的超调量为5%, 调节时间为2 min。
(2) 优化前, 系统响应的稳态波动在±25mm内;优化后, 系统响应的稳态波动在±10 mm以内。这表明优化后的控制决策表的精度更高。
(3) 在系统稳态时加入负荷扰动, 优化前的系统需要5.5min恢复稳态, 并有超调;优化后的系统仅用2 min就重新到达稳态, 且没有超调。这表明优化后系统响应具有更好的快速性和平稳性。
5 结束语
本文提出用QPSO-IM算法来优化模糊控制器中的控制决策表。算法实现简单, 可调参数少, 使模糊控制决策表的参数整定易于工程应用。实验结果表明:用QPSO-IM算法优化过的控制决策表明显改进了模糊控制器的性能, 从而达到了优化模糊控制器的目的。
参考文献
[1]孙绪刚, 王丽荣.模糊控制在聚合装置的应用[J].化工自动化及仪表, 2001, 28 (4) :29-32.
[2]LINKENS D A, NYONGESA HO.Genetic Algorithm for FuzzyControl, Part 1:Offline System Development and Application[C]//IEE Proceedings-Control Theory and Applications.U-nited Kingdom:IET, 2004:161-176.
[3]ESMIN A A A, AOKI A R, LAMBERT-TORRES G.ParticleSwarm Optimization for Fuzzy Membership Functions Optimiza-tion[C]//IEEE International Conference on Systems, Man andCybernetics.Tunisia:IEEE, 2002, 3:5.
[4]HOMAIFAR A, MCCORMICK E.Simultaneous Design of Mem-bership Functions and Rule Sets for Fuzzy Controllers Using Ge-netic Algorithms[J].IEEE Transactions on Fuzzy System, 1995, 3 (2) :129-139.
[5]KENNEDY J, EBERHART R.Particle Swarm Optimization[C]//Proceedings of the IEEE International Conference onNeural Networks.Australia:IEEE, 1995:1942-1948.
[6]SUN J, FENG B, XU W B.Particle Swarm Optimization withParticles Having Quantum Behavior[C]//Proceeding of 2004Congress on Evolution Computation.Portland:CEC, 2004:325-331.
[7]LIUJ, SUNJ, XUW B, et al.Quantum-behaved Particle SwarmOptimization Based on Immune Memory and Vaccination[C]//Proceedings of the IEEE International Conference onGranular Computing.USA:IEEE, 2006:453-456.
[8]DASGUPTA D.Artificial Immune Systems and Their Applica-tions[M].New York:Springer-Verlag, 1999.
自适应决策粒子群的相关搜索优化 篇5
数字散斑相关方法(Digital Speckles Correlation Method,DSCM)是一种非接触的测量方法,它是通过对被测物变形前后的表面图像序列的灰度信息进行互相关计算,以获取被测物的全场机械力学性能。该方法在二十世纪80年代由日本的I.Yamaguchi及美国South Carolina大学的W.H.Peters和W.F.Ranson[1,2,3]等提出, 与传统力学测量方法相比较,数字散斑相关测量技术由于其对环境要求低,检测灵敏度高、具有非接触、 不受工件几何外形和尺寸限制、全场实时检测、检测速率高、无需专门隔振等特点,被广泛地应用于机械制造、航空航天、汽车、船舶和高温条件下的材料性能等各方面的测量,是国际上的热门研究课题。数字散斑相关方法具有视觉测量的特点,通过采集试件形变过程中物体表面图像,进行相关计算来获得物体运动和变形信息[4,5]。
目前已有的相关计算方法包括Newton-Raphson方法(N-R)[6,7]、基于小波降噪相关搜索[8]、遗传算法[9]及粒子群优化方法[10]等。N-R方法计算精度高,原理简单,应用较为广泛,但是也存在着计算效率低,对迭代初值要求高,精度受噪声影响大等缺点。基于小波变换的方法在去噪和计算速度方面具有优势,而计算精度还有待提高。遗传算法改进了数字图像相关的匹配搜索过程,提高了搜索效率。由于该方法能够在较大范围内进行快速的全局搜索,且对相关系数的分布有较强的鲁棒性,故多用于整像的搜索。但该方法运算量大、计算过程较为复杂,实现相对困难。粒子群优化算法(Particle Swarm Optimization,PSO)是一种模拟生物群体习性的智能算法,于1995年由美国电气工程师Eberhart和社会心理学家Kennedy受到鸟群和鱼群的觅食行为的启发而共同提出,它是通过粒子间协作与竞争实现全局搜索,粒子通过内部速度进行更新。由于没有遗传算法的交叉、变异等操作,因此其算法结构简单,易于实现,计算效率高,但该方法依然存在因早熟导致的局部收敛问题。本文提出以下方法解决以上问题:1) 提出基于决策粒子群优化相关方法,该方法能够自行判断迭代终止,节省了在已经找到最佳相关点后还在进行的后续迭代时间,使得相关搜索时间缩短,提高了计算效率。2) 将决策终止方法与自适应惯性因子相结合,最终提出基于自适应决策粒子群新型优化相关搜索算法,该方法收敛速度更快,精度和稳定性更高,有效克服了过早收敛的问题。
1数字散斑相关基本原理
数字散斑相关方法是通过摄像机采集被测试件形变过程中散斑序列图,对所采集的序列图片进行相关计算,其中未变形的图片作为参考图片,变形过程中的图片作为待求的目标图片。
如图1所示的数字散斑相关方法原理图,设参考图片的灰度分布为F(x ,y),目标图片的灰度分布为G(x*,y*),所谓相关匹配就是为了能够在这两幅图片上找到参考图片上点P(x ,y)在目标图片上相关性最好的点P*(x*,y*)。因此当前问题就是如何计算相关系数,而单点灰度值之间的关系无法准确反映相关性,所以需要当前点邻域内所包含的信息共同构成搜索窗口,通常设窗口大小为(2M+1)×(2M+1)(习惯设当前点处于搜索窗口中心位置)。再通过相应搜索规则进行搜索,并利用相关公式计算两个窗口的相关系数,以求取相关系数极值点,这个极值点所处位置即所要寻找相关性最好的点。
在相关文献中了解到,实际测试应用中通常所使用的相关公式包括标准化相关函数、标准化协方差相关函数、最小平方距离相关函数等[11]。在选用相关公式时必须考虑如下因素:可操作性、可靠性、抗干扰性、较小计算量,本文在综合众多因素后选用的标准协方差相关公式为
标准化协方差相关法是将两个相关函数的均方差来对协方差相关函数进行了归一化处理,相关函数C计算结果的取值区间为[-1,1]。当相关系数C=1时,表示当前两个函数完全相同;当相关系数C=-1时,表示当前两个函数完全不相关。因为方差归一化相关方法是标准化的协方差函数,所以该方法对灰度线性变化具有不变性的特征。对上述的相关系数函数使用变形图像进行验证,模板大小为41×41,搜索目标区域为100×100,进行相关运算分析可以得到如图2所示的相关函数数值分布图,从所得的分布图可知,该相关系数函数能够在目标区域中找到极值点位置。
2基于传统粒子群算法的相关搜索方法(PSO)
粒子群算法(PSO)引入数字散斑相关算法后,由于是整像素搜索,则粒子的维度定为2,相应的相关公式(1)作为粒子群的适应度函数。粒子群算法的基本流程如下:
1) 在目标图片上的搜索区域内随机生成n个点,以这n个点为中心点按窗口大小取出各自的目标窗口作为第1代粒子,每个粒子记为xi1(1代表当前粒子的代数);
2) 按式(1)计算当代粒子的适应度,即相关系数R;
3) 分别寻找各个粒子在当前代数的最大相关系数pi-best,以及最大相关系数所处的点;并寻找所有粒子当前代数中的全局最大相关系数gbest,以及其所处点的坐标。
4) 按照式(2)和式(3)更新各个粒子飞行速度vk+1和下一代粒子xik+1;
式中:w为惯性因子,c1和c2学习因子。
5) 根据判断条件判断优化是否结束,判定条件有两种:1判断相关系数R是否达到所需精度要求;2判断是否已经达到最大代数。数字散斑相关测试系统选用的是第二种判定,以期追求更高的精度。如果判定条件为否,则代数N自加1,跳回第2)步。
PSO在散斑图像搜索范围内随机生成M个像素点,通过计算每代的相关系数,寻找自己的历史最优和全局最优从而更新位置和速度,达到最大代数Nmax则结束。在此过程中,粒子群在不断向最相关点集中。
3基于自适应决策粒子群新型优化相关搜索算法
3.1自适应惯性因子的粒子群相关搜索算法
在式(2)中w为惯性因子,w反映了粒子群聚集程度,若w越大则粒子所处位置越分散,全局信息更有利于搜索;若w越小则粒子群逐渐集中,局部信息更有利于搜索。根据这个特点,在已有线性惯性因子(Linear Decreasing Inertia Weight PSO,LDI-PSO)[12]的基础上,相关文献提出了一种自适应惯性因子的粒子群相关搜索算法[13](Adaptive Inertia Weight PSO,AIW-PSO),它能在粒子群最初阶段搜索范围更大,w比较大,不断迭代不断接近最佳点,w不断减小。
自适应惯性因子的粒子群(AIW-PSO)相关搜索算法能够避免过早收敛,并提高粒子群的动态能力。 AIW-PSO引入了群进化速度(ES,用VES表示)和群聚集度(AD,用FAD表示)两个新参数,VES和FAD主要用于更新粒子群在迭代时的惯性因子,其公式为
其中:
VES(k )表示粒子通过计算当前粒子群的全局最优和前一代全局最优从而动态进化。VES较大时说明粒子群已经接近最优解,同时FAD较大可避免粒子群过早收敛。惯性因子w可以通过式(5)计算得到,其中w*是初始惯性因子,k1和k2分别是进化系数和聚集系数,根据多次试验表明k1取值在区间[0.4,0.6],k2在 [0.05,0.2]范围内AIW-PSO算法效果最好。
AIW-PSO分两步计算被测试件形变过程中的位移,先计算出整像素位移然后再计算亚像素位移。该算法对整像素位移的搜索如前所述,而对亚像素位移的搜索过程如下:
1) 通过亚像素插值计算所得的整像素相关点邻域中的亚像素点灰度值;
2) AIW-PSO在计算亚像素位移时,整像素相关点邻域内插值计算出一定区域的灰度值,在此插值区域内随机生成初代粒子群,此时的粒子维度为6维,包括2个位移和4个位移导数;
3) 计算粒子群的相关系数,并寻找历史最优和全局最优,同时计算新的w以及新的速度和新的位置;
4) 根据所得新的位置,计算出新的像素点,同时计算出新的像素点的灰度值,继续循环计算,其循环过程和整像素搜索过程一样。
3.2基于决策粒子群优化相关方法原理
粒子群优化算法在判定是否迭代计算结束的条件有两种:1) 根据迭代的次数,判定是否达到最大的代数;2) 设定接近相关系数理想值的程度。由于第2)种条件在数字散斑相关方法的实际工程测试中无法完全保证其精度,则选用了第一种判定条件。在利用粒子群相关搜索的过程中,可观察到一种现象:在迭代过程中,随着粒子群不断接近相关点,接近真实值的粒子数目会越来越多。采用散斑模拟图验证这一现象, 水平位移u为5 pixels,竖直位移v为3 pixels,粒子群数目M为30个,最大代数Nmax,每隔5代统计达到最相关粒子数目,如图3所示。
根据这个现象,本文提出一种能够自行判断迭代终止的方法,统计粒子达到全局最优解数目,若已达到全局最优解的数目占粒子总数概率超过pmax,则判定迭代终止。
从上图可以看出随着代数不断增加,达到最优解的粒子数目也在不断增加,所以可以根据到达最优解数目判断是否终止判断,若已经超过所设定的概率,强制认为当前所求得全局最优解即为要搜索的最优相关点,此时终止继续迭代过程,这也节省了在已经找到最佳相关点后还在进行的后续迭代时间,使得相关搜索时间缩短。
根据上述特点,本文综合前两节最终提出一种基于自适应决策粒子群(Adaptive Decision Inertia Weight PSO,ADI-PSO)相关搜索算法,使得该算法能够通过在迭代过程不断更新惯性因子加快收敛速度,同时能够更加智能判定终止与否。ADI-PSO相关搜索算法的具体流程图,如图4所示。
4实验验证
本节采用计算机模拟散斑图,由两组对比实验分析了ADI-PSO的性能。
4.1ADI-PSO算法和N-R算法比较
由MATLAB软件生成散斑图(图5)在水平方向u为5.33 pixels,竖直方向v分别为2.1,2.2,…,2.8, 2.9 pixels,比较ADI-PSO算法和N-R算法计算性能。通过计算均匀分布在散斑图上的100个点的位移后, 将所计算的结果与真实值进行比较得到计算的误差和标准差,实验结果精度分析如图6(a),(b)所示。
利用Matlab2010软件编程并运行两种算法对比计算时间得知:N-R算法耗时52.841 03 s,ADI-PSO算法耗时19.476 31 s,N-R算法所用平均时间明显多于ADI-PSO算法。并且从图6可以看出ADI-PSO与N-R算法的计算结果的最大的差距在0.06 pixels以下,二者精度非常接近,由标准差曲线可以看出在稳定性方面两种算法的性能差距不大,ADI-PSO算法在有些结果上比N-R算法更为稳定。
4.2PSO、LDI-PSO、ADI-PSO算法比较
本文通过经典的Sphere测试函数对三种粒子群算法进行优化对比试验。
Sphere函数为:,其范围为[-100,100],初始边界[50,100],达标值:1.00E-01。
三种粒子群算法参数设定如下:传统PSO算法根据Shi[12]和Eberhart[14]所述方法计算得w=0.729,c1=c2=1.494 45为最佳,LDI-PSO算法w从1递减到0.4,c1=1,c2=1.7,ADI-PSO算法w*=1,c1=c2=2, Vmax=-Vmin=0.5,k1=0.5,k2=0.1。迭代次数为500次,每隔5代统计达到最相关粒子数目。测试结果如7图所示。
由图7得知在初始阶段,ADI-PSO和PSO的收敛速度优于LDI-PSO,这是因为在PSO中w较小,而在ADI-PSO中由群进化速度(ES)和群聚集度(AD)决定的w减小速度快,所以这两种算法初始时寻优能力要强于LDI-PSO;接着PSO到达一定代数后趋于稳定,原因为搜索前期w相对较小导致全局搜索能力较低,而后期w又相对较大难以收敛。而ADI-PSO虽然在迭代初期w快速减小,但其值减小幅度不大,大部分粒子w依然较大仍以全局搜索为主;在中后期由于群进化速度(ES)和群聚集度(AD)对w的影响,使得整体以局部搜索为主时,仍有少部分进行全局搜索,并且由于决策终止方法的作用使其在少于LDI-PSO迭代次数的情况下取得更高精度的解,缩短了运算时间。
利用三种算法进行模拟散斑图测量试验,计算均匀分布在散斑图上100点的位移,模拟散斑图水平位移u为5 pixels,竖直位移v为3 pixels,粒子群数目M为30个,最大代数100,每隔5代统计达到最相关粒子数目。独立运行20次,计算最佳适应度值的平均值和标准差,实验结果如表1所示。
采用三种不同质量的散斑图,如图8所示,其中(a)为粗糙散斑图;(b)为中等散斑图;(c)为精细散斑图。
1) 从最佳适应度值的平均值看,PSO在三组实验都存在早熟、局部收敛等问题;LDI-PSO有较好全局搜索能力,其中在无噪声情况下搜索到了期望的全局最大值,但在粗糙散斑情况下陷入局部最优;ADI-PSO在三种情况下都搜索到期望的全局最大值,分别是0.999 8、0.939 1和0.917 6。
2) 从最佳适应度值的标准差看,ADI-PSO算法在无噪声和中等噪声的情况下得到的标准差都为0; LDI-PSO在无噪声情况下标准差为0,除此之外,PSO和LDI-PSO在其余情况下的标准差都大于0。可见, ADI-PSO有较强的稳定性,且明显高于PSO和LDI-PSO。
在Matlab2010下,PSO、LDI-PSO、ADI-PSO算法耗时分别为21.896 30 s,40.694 75 s和19.476 99 s验证了相较于传统PSO、LDI-PSO,ADI-PSO收敛速度更快计算效率更高。
5结论
群决策理论 篇6
在大部分系统中, 资源都是有限供给的, 对资源的需求经常会超过资源的供给能力, 造成资源使用冲突。另外, 如果可用的资源没有正确管理, 则可能会给系统带来瓶颈, 对系统的性能带来显著的影响。因此对系统资源必须进行有效的管理。
资源管理的核心问题是在有限的资源约束下, 为系统不同任务分配资源, 解决资源使用冲突, 保证资源使用效率与公平。
群决策理论是解决资源分配问题很好的办法, 通过把不同知识结构和不同经验的专家集中在一起, 投票决定资源使用方案, 可以保证决策的科学化, 从而实现资源分配的公平和效率。
本文通过构建一个多Agent系统来实现基于群决策的资源管理模型。通过赋予Agent资源管理方面的知识以及不断学习获得经验, 就可以让Agent来担当群决策中的专家角色。拥有不同知识结构和经验的Agent就表示不同领域的专家。不同的Agent以通信语言 (ACL) 的应用层协议进行交互, 共同完成决策过程。
1 相关工作
1.1 软件Agent与多Agent系统
根据Shoham等人的定义, 软件Agent是一种在特定的环境中连续、自主地运行的软件实体, 通常与其他软件Agent一起, 联合求解问题[1]。
本文的Agent属思考型Agent, 基于BDI模型[2], 结构如图1所示。Agent通过传感器接收外界环境信息, 并根据内部状态进行信息融合, 产生修改当前状态的描述, 然后在知识库的支持下制定规则, 形成一系列的动作, 通过效应器对环境产生作用。
单个Agent能力有限, 实际应用中需要将问题域分解成多个简单的子问题, 然后开发多个Agent来解决这些子问题, 再通过结果共享等方式协作完成大型复杂问题的求解。这样开发出来的系统就是多Agent系统。
1.2 群决策与社会选择理论
群决策理论研究以群体方式作出的决策, 其意义在于对于复杂的问题, 任何个体都无法单凭自己的经验和知识掌握所有必要的信息, 难以应付面临的所有决策问题, 因此把不同知识结构和不同经验的专家集中在一起, 建立一个可以互相启迪、具有丰富知识的信息综合体, 保证决策的科学化[3]。
社会选择是指公众就有关的重要问题进行决策, 其使用的方法包括传统、独裁、投票表决和市场机制。在投票表决的方法中, 为了保证群决策的合理性, 必须制定合理的群决策规则。社会选择函数就是其中一种决策规则, 指的是采用某种与群中成员偏好有关的数量指标来反映群对候选人的总体评价[3]。本文所用的社会函数选择函数是J.J.Berardo提出的Bernardo的社会选择函数, 在下文将会有详细的介绍。
2 基于群决策的多Agent资源管理模型
2.1 资源管理模型在系统架构中的地位
为了减少系统开发的复杂性, 本文将资源管理模块从系统中独立划分出来, 负责对资源的使用进行计划、分配、回收以及监督, 从而保证资源管理对资源的使用者透明, 实现资源管理者可以根据资源的约束、资源使用者的请求等变化动态选择资源的分配策略。本文以层模式[4]将系统划分, 如图2所示。
2.2 多Agent资源管理模型
如图3所示, 资源管理模型中定义了5类角色, 分别是资源、资源使用者、资源代理Agent、资源管理者Agent和资源专家Agent。
资源是为了支持系统完成其功能而投入系统中的一切要素, 被资源管理者所管理, 包括内存、文件句柄等等。
资源的使用者接到任务时生成资源计划清单, 然后以资源计划清单请求资源代理Agent申请资源, 在执行任务时则从资源代理Agent处取出资源使用。
资源代理Agent接受资源使用者的资源计划清单, 对资源的使用者提供统一的资源使用接口。为了减少因资源获取、释放带来的开销, 资源代理Agent把其代理的资源使用者组成一个任务组, 并生成总的资源使用计划, 向资源管理者Agent提出申请, 然后对申请到的资源的生命周期进行有计划的管理。
资源管理者Agent负责管理资源, 其接受资源代理Agent的资源申请请求, 并汇总资源代理Agent的资源使用计划。当资源总需求超过资源的提供能力时, 资源管理者Agent向资源专家Agent提出分析请求, 然后汇总资源专家Agent的分析结果, 对资源使用计划进行排序, 最后根据排序结果分配资源。
资源管理模型的工作序列如图4所示。首先资源代理Agent接受资源使用者的资源使用计划, 然后向资源管理者申请资源;资源管理者接受资源代理Agent的申请, 向资源专家请求资源使用计划裁决, 然后向资源代理Agent分配资源;当资源使用者使用资源时, 资源代理Agent返回资源引用, 资源使用者就可以访问资源了。
2.3 资源分配
资源管理模型的资源分配基于群决策模型, 所采用的社会选择函数是Bernardo法。Bernardo法是要找出某种指标的极大值, 这种指标能描述与各投票成员 (资源专家Agent) 对资源使用计划优劣看法的一致程度, 它可以作为混合整数规划的解而求得。
对资源使用计划的选择就是对有限资源使用计划方案集A={a1, a2, …, am}, 由各个资源专家Agent N={1, 2, …, n}, 根据评价标准C={c1, c2, …, cl}来确定各备选资源使用计划的优先级。
在问题求解的时候, 首先由各个资源专家Agent, 分别根据评价标准C对各个资源使用计划排序;然后资源管理者Agent集结各资源专家Agent的意见, 用协商矩阵∏来表示资源专家Agent对各方案关于总准则的优劣感觉。∏是m*m的方阵, 其元素∏jk表示把aj排在第k位的专家人数。为了反映各准则重要性之间的差别, 可以对各准则加权, 权向量为W= (w1, w2, …, wl) , 其中wr为cr的权重。设根据准则cr, 有xundefined个专家将方案aj放在第k位, 则
undefined
Bernardo提出的社会选择函数是定义一个m*m的0-1排列矩阵P, 其中每一行, 每列只有一个元素为1, 余者均为0, 使得undefined极大, 即maxundefined。
考虑到资源约束, 将会有某些方案由于不满足约束条件而被排除在入选集中, 即有约束如下:
undefined
undefined
P中的非零元素pjk表示方案j应排在第k位。
令djg为方案aj的第j个约束因素的值, 而vg为可以得到的第j中资源的总量, 则还有约束如下:
undefined
其中q为资源约束种类的总数。
利用上述方法资源管理者Agent就可以得到与各个资源专家Agent对方案排序尽可能一致而又满足传递性的社会选择的排序, 然后根据这个排序结果来对资源进行分配和保证资源代理Agent对共享资源的互斥访问。
2.4 资源分配举例
假设资源管理者Agent接受了4个资源使用计划a1、a2、a3、a4, 其所需资源和可用资源总量如表1所示。其所选的评价准则:c1:使用的需要, c2:资源使用时间的长短。
从表1可以看出, a4所需资源1的量超过了资源可供量, 因此不用考虑, 然后资源管理者Agent将剩下的资源计划请求资源专家Agent根据c1, c2排序。资源专家Agent分析结果如表2所示。
设权重wi=1, i=1, 2, 资源管理者Agent汇总排序结果可以得到协商矩阵∏, 其元素∏jk表示把aj排在第k位的专家人数。∏jk的值如表3所示。
资源管理者Agent可以用Bernardo函数求得:a1> a3 >a2, 即a1优于a3, a3优于a2, 应该按a1、a3、a2的顺序分配系统资源, 使得资源在评价准则c1、c2下取得最大效用。
3 结论和下一步的研究工作
将群决策方法与Agent的智能属性相结合的资源分配方法, 实质是一种基于动态优先级的分配方法。对于不同的资源使用计划, 资源专家Agent根据其知识和经验对其进行合理排序, 这可以让资源管理更灵活、更高效, 解决静态优先级方法不能解决的难题, 从而满足实际应用系统中的资源管理需求。
本文只是初步的探讨, 在下一步的工作中我们将在基于多Agent平台的电子政务系统中来解决资源管理方面的问题, 在实践应用中检验该资源模型的可行性和可用性。
摘要：在大部分系统中, 资源都是有限供给的。因此, 为了提高系统的性能, 保证资源使用的效率与公平, 必须对资源进行有效的管理。而合理分配资源和解决资源使用冲突是系统资源管理的核心问题。基于群决策方法提出了一个多Agent资源管理模型, 以动态优先级的方式灵活地解决了系统资源分配与使用冲突问题。
关键词：群决策,多Agent系统,资源管理
参考文献
[1]张维明, 姚莉.智能协作信息技术.北京:电子工业出版社, 2002, 4:3.
[2]张洁, 高亮, 李培根.多Agent技术在先进制造中应用.科学出版社, 2004, 10:16.
[3]岳超源.决策理论与方法.科学出版社, 2003:295.
群决策理论 篇7
虚拟企业是21世纪企业进行生产经营和市场竞争的主要形式,能否选择出灵捷的、有竞争力和相容的联盟伙伴,关系到虚拟企业的成败。虚拟企业联盟伙伴的选择是虚拟企业联盟关系的基础,联盟伙伴的业绩对核心企业的影响越来越大,在交货、产品质量、提前期、库存水平、产品设计等方面影响着企业的运作。基于虚拟企业联盟伙伴选择的重要性,国内外学者对其做了一定的研究[1,2,3,4,5]。现有的研究主要是针对虚拟企业联盟伙伴选择的原则、方法和管理的内容及策略方面进行了大量的研究,为企业改革经营模式、增强技术创新能力提供了有力的启发和一定的理论指导。但现有研究大多数均是使用单一的评价方法评价潜在联盟伙伴,未考虑各专家在评价潜在联盟伙伴时体现的偏好特性,因此使得现有的方法和模型与客观实际有一定的差距。本研究在分析虚拟企业联盟伙伴评价指标选择原则的基础上,从推动力、互补性、风险性等9个方面建立联盟伙伴评价指标体系,综合考虑各决策专家偏好特性对决策结果的影响,提出采用语言信息标度对各指标进行评价,建立虚拟企业联盟伙伴选择的群决策模型,利用LWM算子和HLWA算子求解模型,最后对一实例求解验证了模型的有效性和准确性。
1 评价指标体系构建
1.1 评价指标体系构建原则虚拟企业联盟伙伴评价涉及因素众多,指标多种多样,在构建评价指标体系时,应遵循以下原则[6,7]:
1.1.1 完整性原则
设计虚拟企业联盟伙伴评价的因素涉及很多,为了能成功地进行联盟,评价指标体系应尽可能地包括所有的相关因素,尽量不遗漏。
1.1.2 有效性原则
在遵循完整性原则的基础上,应针对具体设计任务,认真分析各个评价因素是否涉及伙伴选择的必要性标准,同时力求指标具有较强的可操作性。
1.1.3 风险最小化原则
虚拟企业运行模式具有高风险性,因此,在伙伴选择时必须认真考虑风险问题,并使之充分体现于评价指标体系中。
1.1.4 灵活性与可扩展原则
由于影响设计联盟伙伴的因素很多,而且根据市场机遇的不同、具体任务的不同,设计联盟伙伴选择的侧重点也有所不同。同时设计联盟伙伴的评价标准在很多时候应该结合潜在联盟伙伴群的整体水平与状况进行设置,因此其评价指标体系应具有一定的灵活性与可扩展性,以便盟主能够根据实际情况的变化进行调整。
1.2 评价指标体系构建
在考虑虚拟企业及其潜在联盟伙伴的特点的基础上,以虚拟企业整体收益为总目标[8],建立虚拟企业联盟伙伴评价指标体系,如表1所示。
2 模型建立
由于评价指标中存在大量的不确定和模糊的因素,指标难以量化。又因为人类思维具有模糊性、不确定性以及决策问题的复杂性,决策者对事物进行判断时用语言形式给出偏好信息是最方便的。笔者提出利用语言标度集L={l-5,…,l5极差,很差,差,较差,稍差,一般,稍好,较好,好,很好,极好}对各指标进行评价,建立选择联盟伙伴的群决策模型,使得决策具有一定的科学性和可操作性。
2.1决策预备知识
2.1.1 LWM算子[9,10]定义1:设(α1,α2,…,αn)是一组语言数据,若LWM(α1,α2,…,αn)=max i min{ωi,αi}其中ω=(ω1,ω2,…,ωn)是语言数据αi的加权向量,且αi,ωi∈L则函数LWM称为语言加权取大算子,即为LWM算子。
2.1.2 HLWA算子[9,10]定义2:一个混合语言加权平均(HLWA)算子是一个映射,HLWA:Ln→L,w={w1,w2,…,wn}是与该算子相关联的加权向量,且wj∈L,使得:HLW其中bj是一组加权语言数据中第j个最大的语言数据,ω=(ω1,ω2,…,ωn)是一组语言加权数据(α1,α2,…,αn)的加权向量,且ωi∈L。
2.2模型建立
基于语言标度集建立虚拟企业联盟伙伴选择群决策模型并利用LWM和HLWA算子求解,具体步骤如下:
Step1设有c个潜在联盟伙伴待选择,记为x={x1,x2,…,xc}。建立选择联盟伙伴的评价指标集u,u={u1,u2,…,un},选定t为决策专家,记为d,d={d1,d2,…,dt}。ω={ω1,ω2,…,ωn}为指标权重向量,λ=(λ1,λ2,…,λt)为决策专家的权重向量,且ωj,λk∈L,设决策专家dk∈d给出潜在联盟伙伴xi∈x在指标uj∈u下的语言数据评估值
Step2利用LWM算子对决策矩阵Rk中第i行的属性值进行集结,得到决策专家dk所给出的评价潜在联盟伙伴xi的综合属性值
Step4利用zi(λ,w)对潜在联盟伙伴进行排序,进而选择联盟伙伴。
3 实例分析
建立如表1所示的评价指标体系,其中各一级指标可按实际需要做相应扩充。由表1可知,建立的评价指标体系。u={u1,u2,…,u9}={推动力,互补性,相处性,双赢性,集中焦点,整合性,成长性,一致性,风险性}。
3.1 决策准备
选定3为决策专家对4家潜在联盟伙伴进行评价,即决策专家集d={d1,d2,d3},潜在联盟伙伴集x={x1,x2,x3,x4},采用语言标度集L={l-5,…,l5}={极差,很差,差,较差,稍差,一般,稍好,较好,好,很好,极好}进行决策,3位专家的权重向量λ=(l0,l4,l2),各指标的权重向量ω=(l1,l0,l2,l3,l3,l0,l4)。
3.2 决策矩阵
各位决策专家利用语言标度集对各指标进行评价决策,得到决策矩阵Rk(k=1,2,3)如下:
3.3 LWM集结
利用LVM算子对决策矩阵Rk中第i行的属性值进行集结,得到决策者dk所给出的潜在联盟伙伴xi的综合属性值:zi(k)(ω)(i=1,2,3,4;k=1,2,3):
3.4 HLWA算子集结
假定w=(s4,s2,s1),利用HLWA算子对三位决策专家给出的潜在联盟伙伴xi的综合属性值zi(k)(ω)(i=1,2,3,4;k=1,2,3)进行集结,得到潜在联盟伙伴xi的群体综合属性值zi(λ,w)(i=1,2,3,4):
3.5 潜在联盟伙伴选择
利用zi(λ,w)(i=1,2,3,4)对4个潜在联盟伙伴进行排序,得:x3酆x1酆x2酆x4。故最佳潜在联盟伙伴为x3,选择x3作为联盟伙伴。
4 结论
本文在分析虚拟企业联盟伙伴评价指标选择原则的基础上,构建评价指标体系,考虑联盟伙伴选择决策问题包含大量的模糊和不确定因素以及专家的偏好特性,笔者提出通过语言标度集对指标进行评价,建立群决策模型,并基于LWM算子和HLWA算子求解了模型,最后通过一算例验证了模型。结果表明,基于语言标度的虚拟企业联盟伙伴选择群决策模型是一种有效的方法。
摘要：提供一种新的虚拟企业联盟伙伴选择的群决策模型。在分析虚拟企业联盟伙伴评价指标选择原则的基础上,建立联盟伙伴评价指标集,考虑决策专家对指标的偏好特性,提出利用语言信息标度建立虚拟企业联盟伙伴选择群决策模型,利用LWM算子和HLWA算子对模型进行求解,最后予以实例验证了模型的有效性和准确性。
关键词：虚拟企业,伙伴选择,群决策,LWM算子,HLWA算子
参考文献
[1]王硕,唐小我.基于广义熵的虚拟企业合作伙伴遴选综合评价系统[J].运筹与管理,2003,12(2):73-76.
[2]叶飞.信息不完全条件下虚拟企业合作伙伴选择的多维决策模型[J].工业工程与管理,2004,9(5),38-41.
[3]Jeremy S Lurey,MAHESH S RAISINGHANI.An empirical study of bestpractice in virtual teams[J].Information&Management,2001,38(8):523-544.
[4]李志敏,杜纲.基于生命周期的虚拟企业风险识别指标体系及评估模型[J].科技管理研究,2006,16(2):92-96.
[5]梁昌勇,杨国兰,金琳.不完全信息条件下虚拟企业合作伙伴选择策略[J].合肥工业大学学报(自然科学版),2005,28(7):748-750.
[6]赵小惠,赵小苗.基于模糊决策的供应商选择方法[J].工业工程与管理,2002,7(4),27-29.
[7]陈敬贤,施国洪,操芳.供应质量模糊评价办法研究[J].统计与决策,2007,3,65-66.
[8]孙东川,叶飞.基于虚拟企业的合作伙伴选择系统研究[J].科学管理研究,2001,19(1):60-62.
[9]徐泽水.不确定多属性决策方法及应用[M].北京:清华大学出版社,2005,11,187-197.
群决策理论 篇8
多属性群决策问题是将各决策者给出的不同意见进行集结, 从而得到群意见的问题[1]。然而在实际的群决策过程中, 由于决策者自身的知识结构、判断水平以及个人偏好等主观因素的影响, 可能会针对同一个方案 (或同一属性) 给出不同形式的偏好信息。到目前为止, 有关多种形式偏好信息并存的群决策问题已经有了不少相应的解法:如文献[2]在国际上首次提出具有不同形式偏好信息的群决策问题的研究, 并给出了三种不同形式偏好信息的集结方法;文献[3]给出了群决策中具有两种判断矩阵形式偏好信息的集结方法;文献[4]分析了决策者可能给出的六种不同形式偏好信息的转换, 并运用OWA算子集结各决策者偏好信息和方案优选的方法。
本文在研究多属性群决策的过程中, 首先将决策者给出不同形式的偏好信息进行规范化, 将其转换成一致的模糊互补偏好关系, 其次, 根据各决策者的偏好关系, 建立优化模型来求解各方案的排序值, 即排序值越大, 方案越优。
1 问题描述
本文考虑决策者给出决策方案的偏好信息的多属性群决策问题。为了方便叙述, 采用下面的术语来描述多属性群决策问题:
4) 方案集合上的严格偏好关系:决策者认为方案Si严格优越于Sj, 只是在部分方案上表现出严格的偏好关系。
本文的研究在于根据决策者给出的偏好信息, 求出各方案的排序值与排序。
2 提出的方法
2.1 偏好信息的规范化与集结
由于决策者给出评价偏好信息具有不同的表达形式, 因此将其规范化为一致的模糊互补偏好关系[6,7], 方法如下:
2) 方案集合上的严格偏好关系, 他们之间的模糊互补偏好关系可以被看成是绝对的, 即1与0的偏好关系。
3) 基于决策者给出的方案集合上的选择子集, 他们之间的模糊互补偏好关系如下:
采用OWA算子对规范化的模糊互补偏好关系进行集结, 记得到的结果为P= (Pij) m×m。
2.2 优化模型建立与求解
模型 (5-6) 可以转换为如下形式:
3 算例分析
4 结束语
本文提出了一种新的方法来研究不确定偏好信息的多属性群决策问题, 通过建立模型来评估各方案的排序值。在这种方法中, 将多名决策者给出的不同形式的偏好信息分别规范化为模糊偏好关系, 然后采用优化模型来评估相应的排序值, 即排序值越大, 方案越优。该方法具有创新性, 同时丰富了当前解决多属性群决策问题的解决方法, 具有实际意义。
参考文献
[1]陈廷.决策分析[M].北京:科学出版社, 1987:1-120.
[2]Chiclana F, Herrera F, Herrera-Viedma E.Integrating three representation models in fuzzy multipurpose decision making based on fuzzy preference relations[J].Fuzzy Sets and Systems, 1998, 97:33-48
[3]Delgado M, Herrera F, Herrera-Viedma E, et al.Combining numerical and linguistic information in group decision making[J].Information Sciences, 1998, 107:177-194.
[4]王欣荣, 樊治平.一种具有不同形式偏好信息的群决策方法[J].东北大学学报:自然科学版, 2003, 24 (2) .
[5]S.J.Chen and C.L.Hwang, Fuzzy Multiple Attribute Decision Making:Methods and Applications, Springer-Verlag, New York, 1992[Z].
[8]Ma J, Fan Z P, Huang L H.A Subjective and objective integrated approach to determine attribute weights[J].European Journal of Operational Research, 1999, 112 (2) :397-404.
[6]张全.复杂多准则决策应用实务[M].辽宁科学技术出版社, 沈阳:2011, 11.