多目标综合评价模型（通用8篇）
多目标综合评价模型 篇1
节能项目是指通过合理利用、科学管理、技术进步以及其他途径更有效地利用能源, 取得更高经济效益、社会效益的节约煤、油、气、电等常规能源的建设项目, 其最终目的是为了取得最佳的经济效果、社会效果、环境效果[1], 节能项目综合评价, 它是一个多目标综合评价过程。节能项目具有显著的正外部性[2], 这些正外部性往往表现为多方面, 如保护环境、改善劳动条件或减轻劳动强度、提高生活质量、改善能源结构、缓解能源危机等。传统评价理论只计量那些能用价格交换和价格计量的事项, 评价中过分重视微观经济利益和短期利益, 而忽视了环境效益和社会效益。如文献[3]从经济的角度对节能项目进行了分析;文献[4]探讨了财务指标选择的问题;文献[5]提出了经济评价上的一些修正。同时, 现有的项目评价方法大多都是以企业作为评价主体, 研究中往往偏重于财务评价, 本文主要从政府的角度, 从宏观上进行审视, 关注项目的国民经济和社会效益, 突破了单从企业微观层面进行评价的局限。
工业节能项目包括电力、钢铁、有色金属、建筑材料、化学、煤炭、石油天然气、石油化学、机电、信息、轻工、纺织等行业的节能项目。由于节能项目种类繁多, 专业性强, 不同的节能项目之间有着很大的差异, 生物质能源、地源 (污水源) 热泵、煤层气、风力发电、太阳能利用和中水回用等新能源与可再生能源开发、利用项目更多体现的是对能源结构的改善 (摆脱对煤和石油等单一能源的依赖) ;燃煤工业锅炉 (窑炉) 改造、区域热电联产、余热余压利用、节约和替代石油、电机系统节能、能量系统优化、绿色照明以及节能监测和技术服务体系建设等重点工程和示范项目往往注重的是项目的节能效果和经济效益;矿产资源、固体废物和再生资源循环利用等项目则偏重于环境保护方面。工业节能项目涉及技术、经济、环境、社会等众多因素, 按照各企业报送的节能项目所体现的节能效果、环保状况、经济效益、产业结构支持、技术先进性等指标, 确定项目综合效果评价排序, 为市政府在立项决策上提供参考, 有着重要的实际意义。
1 多目标综合评价指标体系结构
建立一套科学有效的评价指标体系是进行节能项目综合评价的基础。由于节能项目评价之间的复制性差, 专业性强, 目前还没有较为统一的评价理论和完整的评价指标体系[6], 本文根据工业节能项目的特点, 依据政府相关政策要求, 考虑到科学性、可操作性、区域性及可比性等原则, 将工业节能项目按其效果分为技术、经济、技能效益、社会环境影响等4个方面, 建立指标体系结构如图1所示。
由于评价主体的不同, 从政府的角度与从企业本身的角度来选取评价指标有着很大的差异。例如:在技术扩散效果上, 企业注重的是技术在企业内部的扩散, 如由于节能技术的推广, 员工节能意识的增强, 节能管理水平的提高, 促使企业整体节能效果的提升, 而从政府的角度来看, 政府往往更注重节能技术在企业与企业之间的交融互动, 注重整个城市和社会节能效果的提高。在经济效益评价上, 政府需要考察项目所带来工业产值的增长, 增加值的增长和利税额的增加, 而对于企业, 投资回收期、净现值、投资利润率往往是经济评价指标中必不可少的。在社会环境影响指标的选取上, 《中共中央关于制定国民经济和社会发展第十一个五年规划的建议》明确提出:“十一五”期末单位国内生产总值能源消耗比“十五”期末降低20%, 主要污染物排放总量减少10%。因此, 万元工业产值能耗下降率、万元工业增加值能耗下降率、SO2及COD的减排也必然是考核的重点。
对指标体系中的一些指标着重说明如下:
投资节能率, 指的是年节能量与节能项目投资的比值, 表示单位投资的节能效果。
能源消耗结构, 在考核这一指标中, 用新能源在能耗中所占的比重来衡量, 即新能源消耗量/能源消耗总量。
投资就业效益, 即单位投资创造的就业机会。直接就业效果=本项目新增就业人数/项目投资 (人/万元) 。
2 多目标综合评价模型构建
本文主要采用层次分析方法来构建工业节能项目的多目标综合评价模型, 在指标权重上则采用了层次分析和熵权系数法相结合的综合集成方法进行指标的赋权。
2.1 综合评价模型结构的设计
这是层次分析法的关键步骤, 根据评价指标体系中各指标所属类型, 将其划分成不同层次, 就形成了综合评价系统的递阶层次结构模型, 设计多目标评价模型结构如图1所示。
在模型符号设计方面, 设P={P1, P2, …, Pn}为待评价方案集, 即待评工业节能项目的集合, A为评价系统的总目标, B={B1, B2, …, Bm}为评价子系统集, m=4;W={W1, W2, …, Wm}为子系统的权系数集, 其中W1+W2+…+Wm=1, Ci={Ci1, Ci2, …CiJ (i) } (i=1, 2, …m) 为对应第i个评价子系统的指标集, 其中J (i) 表示第i个子系统下的指标个数;Vi={Vi1, Vi2, …VJ (i) }为第i个子系统下的指标权系数集, 其中Vi1+Vi2+…+ViJ (i) =1;Ui= (Uijl) 为第i个子系统下各个方案的指标数值矩阵 (i=1, 2, …, m;j=1, 2, …, n;l=1, 2, …, J (i) ) 。
2.2 指标预处理
指标预处理, 也叫做指标数据的标准化, 规范化, 它是通过数学变换来消除原指标单位影响的方法。节能项目评价指标体系的各个指标之间由于各自单位及量级的不同而存在不可公度性, 因此, 为了尽可能的反映实际情况, 排除由于各项指标的单位不同以及其数值数量级之间的悬殊差别所带来的影响, 避免不合理现象的发生, 需要对评价指标作无量纲化处理。
目前, 常用的无量纲化方法有“标准化法”、“极值法”和“功效系数法”。本文采用“功效系数法”对工业节能项目中的指标评价值进行处理。
计算方法如下:
c、d均为正常数, c的作用是对变换后的值进行“平移”, d的作用是对变换后的值进行“放大”或“缩小”, 通常取c=60, d=40。
通过无量纲处理, 项目的指标评价值都控制在[60, 100]的范围内。
2.3 指标权重的确定
对于同一综合评价问题来说, 主客观赋权法各有缺点, 主观赋权法虽然反映了决策者的主观判断或直觉, 但是会产生一定的主观随意性, 而客观赋权法虽然通常利用比较完善的数学理论与方法, 但忽视了决策者的主观信息。将主客观赋权法相结合, 使所确定的权重系数同时体现主观信息和客观信, 通常称之为综合集成赋权法[7]。
本文采用层次分析法和熵权系数法相结合的综合集成赋权法[8], 力求在权重的确定上达到主观与客观的统一, 从而既充分保留了各指标值传递的信息, 又可通过人的知识经验对客观权重加以修正。
确定各个评价指标的权重是层次评价法中的重要步骤, 其确定过程包括建立权重判断矩阵、权重的计算、相容性判断及误差分析[9]:
第一步:根据专家咨询和分析, 对同一层次的各元素关于上一层次中某一准则的重要性进行两两比较, 构造出比较判断矩阵。本文采取九标度法, 标度定义见表1。
构建的各个判断矩阵如表2至表6所示。
λmax=4.103, C.I.=0.034, C.R.=0.04<0.1
λmax=4.06, C.I.=0.02, C.R.=0.02<0.1
λmax=3.038, C.I.=0.012, C.R.=0.02<0.1
λmax=4.07, C.I.=0.023, C.R.=0.03<0.1
λmax=6.225, C.I.=0.051, C.R.=0.04<0.1
第二步:由判断矩阵计算被比较要素对于该准则的相对权重。
本文采用方根法进行计算, 即:
计算W
第三步:对判断矩阵进行一致性检验。
为保证取值的可靠性, 需要对判断矩阵进行一致性检验, 检验方法如下:
式中:CR为随机一致性比率, CI为偏离一致性指标, 按下式计算:
λmax为判断矩阵的最大特征根。RI为随机一致性指标, 随n的不同而变化。计算出CR, 一般认为CR<0.10, 既可以判断, 判断矩阵通过了一致性检验, 否则需要调整矩阵, 直到满意为止。
从表中可以看出, 所建立的判断矩阵均符合满意的一致性要求。
第四步:计算各层要素对系统目的 (总目标) 的合成 (总) 权重。
假定目标层A层下准则Bi的单排序权重为Wi, 准则层Bi下指标Cil的单权重为Vil, 则C11, C12, …, C46的总权重V为:Wi·Vil (i=1, 2, …m) 。
按照以上公式计算出V= (0.015, 0.015, 0.038,
0.009, 0.018, 0.107, 0.043, 0.056, 0.097, 0.214, 0.151, 0.012, 0.03, 0.074, 0.074, 0.012, 0.035) 。
熵权系数法[10]主要是从指标数值间的差异出发, 在分析过程中通过熵值确定各指标的权系数, 它是一种多目标决策及评价的有效方法。假设需要对n个节能项目进行比较, 有m个评价子系统, 第i个子系统下有J (i) 个指标, 则第j个节能项目第i个评价子系统的第l个评价指标的比重:
第l个评价指标的熵值:
第l个指标的熵权:
在节能项目的评价指标体系的17个评价指标中, 技术先进性、技术适应性、技术扩散效果等3个是定性指标, 因此, 在进行熵权计算之前需要通过专家调查的方法进行量化。例如, 把技术先进程度分成4级, 国际一流的给40分, 国内一流的给30分, 较为先进的给20分, 技术水平一般的给0分。其他3个指标评价方法类似。
通过客观权重和主观权重来计算综合权重的方法有很多, 本文借鉴徐临[8]确定综合权重的方法, 即令每个指标的综合权重:
V′il和V″il分别为由层次分析法和熵权系数法所确定的第j个项目的第i个评价子系统第l个评价指标的权重。
2.4 综合评价排序
计算每个评价指标的综合权重Zil后, 可以采用线性综合加权的方法来计算各个项目的综合评价值。表示为:
即对于各被评价节能项目, 把它的各指标值和相应的指标的综合权重相乘, 再对于所有指标加权值求和, 得到综合评价值, 根据综合评价值得大小进行排序和选择。
3 应用实例
哈尔滨市政府需要对工业企业所申报的6个节能项进行审批并予以资金等各方面的支持, 鉴于支持力量有限, 需要对项目进行综合评价, 以确定重点支持的顺序。按照所建立的综合评价模型, 通过数据收集及计算, 得到项目排序结果如表7所示。
从表中可以看到项目2的综合评价值最高, 这主要是因为, 项目2无论是在能源的节约还是污染物减排上, 效果都较为显著。项目3的节能效果一般, 却居于第2的位置, 这与它较高的经济效益是密不可分的。项目4排名靠后, 主要因为它在经济效益和环境影响上, 处于较低的位置。
在指标的赋权方面, 指标给定的权重也是科学合理的, 实际当中, 市政府在评定节能项目时首先注重的是项目所带来的节能效益和污染物的排放等指标。
4 结束语
本文从政府的角度出发, 依据工业节能项目的特点, 建立了节能项目的综合评价指标体系, 在此基础上, 运用层次分析方法与熵权系数法相结合的综合集成赋权法, 构建了多目标综合评价模型, 最后通过实例分析, 表明所建立的模型是科学合理的。建立的综合评价模型, 可以为政府进行项目择优提供了一种量化分析支持, 有利于提高政府决策的科学水平, 强化节能专项资金的使用效率, 体现政府投资效率与公平的目标。
摘要：工业企业所申报的节能项目需要政府的批准并予以资金等各方面的支持, 鉴于支持力量有限, 需要对项目进行综合评价, 以确定重点支持的顺序。本文主要从政府的角度出发, 综合考虑节能项目的经济、技术、环境和社会效益, 运用层次分析方法和熵权系数法相结合的综合集成方法, 构建了工业节能项目的多目标综合评价模型, 为政府进行项目择优提供一种量化分析支持, 提高政府决策的科学水平。
关键词：工业节能项目,层次分析方法,熵权系数法,多目标综合评价
参考文献
[1].苏明山.市场经济下推进节能项目的经济评价方法和软件 (一) [J].研究探讨, 2000, (2)
[2].宋马林.基于经济外部性的节能减排评价研究[J].广东轻工职业技术学院学报, 2007, (3)
[3].路斌.节能降耗改扩建项目经济评价浅议[J].化学工业, 2007, (9)
[4].李迎建, 赵华, 黄俊红.节能项目的投资和效益分析[J].研究与探讨, 2003, (7)
[5].谢治国, 胡化凯.关于节能项目经济评价方法的分析与修正[J].系统工程学报, 2007, (3)
[6].徐爱红.余热利用节能项目的模糊综合评价[J].1992上海市能源研究会年会论文摘要, 1992
[7].杨列勋.R&D项目评估研究综述[J].管理工程学报, 2002, (2)
[8].徐临, 宁玉富.基于熵权和层次分析的商场职员绩效评估方法研究.商业研究, 2007, (4)
[9].汪应洛.系统工程理论、方法与应用[M].高等教育出版社, 2002
[10].李丽英, 杨鹏.熵权系数法在煤炭企业综合效益评价中的应用[J].北京科技大学学报, 2005, (3)
暖通空调系统的多目标优化模型 篇2
关键词：暖通空调系统；节能；优化；模型
引言：在现代社会，人们一天中几乎有半天甚至更多时间是待在室内的，因此，利用空调维持室内环境的健康是非常重要的。据统计，空调系统在公用建筑中的能耗超过了60%。因此，暖通空调系统的能效问题为学者们关注的重点问题。暖通空调系统的运行是一个多角度的问题，因此脱离室内空气品质的控制，仅仅将能耗减到最小是不可取的。最佳的控制方法策略是将室内热舒适性维持在一个可以接受的范围内的情况下去考虑系统的能耗。本文将在综合考虑经济性和热舒适性的基础上来提出暖通空调系统的性能最优化模型，能够使暖通空调系统在运行上减少能耗、提高效率以及保持居住环境的舒适性，从而暖通空调系统的性能可以大大提高。
一、数据类型
公用建筑中暖通空调系统的总能耗主要由四个部分组成：空气处理系统的能耗，水泵的能耗，供回风系统的能耗，以及末端设备的再热。在这里，由于热水、照明以及家电能耗在优化过程中的变化并不明显，因此不考虑这部分的能耗。暖通空调系统的所有能耗可以由下式1得出：ETotal=EHeat+EFan+EPump+QReheat （1）
空气处理系统、风机和水泵的能耗可以由开始装在系统中的设备进行校准，因此末端设备的再热负荷导致了所有的能耗。通过调节阀门使热水流与舒适区的实际要求相匹配。热负荷可以由下式2计算得出：QReheat=cm（TVAV_EAT-TVAV_BAT）
QReheat=cm（TVAV_EAT-TVAV_BAT） （2）
在此实验中，用于热舒适性的标准估值由室内温度和湿度来确定，基于管理要求，室温应该维持在21℃～22℃之间室内，湿度范围要在30%～60%。而实际上系统有时会运行在这个范围之外，并且会使人不舒适。因此，如果要使室内这种不舒适性不会发生，则要将室内温度和湿度作为限定条件。从而，在本研究中，优化算法中的补偿函数由限制条件来进行确定。
二、优化方法
本研究优化框架如图1所示。
三、暖通空调系统模型
根据以上讨论，建立最优化问题的双向模型，最终的优化可由下式3得出：min（yEnergy （t） ） xSAT_Spt，xSASP_Spt
边界条件为：yEnergy （t）=f（XSAT-SPt，XSASP-SPt，XLoad（t），）XLoad（t-1），XCHWC-vlv，XSA-Hund，XSOL-Horz，XOA-Humd，XOA-TEMP
四、结论
本文讨论了一种基于数据处理的暖通空调系统优化方法。首先，研究实验数据并选择一些重要的参数作为输入。然后讨论若干数据挖掘算法，选择适当的算法建立优化模型，将其作为输出。从边界条件入手，建立最优化问题的双向模型，从而在暖通空调系统上得到大量的节能。
参考文献：
[1] W. Huang， M. Zaheeruddin and S. H. Cho。Dynamic simulation of energy management control functions for HVAC systems in buildings[J]，Energy Conversion and Management，2006， 47 （7-8）： 926-943。
多目标综合评价模型 篇3
关键词：多目标优化,物流,模糊综合评判法,决策网络计划,遗传算法
0 引言
随着21 世纪的到来, 电商迅速发展, 随之带来了物流企业的蓬勃发展, 物流运输问题也备受关注。 在物流运输过程中, 会涉及很多运输目标。 首先, 企业希望在规定的时间内, 尽快将商品或材料运达, 以争取有利的商机。其次, 在运输过程中要保证商品或材料的安全性。 第三, 运输成本能得到有效控制。 即企业希望商品或材料能及时、 安全并且运输成本最小地运达目的地。 目前, 关于运输优化问题的研究已有一定的基础, 很多学者也提出了有效的优化模型。 对其进行分析, 主要可分三大类。 第一, 关于物流配送中心选址问题的研究[1,2,3], 如朱鸿[2]提出了基于不确定需求环境下的配送中心动态选址模型。 第二, 关于物流运输方单目标优化问题的研究, 如成本优化[4],进度优化[5], 风险优化[6]等。 第三, 关于运输问题多目标优化, 如过晓方[7]提出了以物流服务满意度、 物流运输费用和物流水平为目标的综合化模型。
计划评审技术广泛地被应用于工程项目管理中, 如李莎莎[8]提出了基于网络计划的工程质量—成本—进度的综合优化模型。 通过实践分析表明, 网络计划对复杂工程的优化具有很大的实用价值。 对于跨国运输, 常常涉及到多次中转, 第一次中转可供选择的运输方案也有很多, 每一种在时间、 成本和可靠性方面都有差异。 为了解决这种整个运输过程有着成百上千的运输方案择优问题, 本文以决策网络计划为基础, 以模糊综合评判为理论, 建立了以时间最短、 费用最低和运输最安全的多目标综合优化模型。
1 多目标物流方案的决策网络计划模型
1.1 决策网络计划法
决策网络计划法( Decision Network Planning Technique, DN) 是一种在计划评审技术基础上发展起来的决策方法。 与传统的计划评审技术最大的区别就是加入了决策点。 每个决策点可以看作是由若干项互斥的方案组成[9],而决策的关键就是从整个网络的角度出发, 从这些互斥方案中选出对整体最优的方案。
设决策点Si有k个互斥方案,Si=(Si,1,Si,2,…,Si,k),决策变量表示决策点Si中的方案j是否被选中:
,1表示j方案被选中,0表示未被选中:
1.2 优化目标
物流运输方案主要实现以下三个目标的优化:
(1)时间优化目标
一般而言, 现代企业对商品、 材料都有严格的时间限制。 一旦时间延误, 则可以影响制作或销售的时机, 从而失去商机, 损失惨重。表示决策点Si中方案j所需时间, S为决策网络计划中总的决策点数, 则优化函数为:
( 2) 成本优化目标
从整个物流运输过程来看, 企业希望总的运输成本能控制到最小, 因此成本优化函数可表示为:
式中:表示决策点Si中对应j方案所需的成本。
(3)可靠性优化目标
确定一个运输方案的原则之一, 就是能保证商品或材料能安全地到达目的地。 工序的安全性与整个运输过程的安全性有着密切的联系, 但也有本质的区别。 为了简便运算, 现将整个运输过程的安全性表示为各个工序安全性的加权值:
式中:表示决策点Si中对应j方案的安全可靠性。
2 多目标物流方案的模糊综合优化模型
2.1 模糊综合评判法
模糊综合评判法( Fuzzy Comprehensive Evaluation Method) 是在模糊理论基础上发展起来的一种对模糊事物进行评价的方法。 它由因素集、 评判集和模糊映射三个因素组成, 主要有如下四个步骤:
步骤1:确定因素集U=(u1,u2,…,un)。
步骤2:确定评判集V=(v1,v2,…,vm)。
步骤3: 通过模糊映射确定单因素评判矩阵。
f: U→φ ×V×, 即: ui→f (ui)= (ri,1,ri,2,…,ri,m)∈φ (V), 模糊映射f导出模糊关系Ri,j∈φ (U×V)。 Rj(ui,vj)=f(ui,vj)=ri,j, 因此单因素矩阵R能够用下面的矩阵表示:
步骤4:综合评判。
根据给定的因素权重A=(a1,a2,…,an);,运用max-min数学运算,得出综合判矩阵B=A·R。
2.2 模糊综合评判法的构造
( 1) 因素集V为各工序组合构成的序列。
( 2) 评定集U为时间优化目标、 成本优化目标、 可靠性优化目标。 因为时间和成本为最小函数, 因此对其进行取负处理。
( 3) 单因素判断矩阵R。
( 4) 因时间、 成本和可靠性的度量单位不一样, 为了综合评价, 对其进行单位化处理。
( 5) 设定评判指标权重A= (a1,a2,…,an), 可请相关专家打分得到。
( 6) 综合评判B=A·R, 并根据综合评判结果, 得出各个工序的运输方案, 为了保证求算结果为正, 现对其进行处理。
3 模型求解
由上面的分析可知, 这是一个0~1 规划问题。 解这类问题的常用方法有分枝定界法、 动态规划法, 但当决策点数目很多时, 这些方法运算效率很低, 有适应能力较差。 遗传算法可用来解复杂的多目标优化问题, 且运算效率高, 具有不依赖梯度变化的优势。 这里应用遗传算法进行求解。
3.1 染色体结构
染色体代表物流运输过程各个运输方案的组合。 基因位表示决策点, 基因值表示决策方案( 如表1 所示) 。
3.2 适应度函数
适应度函数就是目标函数:
3.3 终止条件
算法的终止准则为: 最优个体在20 代以内没有发生明显的变化时则终止算法。
4 应用分析
某半导体外企公司,需要从美国运进一大批电阻材料,现对其整个运输过程进行分析。
(1)决策网络计划模型
该电阻材料由美国运输到中国,需中转六次,两次海运,四次陆运。每次中转时可选择的运输方案如表2。
(2)模糊综合优化模型
由表2 分析可知, 一共有V=36=729 种运输方案, 评判集U= (T;C;Q)。 假设时间、 成本和可靠性对选择运输方案的影响大小分别为:
( 3) 模型求解
根据式( 2) 至式( 4) , 求出各种运输方案对应的目标值。 然后根据式( 5) 至式( 10) , 运用遗传算法得出各工序的运输方案。
方案最优化结果为: S1,1→S2,2→S3,1→S4,1→S5,1→S6,1, 所需时间为366, 成本为867 元, 平均可靠程度为0.917,综合得分为9.82578。
5 结束语
本文引入决策网络计划技术, 用决策点表示实际运输方案的选择。 然后分别给运输过程的三个主要优化目标的表达式, 运用模糊综合评判法对各个组合运输方案的三大目标进行综合评判, 从而得出最优的运输方案。 本文对运输过程的多个目标进行优化, 从而克服了不同目标难以共优的难题。 运用遗传算法求解, 提高了工作效率,现实生活中可供选择的运输组合成百上千, 运用计算机技术能迅速有效的求得最优解。 通过实例分析可知, 该模型能在兼顾时间、 成本和可靠性的三大目标的同时, 对整个运输流程进行优化, 因此能为各企业对商品、 材料等的运输方案决策提供有力的支持
参考文献
[1]关菲,张强.模糊多目标物流配送中心选址模型及其求解算法[J].中国管理科学,2013(21):57-62.
[2]朱鸿,徐克林,朱伟.动态需求下的多目标配送中心选址研究[J].物流技术,2012,31(4):68-70.
[3]李艳,等.物流配送中心多目标优化选址的仿真设计[J].计算机仿真,2012,29(7):234-237.
[4]刘江.基于作业成本法的企业物流成本控制研究[J].贵州大学学报(社会科学版),2011,29(6):78-84.
[5]徐小峰,邓忆瑞,李亚平.基于weibull-bayes协同物流网络资源规划进度偏差应急控制[J].系统工程理论与实践,2015,35(3):695-701.
[6]冯留波.第三方物流的法律风险和规避机制[J].物流科技,2014,33(11):101-103.
[7]过晓芳,王宇平.考虑物流服务水平的物流配送规划多目标模型[J].西南交通大学学报,2012,47(5):874-880.
[8]李莎莎,等.基于遗传算法的建筑工程三大目标综合优化[J].建筑技术开发,2011,38(7):68-71.
多目标综合评价模型 篇4
“事危则志远,情迫则思清。”“十一五”乃至未来十到十五年,我国仍将处在工业化和城镇化快速发展的阶段,区域经济面临人口不断增长、资源约束突出、环境压力加大的严峻挑战。而工业经济在区域经济中的地位可谓举足轻重,是资源节约、环境友好建设的“主角”。研究区域工业经济发展趋势、科学评价其运行质量,对制定、调整区域经济规划和考核地方政府,以科学发展观为统领,促进实现“三个转变”,在保护环境中谋求经济社会“又好又快”地发展都是十分有意义的。
本文以市域工业经济的质量趋势为研究系统,选择市域工业的增加值、用水量、水重复利用率、燃煤量、COD和SO2排放量为评价指标,以年度为评价单元。运用多目标模糊决策模型把“十五”以来各年度当成一个个被择方案,评价其相对的优劣,亦即表征市域工业经济的科学发展之程度。
2 多目标模糊决策模型之要义[1]
设系统有n个待优选的对象组成备选集,有m个评价因素组成系统的评价指标集。每个评价指标对备择对象的评判用指标特征向量表示,则系统有m×n阶指标特征向量矩阵:
式中xij为第j备择对象的第i个评价因素的指标特征向量。
第1步,计算指标隶属度矩阵。
*:预计数值
式中xi,max、xi,min分别为第i个评价因素的指标特征向量之最大值和最小值,得指标隶属度矩阵:
第2步,定义系统的优向量和次向量,分别为:
第3步,设系统有优向量、次向量与评价因素的权重向量:
第4步,计算第j个备择对象从属于优向量的隶属度:
式中p为广义距离参数。
3 实例
3.1 区域工业经济发展指标
某市“十五”以来,其工业经济有关指标,相对2001年(各指标以2001年为1.0000,无量纲)的统计结果见表1。
3.2 区域工业经济发展趋势简析
以表1中的数据作图1。由图1可看出,“十五”以来,工业重复用水率趋势略有提高;其它指标头三年也还是呈略有提高之势,2004年猛增,保持一定惯性至2005年;随着获得较快的工业增加值,资源的消耗和主要污染物排放也在相应增且头三年工业增加值的增加速度高于用水、用煤、加,污染物排放量,此发展还算合理;2004和2005两年耗煤和COD排放量平均高于工业增加值的增长速度,可初步判定这两年的工业经济发展不尽合理,至少不是资源节约和环境友好。
3.3 趋势评价
将“十五”以来的每一年当成多目标模糊决策模型备择的对象。按前述方法计算各年份从属于优向量的隶属度。这里取各指标的等权,广义距离参数p取2.0(即欧氏距离)。得2001~2006年从属于优向量的隶属度分别是:0.59058、0.71898、0.55731、0.027208、0.045208和0.3049,并作图2(左)。
从图2显然得出如下评价:2002年该市工业经济发展相对较科学,“十五”的后两年却较差,好在工业增加值2005比2004年增长40%以上的高速度,资源消耗、污染物排放指标均有相对程度的下降,而重复用水率略有提高,从中看到了该市工业经济走出不科学阴霾的一丝曙光。2 0 0 6年中央提出“三个转变”,该市搞了“节能和环保”的“双百日会战”,因消耗和排放的有效控制,科学发展的趋势显现出来了。
如果按照该市发展规划工业增加值18%的增长速度,而用水量、重复用水率和燃煤量2007年在2006年水平,COD、SO2排放据环保规划,其相对值列于表1。则得2001~2007年从属于优向量的隶属度分别是:0.57801、0.70486、0.53942、0.022393、0.031579、0.24404和0.3409,并作图2(右)。很显然,2007年将在2006年的基础上该市工业在科学发展上有长足的进步,但真正又好又快尚需时日。
4 结语
第一,多目标模糊决策模型能客观、直观地对区域工业经济发展的科学发展度进行评价。
第二,只有科学地对区域工业经济发展进行评价,才能建立起决策目标、执行责任、考核监督“三个体系”,把地方政府是环境保护和资源节约的第一责任人落到实处。
第三,落实《国务院关于落实科学发展观加强环保工作的决定》和全国第六次环保大会精神,以科学发展观为统领,加快实现“三个转变”,建设资源节约型、环境友好型、自主创新型的社会主义和谐型社会。重点是加强技术自主创新,以大力发展循环经济;加强污染物总量控制和实施排污权交易,以优化工业产业结构。
参考文献
多目标综合评价模型 篇5
关键词：润滑油回收,评价模型,多目标决策
分析机用润滑油回收的经济收益来评价经济型指标,是机用润滑油回收绩效评价模型的意义所在。
大型机械运行及机械加工过程均会需要大量的润滑油,为了节约资源、减小消耗,润滑油的回收利用显得愈加重要。润滑油的流失不但造成润滑油损耗、资源浪费、效益下降,而且由于大量机用润滑油排入土壤和大气,严重污染环境,危害环境安全。消耗的机用润滑油对机械操作人员以及生产人员的身体健康危害严重。因此在当今的机械制造行业加强生产管理的同时,开展机用润滑油回收工作非常必要[1]。
在我国,主要采用的机用润滑油回收方法主要有以下几种方法:吸附法、吸收法、循环过滤法和膜分离法等技术手段[2,3]。针对以上不同的回收方法,都有相应的绩效评价模型,这些方法大多是定性的分析法,缺少量化分析的环节,在企业生产实际中不能够为机用润滑油回收方法的选择提供一组确切的量化指标依据,机械制造企业还需要根据企业自身的经济情况和技术运行指标来选择合适的机用润滑油回收方案。本文为了对急用回收润滑油进行量化的评价,设计了一种多目标的决策灰色关联投影法来评价这些回收模型[4,5],得出量化的数据指标,供机械制造企业以及大型机械运行企业参考。
1 多目标决策灰色关联投影法模型建立
1.1问题的定义
假设在待评价的方案中共有m个回收法,即X={x1,x2,…,xm};评价指标有n个,即V={v1,v2,…,vn};回收方法xi关于第j个指标vj的属性值用yij=(i=1,2,…,n;j=1,2,…,m)表示;则m个润滑油回收法中,共有mn个属性值,构成了矩阵Z=(yij)m×n,该矩阵被称为评价指标集合相对于回收方法集合的评价阵。
通常用到的评价指标可以按其特性划分三大类,即控制成本为目标的成本型指标、以经济效益为指标的效益型指标和以适应性为目标的适应性指标。成本型指标用来考核管理方法对生产成本的控制程度,其属性值要求做到最小化,例如流动资金的周转时间等指标;效益型指标用来考核管理方法对于企业盈利情况的影响,其属性值要求做到最大化,例如企业的产值、毛利率等;而适应性指标则用来考核管理方法对于企业管理的适应度,其属性值要求做到适中,不能过大,也不能过小[6,7,8,9]。
1.2决策矩阵及其初始化
设评价问题的回收方法集合为X={x1,x2,…,xm},指标集合为V={v1,v2,…,vn},记与理想决策回收方法x0相对应的指标vj的属性值为y0j,当vj为效益型指标时,要求该属性值y0j=max(y1j,y2j,…,ymj),当指标vj为成本型指标时,y0j=min(y1j,y2j,…,ymj),当指标vj为适应性指标时,y0j=undefined,则称矩阵vj(j=1, 2,…,m)为回收方法集X对指标集V的决策矩阵。
属性值之间的数量级差距非常大,这是由于评价体系中的各个指标属性间的量化单位的不同造成的,所以在对问题进行选择之前,有必要采用合理的方法对这些数值差异各不相同的指标属性值进行映射和转换,将具有差异巨大的属性值空间通过这种转换而映射到同一个指标属性值量化空间中来,以使评价方法可以在同一个属性空间中对不同指标属指进行评价处理[10,11]。
将序列y中的每一个属性值除以该序列的第一个属性值,即序列的初值,从而产生出一个相对归一的新序列的数值转换方法,称之为初值化生成方法,在此记为INGO:y→y'。
用初值化生成方法所产生的新的数值序列中的每一个数值均是没有度量单位的,但这并不影响其对相应属性的度量。显然所产生的所有新的序列都有同一个交点yi(1)=l。
这里的I1表示效益型指标属性值的下标集合,I2、I3则为成本型和适应性属性值的下标集合,称矩阵Y′=(y′ij)(n+1)×m为矩阵Y=(yij)(n+1)×m的初始化矩阵。显然,经过初值化处理以后,y′0j=1(j=1,2,…,m),x′0=(y′01,y′02,…,y′0m)=(1,1,…,1)即为理想回收方法。
1.3回收方法的关联度计算
如果回收方法x0为理想回收方法,则有向量x′0=(y′01,y′02,…,y′0m)=(1,1,…,1),待评回收方法xi用向量x′i=(y′i1,y′i2,…,y′im)表示,y′0j与y′ij分别为x′0与x′i的第j点的数值,则定义x′0与x′i在第j点的关联系数为rj(x′0,x′i),简记为rij,其计算公式为
undefined。 (2)
这里ρ为一个常数,是表明分辨程度的一个系数,ρ∈(0,1)。该系数被评价方法用来调整方法所比较的环境。当评价方法不考虑比较环境带来的影响时,ρ值取0;当评价方法在同一个比较环境下进行评价时,ρ值取 1。在大多数情况下,评价方法均对ρ值取一个中间值即0.5,以保证评价方法在考虑比较环境带来的影响,提高环境差异性的同时,也能避免因比较环境的不同而产生评价结果的失真。
1.4指标权重的确定
设W=(w1,w2,…,wm)T>0为一个加权向量,该加权向量作用于各评价指标以改变个指标属性值对评价结果的影响。该加权向量的确定方法有主观赋值法和客观赋值2种加权产生方法,将这2种方法结合起来,采用最小平方法产生评价加权向量。设有评价指标向量vj(j=1, 2,…,m),对其采用交叉类比的方法进行比较,从而得到判断阵B。
评价指标v1,v2,…,vm权重为w=[w1,w2,…,wm],应用权的最小平方法有
CwT=ω。 (4)
其中:ω=[-λ,-λ,…,-λ]T。
因为w1+w2+…+wm=1,所以权重w和系数λ即可由式 (4)、 (5)求得。
1.5加权灰色关联度的计算
本文定义由(m+1)n个rij组成的多目标灰色关联度判断阵R,用以计算加权的灰色关联度。
判断阵R表示了m个指标所确定的某一个设计回收方案,m维指标空间V中的一个离散回收方法点表示了每个方法。比较指标空间中每个回收方法点和理想方法之间的关联度,就是进行多目标决策的过程。在分析灰色关联度时,不要求数据变量和分布类型之间的关联性,很容易在信息不完全的小样本系统中应用,所以对企业绩效的评价有一定的积极意义。
1.6决策模型
记σj为一组新的指标权值矢量,称其为灰色关联投影权值矢量。且满足
undefined。 (7)
则称决策回收方法xi在理想回收方法x0上的投影值为灰色关联投影值Dj,Dj的值由式(8)确定。
undefined。 (8)
经过以上一系列计算过程,最终可以得到各个决策方法的投影值Di,然后对每个回收方法的指标根据投影值的大小进行比较分析和排序,Di越大,说明该方法越符合理想的方法,说明该方法具有可选性。
2 机用润滑油回收绩效评价
2.1机用润滑油回收技术评价的指标选择
机械制造企业首先作为一个企业,利润必然是其追求的目标,所以在对机械制造企业进行回收润滑油方法选择时,指标的选取应该从能效和经济型等方面综合的进行评价,主要涉及的方面有设备的前期投资,运行费用,使用效率,回收总量,设备寿命,保养费用,环境保护和安全生产等。几种机用润滑油回收方法的评价属性值,如表1所示,表中呈现了我国机械制造企业采用的润滑油回收方法所用的装置生产的销售企业对于这4种回收技术和立项技术间的关联评价属性值的分析结果。
2.2评价指标矩阵的建立和规范化
通过分析表1中4种回收技术和理想方法之间的关联数据,可以得到一个决策矩阵Y,表示了回收方法集和指标集之间的关系。
在润滑油回收技术方法选择指标中,成本性指标主要有前期投资,运行费用,保养费用和环境保护等因素,是越小越好的指标;效益型指标包括回收效率,回收量,设备寿命和安全生产等因素,是越大越好的指标。很明显,以上这些指标的量化单位都是不同的,且它们之间的数量级的差距也是十分明显的,为了克服这种差异对决策带来的影响,必须要对决策矩阵进行初值化处理,将其转化为规范矩阵Y′。 另外,效益型指标和成本型指标在基于线性变化的初值化处理时,所采用的基准不同,使得处理后最优的效益目标和最优的成本目标的值不同,难以比较。因此,Y的初始化矩阵为
2.3回收技术评价指标权重的确定
通过若干名机用润滑油回收技术相关专业的专家对润滑油回收方法的8种指标进行了交叉两两比较,并进行排序打分而得到的评价结果,分析出指标权重的判断阵。利用公式(4)和公式(5)对判断矩阵进行一系列运算,采用权值最小平方法得到权重系数方程组,求解线性方程组,得到加权系数,
w=[0.0652,0.0803,0.0925,0.1437,0.1008,
0.0221,0.3152,0.1802]。 (11)
根据(7)式,可以得到一组新的加权矢量,即灰色关联投影权值矢量σj。
σj=[0.0100,0.0151,0.0200,0.0484,0.0238,
0.0012,0.2326,0.0760]。
2.4关联度系数的确定
对式(11)进行y0j-yij的操作,得到式(12)。
由式(12)可得式(13)和(14)。
undefined, (13)
undefined, (14)
将此结果和分辨率系数ρ=0.5代入上式得式(15)。
undefined。 (15)
关联系数undefined。
由式(12)、 (15)可得灰色关联度判断矩阵R,如式(16)所示。
2.5各个决策方法在理想方法上的投影值计算
根据公式(8),在计算得出的灰色关联度判断矩阵R和一组新的加权系数σj的之后,可以计算得出各个回收方法的投影值。
undefined。
2.6机用润滑油回收方法评价结果及分析
通过以上计算方法,得到了4种机用润滑油回收方法在理想方案中的投影值,如表2所示。循环法回收机用润滑油在这4种技术力的综合绩效水平最高,其次分别是吸收法、吸附法和膜分离法,所以,循环法为机用润滑油回收方案中的最有方法,其次是膜分离方法。按照以上过程,机械制造企业可以按照自身企业发展的特点和企业本身的条件等因素,做出对自己最适合的决策方法,采取一种回收方法或几种回收法结合的办法来进行机用润滑油回收。
通过实验,发现该模型用于润滑油回收的评价得到的结论和现今非量化评估模型得到的结果相一致,同时这种方法具有普遍性和更强的可操作性,简单方便,直观可靠,具有很好的实践意义,十分值得推广。
3 结 论
为了对机用润滑油回收绩效进行分析,本文采用了多目标决策的灰色关联投影法,求其指标空间的关联因素,特别是当样本数量相对较少而且样本数据相对离散时,本方法能有效的避免由于单纯比较各回收技术的某个属性值引起的偏差。本方法对指标空间进行全方面的分析,完整的反映了影响指标空间的各种因素。
由于现在的润滑油回收技术绩效评价缺少量化评价体系,本文针对这一问题,采用了多目标决策法这一先进的管理思想和灰色系统这一先进理论,建立了具有普遍意义的绩效评价模型,应用该模型对常用的集中机用润滑油回收方法的绩效指标进行量化分析,得到的结果与现有非量化绩效评价模型结果相符合,说明本模型的可靠性,为机械制造企业选择回收润滑油技术方法提供了参考。
参考文献
[1]王鑫,郭忠华,段少华.废润滑油的回收与利用技术综述[J].炼油与化工,2012,23(3):3-6.
[2]任学鹏.废润滑油的回收利用[J].轮胎工业,2010,30(4):246-249.
[3]金佳佳,隋秀华,鄂红军.废润滑油的回收与再生利用[J].能源与节能,2012(3):30-33.
[4]卢康.基于层次分析和灰色关联分析的实习员工绩效评估研究[J].科技与管理,2009,11(1):126-129.
[5]周翔,蒋根谋.基于组合赋权和改进灰色关联分析法的项目风险分析[J].工程管理学报,2008,22(6):78-81.
[6]王玉冬,邱金明.基于灰色关联分析的CHPP融资效率影响因素及提升策略研究[J].科技与管理,2012,14(5):29-32.
[7]李秀红.基于灰色关联度的多目标决策模型与应用[J].山东大学学报:理学版,2007,42(12):33-36.
[8]王卫兵,王磊,孙毅.多目标决策灰色关联投影法油气回收绩效评价[J].哈尔滨理工大学学报,2011,16(1):95-99.
[9]杨刚,汪志明,陈添,等.多目标决策方法在煤层气井完井方式优选中的应用[J].特种油气藏,2013(2):1-4.
[10]邓聚龙.灰理论基础[M].武汉:华中科技大学出版社,2003:87-437.
多目标综合评价模型 篇6
科技发展水平是一个国家地区的资源投入水平、社会经济发展水平、科技管理水平、科研和技术开发能力的综合反映;是衡量一定时期社会生产力和利用科技知识能力及水平的尺度。科技发展水平的综合评价是对国家或地区的科学技术发展水平做出客观、准确的认识和测度。通过对各地区科技发展水平进行一个综合的分析比较, 可以对各地区的科技发展水平有一个较为直观的认识和了解, 同时也能够由此发现制约地区较好发展的影响因素, 提出相应的对策建议, 为我国各地区科技发展规划奠定一定的理论基础。相关文献[2-7]已经从不同角度, 分别运用秩和比法、熵值法、因子分析法等对我国各省区科技发展水平进行评价。本文通过对以往相关研究文献的研读, 综合采用密切值法、熵值法和秩和比法对我国西部十一省区的科技发展水平进行综合评价, 目的是使评价结果更加客观真实, 这也是本文的创新之处。
1 评价指标体系设定
迄今为止, 国内外学者针对科技发展水平评价研究问题已经提出较多的评价指标体系, 但尚未形成完全统一、标准化的评价体系。其根本原因一是由于影响科技发展的因素复杂多样, 无法完全独立界定;其次也是因为各地区经济发展水平和地区特色发展存在的差异性, 致使评价指标的选取及权重赋予过程中的侧重目标有所差异。本文在借鉴以往研究成果的基础上, 结合西部地区特点, 从科技投入、科技产出、科技支撑环境、科技发展基础等四个方面建立科技发展水平评价指标体系 (见表1) 。
2 基于多模型的西部11省区科技发展水平实证分析
本文的原始数据均来源于2013年《中国统计年鉴》、《中国科技统计年鉴》和《中国科技统计资料汇编》。由于西藏自治区部分指标数据缺失, 所以本研究确定选用除西藏自治区以外的西部十一个省区为研究对象, 原始数据指标 (略) 。
设省区Ai (i=1, 2…, m) 在指标Bj (j=1, 2, …n) 下的取值为rij, 得到原始数据指标矩阵R=rij (m×n) 。
2.1 密切值法评价
2.1.1 密切值法计算原理
密切值法是系统工程中多目标决策的一种优选方法。[4]由于不同指标数据的代表意义不同, 无法直接进行比较, 故首先对指标矩阵进行规范化处理, 得规范化指标矩阵X=Xij (m×n) 。
2.1.1. 1 确定最优点和最劣点
则:最优点集,
最劣点集B-= (X1-, X2-, …, Xn-)
2.1.1. 2 计算各省区密切值Ci
当Ci>0时, Ai偏离最优点, Ci越大, 偏离越远;当Ci=0时, Ai最接近最优点, 即Ci最小的省区就是科技发展水平最好的地区。
2.1.2 密切值法评价结果
由规范化处理指标矩阵R, 得到规范化指标矩阵X (略) , 并根据 (1) 式确定省区集的最优点集B+和最劣点集B-:
B+= (0.5509, 0.3607, 0.7655, 0.4903, 0.8343, 0.6502, 0.6556, 0.6203, 0.5993, 0.8746, 0.3155, 0.6247, 0.4528, 0.3331, 0.6060, 0.3755)
B-= (0.1279, 0.2147, 0.0505, 0.0848, 0.0104, 0.1147, 0.0028, 0.0258, 0.0476, 0.0066, 0.2829, 0.0515, 0.1589, 0.2560, 0.1188, 0.2223)
计算各省区密切值Ci。根据 (3) 式计算di+, di-, 由 (4) 式得d+。依据公式 (2) 得各省区的密切值Ci及排序结果 (表4) 。
2.2 熵值法评价
2.2.1 熵值法计算原理
通过计算熵值可以判断一个事件的随机性及无序程度, 也可以用熵值判断指标离散程度的大小, 从而研究指标对综合评价的影响。[6]通过转换原始指标矩阵R, 得到熵值法模型评价指标矩阵S=spq (n×m) 。然后计算接近度Tpq, 并对指标归一化处理后, 得到矩阵t=tpq (n×m) 。
2.2.1. 1 计算评价指标p的条件熵Ep
其中。用Emax对Ep进行归一化处理, 求得表示评价指标p的重要性的熵值:
2.2.1. 2 由e (tp) 确定评价指标p的评价权值Qp:
其中, 且满足
2.2.1. 3 计算决策量Fq
其中tp*为矩阵t的第p行的最优值, 决策量Fp小的省区优于大Fp的省区, 根据Fp的排序, 评价各省区科技发展水平差异程度。
2.2.2 熵值法评价结果
首先转换原始指标矩阵R, 得评价指标矩阵 (略) 。然后计算接近度Tpq, 进而对各指标进行归一化处理, 计算tpq, 得出指标归一化矩阵t (表2) 。
根据 (5) 式计算评价指标的条件熵Ep;由 (6) 式对Ep进行归一化处理, 获得评价指标的重要性熵值e (tp) ;由式 (7) 确定评价指标p的评价权值Qp;最后通过 (8) 式计算决策量Fp, 对各省区决策量Fp进行排序, 得出各省区科技发展水平在熵值法下的综合评价结果 (见表4) 。
2.3 秩和比法评价
2.3.1 秩和比法计算原理
秩和比法能够充分利用原有信息, 有着极强的统计信息功能。在统计中兼有描述性与推断性的优势。[5]
对每个指标进行排序, 通过秩代换, 获得无量纲统计量秩和比:
Rij是第i个省区的第j个指标的秩。对秩和比RSRi进行排序, 判断各省区科技发展水平高低。
2.3.2 秩和比法计算结果
各指标原始数据如表2所示。对各指标进行排序, 通过 (9) 式进行秩代换, 获得各省区无量纲统计量秩和比RSRi, 并对其进行排序, 得出秩和比法各省区科技发展水平综合评价结果 (表3) 。
3 结论
由表4密切值Ci及排名结果可知, 西部11省区科技发展水平密切值Ci分布在0~2之间, 越接近0发展水平越好。在所研究的西部省区中陕西省的密切值为0, 即发展水平最好;处于0~1之间的还有重庆和四川省区, 发展水平相对较好。其余八省区的科技发展水平密切值分布在1~2之间, 总体科技发展水平较低, 表现出不均衡的发展现状。
由表4熵值法决策量Fq可知, 西部11省区科技发展水平决策量处于0.002~0.01之间, 决策量Fq越小发展水平越好。在所研究的西部省区中决策量处于0.002~0.006之间的有陕西、四川和重庆三省区, 发展水平相对较好。其余八省区的科技发展水平决策量分布在0.007~0.01之间, 总体科技发展水平较低, 发展不均衡。
由表4秩和比法计算结果RSRi可知, 西部11省区科技发展水平秩和比处于0.30~0.85之间, 秩和比RSRi越大发展水平越好。在所研究的西部省区中秩和比处于0.70~0.85之间的有陕西、四川和重庆三省区, 发展水平相对较好。其余八省区的科技发展水平秩和比处于0.30~0.60之间, 总体科技发展水平较低, 同样表现出不均衡的发展现状。
根据表4中三种方法的评价结果可以看出:三种方法下, 所得出的最终结果并不完全相同, 有个别省区的排名出现了一定程度的差异, 但基本一致。对上述三种方法的综合评价结果的排序进行分析可知, 在西部11省区中, 科技发展水平位居前三的分别是陕西、四川和重庆。排名后五位的分别是云南, 新疆, 贵州, 宁夏, 青海。另外, 西部地区科技发展水平总体偏低, 处于不均衡的发展现状。
4 西部省区科技发展水平提升的对策建议
4.1 加强教育和科技投入, 培养并引进优秀人才
各地区需要对学校及科研机构的基础设施建设加大投入力度, 提高地区硬件实力, 为培养优秀人才提供一个良好的服务平台;同时, 也应当从其他快速发展的地区引进高技术人才, 弥补地区人才不足。大幅度增加科技投入, 加强科技基础条件平台建设, 增强地区自主创新能力和核心竞争力。
4.2 加大科技支撑环境建设力度, 促进地区科技稳健发展
各省区均应结合地区发展现状, 积极建立具有本地区特色的科技支撑项目, 改善科技支撑环境。例如青海省近几年实施的以“123”、“1020”为代表的一批重大科技支撑工程, 重点解决了一些制约青海省经济社会发展的关键技术问题。
4.3 促进科技成果转化、加速科技成果产业化
政府应发挥好在科技成果转化过程中的重要引导作用, 相关政府部门应制定有效的产业技术政策及产业结构政策, 促使企业组织集团化;企业也需要发挥其在科技成果转化和推广过程中的重要主体作用, 使得企业发展战略的主流逐步形成以科技进步为主的内涵式扩大再生产, 从而实现产业量的扩张及效益的提高;高等院校、科研院所等科研单位同样应该积极发挥在科技成果转化过程中供给主体的作用, 促进科技成果转化效率的进步。
4.4 加大政府支持力度
在加强教育和科技投入、改善产业结构的同时, 国家及地方政府应该针对本地区发展特色科技创新产业给予更多的优惠政策, 鼓励和保护其能够健康快速的发展并逐步走向成熟。通过科技发展能力提升, 带动经济可持续发
摘要：本文通过科技投入、科技产出、科技支撑环境和社会经济发展四个方面构建科技发展水平评价指标体系。收集2012年西部11省区科技发展状况的相关数据, 分别运用密切值法、熵值法与秩和比法三种方法对各指标数据进行处理, 得出各省区科技发展水平综合排名, 并将三种结果加以对比、分析评价。最后根据研究分析结果对西部地区未来科技发展提出相应的对策建议。
关键词：科技发展水平,密切值法,熵值法,秩和比法,综合评价
参考文献
[1]张立军, 王瑛.区域科技发展水平的综合分析与评价[J].统计与决策, 2005 (2) :45-46.
[2]王再进.国外科技评估的历史、现状及其启示[J].北京航空航天大学学报 (社会科学版) , 2006 (4) :76-80.
[3]徐明凯, 綦良群, 马妍.发达国家科技评估体系的启示[J].科技与管理, 2005 (6) :104-106.
[4]郑保章, 钱琨, 潘雄锋.基于密切值法模型的我国31个省市区科技发展水平评价[J].科技管理研究, 2008 (7) :172-174.
[5]胡斌, 章仁俊.基于秩和比法的区域科技发展水平比较研究[J].工业技术经济, 2004 (6) :55-57.
[6]李柏洲, 苏屹.区域科技创新能力评价体系的优化及实证分析[J].情报杂志, 2009 (8) :80-83.
机动目标静态多模型算法 篇7
1 跟踪模型
1.1 运动模型
假设任意时刻,目标服从以下两种运动模型的一种:(1) 匀速直线运动CV模型;(2)匀加速直线运动CA模型。考虑目标在x - 平面运动,运动方程为:
其中X(k+ 1) =[xk xk xk]表示目标的位置、速度及加速度,w(k) 为随机噪声,Φ为状态转移矩阵。(1)CV
根据式(1),对应的CV模型为:
CA模型为:
1.2 量测模型
2 多模型(MM)算法[3]
2.1 静态多模型算法(SMM)
在固定模型中静态多模型算法我们可以用以下统计特性表示。
首先根据Bayes公式,下一时刻j正确的模型概率被统计为:
同时计算与mjk匹配的似然函数
当从模型匹配符合模型j时,则将更新vj与Sj以及它们的协方差
最终融合估计
以上为静态多模型算法(SMM)的基本步骤,从以上几个公式中可以看出静态多模型算法较为简便,实现也较为简便。
2.2 GPB1算法
如图2,与静态多模型算法相比,GPB1算法把上次总体的状态估计xk - 1|k - 1以及估计误差的协方差Pk - 1k - 1作为公共的初始条件,然后各个模型按照基本的Kalman算法进行各自的状态估计,计算各个模型的概率。最后利用加权和求出本次的总体状态估计xk|k及其协方差阵Pk|k。
重新初始化:
条件滤波和模型的概率更新与SMM算法类似。
估计合成:
3仿真
假设目标的起始位置在笛卡尔坐标的位置(2200,100),目标在t = 0 - 50s的时间内做初始速度为vx= -10,vy= 10 ,的匀速直线运动,在t = 50 - 70s的时间内做加速度为ax= -1,ay= 1的匀加速运动,接着在t = 70 - 100s的时间内做匀速直线运动。仿真的观测量为目标的与雷达(位于坐标原点)的距离r ,与目标的方位角θ。观测模型:Zk= h(Xk)+ vk,其中vk满足零均值高斯白噪声分布。设定模型观测噪声标准差R_Q = 50,Th ETA_Q = 0.01。
下面,通过GPB1算法对已建立的目标场景进行仿真并与SMM算法比较。
从图3-1可以看出,相同场景下GPB1与SMM都能跟踪运动目标,但是从图3-2可以看出GPB1算法的跟踪误差明显小于SMM的跟踪误差。这也从实例上验证了GPB1算法要优于SMM算法。
4 结论
本文针对机动目标跟踪算法进行研究:首先详细介绍了两种基本的运动模型即CV模型和CA模型,其次介绍了非线性量测模型。在多模型算法中介绍了静态多模型算法(SMM),同时结合扩展卡尔曼滤波对其进行了仿真实验,通过与GPB1算法对比分析静态多模型算法(SMM)的缺陷。
摘要：目标跟踪是指利用传感器测量对目标运动状态进行估计。该文针对这一问题,首先建立机动目标跟踪模型;然后实现了基于扩展卡尔曼滤波的静态多模型算法,并对静态多模型与GPB1算法进行了比较。
关键词：机动目标跟踪,扩展卡尔曼滤波,静态多模型算法
参考文献
[1]周宏仁.机动目标跟踪[M].北京:国防工业出版社,1991:2-8.
[2]党建武.水下多目标跟踪理论[M].西安:西北工业大学出版社,2009:26-27.
[3]许江湖.目标跟踪中的多模型估计算法综述[J].情报指挥控制系统与仿真技术,2002(5)26-29.
多目标综合评价模型 篇8
随着信息技术的快速发展和现代军事及民用需求的不断提高,对目标跟踪的精度也相应地提出了更高的要求。在真实的目标跟踪系统中[1,2],目标的状态总是处在不断变化中,当目标真实运动模型与算法模型不匹配时,跟踪精度会明显下降,此时采用多模型(Multiple Model,MM)机动目标跟踪算法将会成为最佳选择。然而,当今的多模型目标跟踪方法[3]大都停留在理论层面,对于多模型的实际应用价值及各模型的应用场合都需要做进一步的研究。
本文选用当今最为流行、应用最广泛的雷达和红外作为传感器,在红外/雷达双模导引头[4]平台下开展对交互式多模型[5]机动目标跟踪算法的研究,并加入噪声干扰,更接近真实的军事与民用环境。首先搭建红外/雷达双模导引头仿真平台[6],进而设计基于多传感器[7,8]的多模型机动目标跟踪算法,采用扩展卡尔曼滤波[9],最终实现算法的软件仿真及跟踪性能评估[10],验证了所设计方法的有效性和实用性。
1 多传感器平台搭建
雷达和红外传感器是目前常用的两种目标探测和跟踪传感器,采用雷达为主、红外成像传感器探测为辅的信息融合系统进行目标跟踪能够使系统降低对敌方干扰的脆弱性,提高系统可靠性,现已广泛应用于各个领域。因此,本文选取雷达与红外双模导引头作为传感器,模拟生成多传感器的数据生成模块,为多模型机动目标跟踪算法提供良好的检测平台。
毫米波雷达导引头的观测数据包括观测系下的视线方位角、视线俯仰角、弹目距离、多普勒频率、雷达信噪比等信号。经过坐标转换,得到的参考系下的雷达观测数据,建立如下雷达观测方程:
式中:Z1(k)=[φR,θR,r]T,表示雷达导引头的观测向量;φR为雷达视线方位角,θR为雷达视线俯仰角,r为弹目距离。V1(k)是均值为零、协方差阵为R1(k)的白高斯噪声向量。
红外成像导引头的观测数据包括观测系下的视线方位角,视线俯仰角等信号。经坐标转换得到参考系下的红外观测数据,建立如下红外观测方程:
式中:Z2(k)=[φIR,θIR]T,表示红外导引头观测向量,φIR为红外视线方位角,θIR为红外视线俯仰角;V2(k)是均值为零、协方差阵为的白高斯噪声向量。
本文综合应用点迹合并方法和点迹串行处理方法,搭建毫米波雷达和红外数据融合的多传感器平台。假设雷达的扫描周期为5 ms,红外的扫描周期为10 ms,所以首先将雷达和红外点迹数据串行合并成为点迹数据流,进行点迹—航迹相关;对于在10 ms时刻,若雷达点迹和多个红外点迹均与航迹相关上,则对这些点迹进行点迹压缩合并,如图1所示。
2 多模型跟踪算法设计
本文选取目标跟踪中经常使用的几种目标运动模型组成模型集,然后根据模型间的配合规则设计多模型选取算法,如去掉不可能模型,合并相似模型,最可能模型选择算法以及基于期望最大算法的迭代策略等,进而对所得到的融合数据应用扩展卡尔曼滤波算法建立外推点迹,最终形成新航迹。设计框图如图2所示。
2.1 模型集的确定
大部分的跟踪算法都是基于模型的,因此目标运动模型设计是机动目标跟踪的基本要素之一,也是一个关键的问题。在建立机动目标模型时,一般的原则是所建立的模型既要符合实际机动模式,又要便于数据处理。本文选取目标跟踪中常用的几种运动模型组成模型集,包括CV模型、CA模型和当前统计模型。
2.2 配合规则
多模型算法按配合规则基本上可分为三代,静态多模型算法(SMM)、交互式多模型算法(IMM)、变结构多模型算法(FSMM)。以上三代多模型算法跟踪精度逐渐升高,同时算法的复杂度也依次升高、可实现性逐步变差。综合考虑算法的实用性和代价,IMM算法的交互方式更合理有效一些,是目前研究应用最多、被认为是最成功的一种算法。
因此,本文采用IMM算法作为模型之间的配合规则,完成多模型跟踪算法的设计。
2.3 滤波处理
本文选用扩展卡尔曼滤波方法对融合后的数据进行滤波处理。首先建立状态方程和观测方程,根据前一个估计值和最近一个观测数据来估计信号的当前值,并用状态方程和递推方法来进行估计,其解是以估计值形式给出的。由于滤波是采用递推算法,所以数据存储量少,运算量小,非常适合实时处理系统的应用。
3 跟踪效果仿真
选取扫描周期TIR=0.02s对目标进行跟踪模拟。目标初始位置为(1 000,1 000,1 000)m,初始运动速度为(300,300,300)m/s,初始加速度为(10,10,10)m/s2。
图3分别为x方向,y方向,z方向位置估计误差。
图4反映了位置估计误差的RMSE。
图5为目标运动轨迹和跟踪轨迹的三维仿真示意图。
仿真结果显示:在基于雷达/红外双模导引的多传感器仿真平台下,所设计的多模型机动目标跟踪算法跟踪精度相对较高,收敛较快,迟滞较小。
4 结语
本文主要研究基于多传感器的多模型机动目标跟踪算法,在更加接近真实环境的雷达红外双模导引模拟仿真平台下设计了多模型机动目标跟踪算法,并对其跟踪性能进行仿真验证,仿真结果证实了该算法的有效性和实用性。
摘要：多模型目标跟踪算法由于其独特的处理未知结构和可变参数的优点,已成为当前目标跟踪研究领域的一个重要方向。然而当今的多模型目标跟踪方法大都停留在理论层面,因此在实际应用层面上研究并设计多模型目标跟踪算法,并实现稳定、可靠而精确的目标跟踪意义重大。选用当今最为流行、应用最广泛的雷达和红外作为传感器,在红外/雷达双模导引头的多传感器平台下展开研究,设计并仿真实现了更接近真实的军事与民用环境的多模型机动目标跟踪算法。仿真结果验证了该算法跟踪性能的有效性。
关键词：目标跟踪,多模型算法,多传感器平台,数据融合
参考文献
[1]周宏任.机动目标跟踪[M].北京:国防工业出版社,1991.
[2]BAR SHALOM Y.Multitarget multisensor tracking[M].Bos ton:Artech House,1992.
[3]韩宏亮.基于IMM的雷达目标跟踪算法研究[D].南京:南京信息工程大学,2011.
[4]朱志宇.基于红外和雷达数据融合的机动目标跟踪方法[J].激光与红外,2007,37(2):170-174.
[5]BLOM H A P,BLOEM E A.Interacting multiple model jointprobabilistic data association avoiding track coalescence[C]//Proceedings of the 41st IEEE Conference on Decision and Control.Las Vegas,NV,USA:IEEE,2002:3408-3415.
[6]罗寰,于雷,陈中起,等.基于多模型交互的红外目标跟踪方法研究[J].激光与红外,2009,39(7):776-779.
[7]张红霞.基于多源传感器信息融合的目标跟踪算法研究[D].成都:电子科技大学,2011.
[8]潘丽娜.基于扩展卡尔曼滤波的多传感器目标跟踪[J].舰船电子工程,2010,30(12):71-73.
[9]苏峰,王国宏,何友.修正的逻辑航迹起始算法[J].现代防御技术,2004,32(5):66-68.