《合作的进化论》等（共5篇）
《合作的进化论》等 篇1
1 引言
创新的概念最早是由美籍奥地利经济学家约瑟夫·熊彼特提出的, 他认为创新是企业家将新发明引入生产体系, 实现生产要素和生产条件的新组合以获得潜在的超额利润为目的的。自从熊彼特提出创新理论以来, 创新已成为企业成长的战略核心, 受到人们前所未有的推崇, 成为推动国家和地区经济发展的灵魂。
随着创新理论的不断丰富和发展, 已经形成多种公认的创新模式, 其中产学研合作创新模式在近年来被提升到了前所未有的高度, 这种产业界、大学和科研院所相结合的创新模式被认为是科技成果转化为生产力的最佳方式。在我国, 由于企业创新能力普遍较低, 产学研合作就显得尤为重要。近年来, 很多学者从不同的角度对产学研合作创新问题进行了研究, 如:谢科范、刘海林 (2006) 基于两阶段博弈模型研究了产学研合作过程中共建研发实体的模式, 论证了企业方投向学研方的研发投入补贴对学研方总体研发费用的影响等问题, 认为共建研发实体是产学研合作的重要方式。荣四海 (2007) 从生态链与生态群落理论出发, 研究了产学研合作模式问题, 认为传统的产学研合作模式不能有效调动各参与主体的积极性, 在实践中存在着诸多弊端, 造成了创新的失败。杨得前 (2007) 基于进化博弈论构建了产学研合作的进化博弈模型, 分析了产学研创作的演化过程, 认为系统演化的结果有鲜明的初值依赖的特点, 并与合作方从合作获得的收益的多少及收益能否得到公平的分配密切相关。
研究表明, 在产学研合作创新系统中, 企业与学研方是一对策略互动主体, 他们是在互相研究对方的策略、结合以往的经验来作出最佳反应策略的, 由于有限理性条件下的短视行为, 其策略反应是一种不断调整的动态过程, 因而表现出行为生态学的特征。这样, 产学研合作创新策略选择问题的研究也可以采用进化博弈论方法。进化博弈论是把博弈理论分析和动态演化过程分析结合起来的一种新理论, 最初产生于行为生态学, 它从有限理性的个体出发, 以群体行为为研究对象, 合理解释了生物行为的进化过程。基于此, 本文在进化博弈理论的基础上, 借鉴已有的研究成果, 试图对产学研合作创新行为进行博弈分析, 以期能够丰富和发展产学研合作创新问题研究。
2 基本假设及模型建立
(1) 博弈方:
本文将博弈方划分为两类, 一类是企业, 另一类是从事研究开发活动的高校与科研院所, 简称学研方, 且博弈双方满足有限理性假设。
(2) 策略:
无论是对于企业还是对于学研方来说, 其创新策略都可以是合作, 也可以是不合作, 因此企业与学研方的策略选择空间都是 (合作, 不合作) 。
(3) 支付矩阵:
企业与学研方的支付矩阵如图1所示。
支付矩阵的含义:①当企业与学研方都选择不合作, 即单独进行创新活动的条件下, 企业与学研方均能够获得一定的创新收益, 假定此时企业获得的收益是R, 学研方获得的收益是U。②当企业选择合作而学研方采取消极的不合作策略时, 假定企业获得的收益是R-a, 学研方获得的收益是U+b, 其中:a表示企业合作研发花费的成本, 如资金投入、人力支持和物力消耗等;而学研方在采取消极不合作策略时除能从单独创新活动中获得收益U外, 还能额外从积极合作的企业方获得收益b。③当企业选择不合作而学研方积极合作时, 假定企业获得的收益是R+m, 学研方获得的收益是U-n, 其中:m表示企业因学研方的积极合作策略而获得的额外收益, 如因创新成本和风险降低、创新速度加快等获得的收益;而学研方在选择积极合作策略情况下其创新成果并未从消极不合作的企业方获得合理的回报, 该差额用n表示。④当企业与学研方均采取积极的合作策略时, 假定企业获得的总收益是R+m+e, 学研方获得的总收益是U+b+f, 其中:e和f均表示博弈双方因采取积极的合作创新策略使得双方都能通过积极的人才技术支持、更多的市场机会和快速的信息反馈等创新效率提高而获得的收益。
(4) 行为策略的采取概率:
假设在博弈的初始阶段企业采取合作策略的概率为x, 则选择不合作策略的概率为1-x;学研方选择合作策略的概率为y, 则选择不合作策略的概率为1-y。
3 进化博弈模型分析
根据上述假设及支付矩阵, 可以得到企业采取积极合作策略的期望收益为:
UE1=y (R+m+e) + (1-y) (R-a)
企业采取消极不合作策略的期望收益为:
UE2=y (R+m) + (1-y) R
因此企业的平均期望收益为:
undefined
同理, 可得学研方采取积极合作策略的期望收益US1、采取消极不合作策略的期望收益US2和平均期望收益undefinedS分别为:
undefined
根据进化博弈均衡中的复制动态方程undefined, 企业和学研方的复制动态方程为:
undefined
根据微分方程的稳定性定理及进化稳定策略的性质, 进化博弈的稳定状态必须满足条件:F (x*) =0, F′ (x*) <0, 由此可得如下表1。
由表1可知, 本文中进化博弈的进化稳定策略 (ESS) 仅有两个 (0, 0) 和 (1, 1) , 即 (不合作, 不合作) 和 (合作, 合作) ;另外, 该进化系统还存在两个不稳定的均衡点和一个鞍点。
该进化博弈系统最终收敛到哪个策略取决于系统的初始状态 (x0, y0) 。 在博弈开始时, 如果 (x0, y0) 位于鞍点的右上方, 即企业以大于n/ (f+n) 的概率选择合作创新策略, 同时学研方也以大于a/ (e+a) 的概率选择合作创新策略, 该博弈将收敛于进化稳定策略 (1, 1) , 积极合作策略将成为企业和学研方的必然选择。
在博弈开始时, 如果 (x0, y0) 位于鞍点的左下方, 即企业以小于n/ (f+n) 的概率选择合作创新策略, 同时学研方也以小于a/ (e+a) 的概率选择合作创新策略, 该博弈将收敛于进化稳定策略 (0, 0) , 消极不合作策略将成为企业和学研方的必然选择。
在博弈开始时, 如果 (x0, y0) 位于鞍点的左上方, 即企业以小于n/ (f+n) 的概率选择合作创新策略, 而学研方则以大于a/ (e+a) 的概率选择合作创新策略, 该博弈最终收敛于何种稳定策略取决于企业选择合作与不合作两种策略时的收益情况。比较两种情况下的收益:UE1-UE2=y (e+a) -a>0, 其中y>a/ (e+a) , 即企业选择合作策略时的收益大于选择消极不合作策略时的收益, 因此在博弈初始时选择不合作策略的企业通过模仿和学习, 自然会选择收益大的策略;随着时间的推移, 企业选择合作创新策略的概率会越来越高, 于是博弈进入鞍点的右上方并最终收敛于进化稳定策略 (1, 1) 。根据对称性, 同样可以得出:如果 (x0, y0) 位于鞍点的右下方, 博弈最终也收敛于进化稳定策略 (1, 1) 。
以上关于系统初始状态与收敛点的关系分析可以用图2表示。
从图2可以明显地看出, 如果初始状态 (x0, y0) 位于阴影部位, 则系统将收敛于稳定策略 (0, 0) , 反之系统将收敛于稳定策略 (1, 1) 。因此, 为了使系统收敛于稳定策略 (1, 1) 的概率增加, 必须尽可能减小阴影部分的面积, 这可以通过参数调整使得a和n尽量小、e和f尽量大, 从而鞍点位置向左下方移动来实现。
4 模型参数分析及建议
从模型分析部分可知, 影响博弈均衡的因素主要有四个, 即a, n, e, f.
(1) 参数a表示企业参与合作创新花费的成本, 如资金投入、人力支持和物力消耗等。当a增加时, 学研方获得的资助越多, 相应地企业的成本增加、风险增大, 企业选择合作创新的可能性就会越来越低, 从而鞍点向右上移动, 系统进化至均衡点 (0, 0) 可能性也越大。
(2) 参数n表示学研方选择积极合作策略情况下其创新成果并未从企业方获得合理回报, 如市场环境和法律法规的不完善使得企业不需要支付给学研方相应的费用就大肆应用甚至剽窃学研方的创新成果, 给学研方带来损失。当n增加时, 鞍点向右移动, 即学研方选择合作策略的可能性变小, 系统进化至均衡点 (0, 0) 的可能性增大。
(3) 参数e和f均表示企业和学研方都选择积极合作策略时, 由于创新环境改善、信息反馈和创新速度加快等获得利润。当e和f增加时, 无论是企业还是学研方通过模仿和学习, 都愿意选择积极合作的创新策略, 即博弈系统最终会进化至均衡点 (1, 1) 。政府可以通过推行支持产学研合作创新的优惠政策, 间接地使得企业和学研方在选择合作策略时获得的利润e和f更大。
结合以上分析, 可以从以下三个方面入手来激励企业和学研方都采取积极合作的创新策略:第一, 建立产学研合作创新的利益共享和风险共担机制。采取提成、技术入股或技术持股等分配方法, 将学研方应得报酬与企业的经济效益挂钩, 减少企业的风险;另外在研发过程中, 企业与学研方要互相参与, 分配研发费用和风险。第二, 完善产学研合作的法律法规建设。建议制订有关合作创新的法律和法规, 对合作创新中不同主体之间的权利和义务关系进行规范, 对在知识产权和利益分配中出现的纠纷的处理作出明确规定, 以引导和鼓励不同主体开展合作研究, 为合作研究提供法律保障。第三, 完善产学研合作创新的优惠政策体系, 为产学研合作创新提供各种财税优惠政策、激励科技人员以及投融资等方面的优惠政策。
5 结论
本文通过构建进化博弈模型, 从理论上分析了产学研合作创新过程中企业与学研方的策略选择问题。分析结果表明, 系统的初始状态即博弈开始时双方各自选择合作策略的概率并不是企业与学研方最终策略选择的唯一决定因素, 双方最终选择何种策略, 还受到外部因素的重要影响, 如利益分配、风险分担、知识产权保护和政府优惠政策等, 通过调整这些外部因素, 可以在系统初始状态不变的情况下使得系统以更大的概率收敛于双方都愿意积极合作的理想状态。因此, 对于这种情况, 应当通过建立利益和风险共担机制, 完善法律法规建设, 完善产学研合作创新的优惠政策体系来激励企业与学研双方进行合作创新。
摘要：以进化博弈的复制动态方法为工具, 构建了进化博弈模型, 从理论上分析了产学研合作创新过程中企业与学研方的策略选择问题。分析结果表明, 双方最终选择何种策略不仅取决于系统的初始状态, 还受到外部因素的决定性影响。因此, 应当通过建立利益共享和风险共担机制, 完善法律法规建设, 完善产学研合作创新的优惠政策体系来改善外部环境, 从而更好地激励企业与学研双方进行合作创新。
关键词：进化博弈,产学研,合作创新
参考文献
[1]VEUGELERS R, CASSIMAN B.Make and buy in innovation strate-gies:evidence from Belgium manufacturing firms[J].Research Poli-cy, 1999 (1) :63-80.
[2]MAYNARD SMITHJ.The theory of games and the evolution of animalconflict[J].Journal of Theory Biol, 1974 (47) :209-212.
[3]FR IEDMAND.Evolutionary games in economics[J].Economietri-ca, 1991 (59) :637-666.
[4]谢科范, 刘海林.产学研合作共建研发 (R&D) 实体的博弈分析[J].科技政策与管理, 2006 (10) :27-30.
[5]荣四海.基于创新生态链的产学研合作模式研究[J].郑州大学学报, 2007 (5) :66-68.
[6]杨得前.产学研合作的演化博弈分析[J].科技进步与对策, 2007 (5) :29-32.
[7]王金柄.博弈论的发展历史和基本内容[J].理论探索, 2007 (5) :1-2.
[8]王学民.应用多元分析[M].上海:上海财经大学出版社, 1999.
[9]吴勇, 陈理飞.基于产业集群的产学研合作创新博弈分析[J].决策参考, 2008 (24) :44-46.
[10]罗德明, 张钢.产学研合作创新中的激励问题[J].科学管理研究, 1996 (2) :59-66.
LP640到LP663的进化等 篇2
面对更大的功率和扭矩输出Murcielago LP640的6前速手动变速器也经过改装，换上强度更高的差速器和半轴。兰博基尼E-gear自动变速器配备了被称为Trust的新管理程序采用全时四驱系统。在没有任何电控原件的情形下，可靠的Viscous Traction粘性传动系统即可完全自行工作。通常情况下动力在前后轴间以30：70的比例在前后轴间进行分配，并可将动力100％的传递到前轴或后轴。
改装版Murcielago LP640的全新控制系统运用了闭环控制技术，全车的所有信息都由3个主控制器和1个卫星控制器管理和控制。主控制单元由两个兰博基尼LIE发动机管理系统，GFA辅助控制系统和PMC发动机控制系统组成。这些系统都通过CAN Bus总线将其连接起来，实现高速数据传输。
插翅能飞9ff TRC 91
曹楠
保时捷总能给人惊喜，这次也不例外！保时捷的专业改装厂9ff这次给911turbo Cabriolet敞篷跑车装上了可以飞翔的翅膀，让驾驶者切肤感受风的力量！
外观上，这款车为提高进气量改变了前格栅，行李箱盖采用碳纤维材质，增加了车身空气动力套件，20英寸轮圈和制动力更强的刹车系统。
911 Turbo Cabriolet经过9ff的疯狂改装后变身成为全世界最快的敞篷跑车，命名为9ff TRC 91。9ff将3.6L发动机排量扩缸至4.0L，换上更强劲的进排气系统和涡轮增压器，运动空气过滤器、更大的喷油嘴、改进气缸盖和带有特制岐管的不锈钢排气系统以及高性能金属催化剂，使最大功率达到惊人的910hp，最大扭矩910Nm！配备9ff专门为这款车开发的双离合器变速器后，0～100km／h加速仅为3.1s，极速更高达392km／h！这已经打破RUFCTR3所造出的360km／h记录，令9ff TRC 91成为目前速度最快的改装保时捷。
变态鲨鱼ASMA CLS Shark II
曹楠
首先，你能辨认出这是什么车吗？我并非要在这里与大家“猜汽车”，不过奔驰CLS又被德国著名的改装厂ASMA的变态病毒感染了，进化出了更邪恶的CLS鲨鱼2代。银黑相间那恐怖的大嘴还是那么恐怖，甚至有点恶心。不过几天之后你也许还会说它很酷风格这东西就是令人捉摸不透。
ASMA为它换上了全新的车身套件，包括与鲨鱼嘴相匹配的带有加大进气道的前包围和有鳃状出风口的侧翼子板，换上侧裙边以及重新设计过的排气系统。如果肯多花4034欧元，这些部件还可以升级成碳纤维材料。改装后我们可以看到一个全新的，以铬合金为材料制成的前脸，好似一个正在深海觅食的鲨鱼，这让ASMACLS Shark II拥有了更加运动更加个性化的气质。
这辆“鲨鱼”选用20英寸轮圈，还可选择8条辐或多条辐，银色或黑色款式。该车前后分别装备米其林255mm和295mm宽胎。车轮与车身之间不必要的空隙可以通过降低35mm车身来解决当然为此你还要多掏1535欧元。
梅赛德斯63 AMG专用 BRABUS B63 S发动机
著名的改装公司Brabus向来都看不惯奔驰车的动力表现，所以他们认为AMG63车款同样不够霸气，于是开发出全新的663 s动力套件。让所有梅赛德斯63 AMG车型获得更强劲动力，将高转数6.2L V8发动机动力输出增大至550hp，扭矩650Nm。
BRABUS动力配件包括全新的发动机ECU程序，改善喷油及点火程序；装上高性能空滤，加大空气供给量。排气方面配备高性能金属催化装置，并保持低回流压力，保证修改后V8发动机仍然达到欧IV废气排放标准。同时我们可以看到更加霸气的车头，富有侵略性的6辐黑色轮圈，相当有战斗味道。在内装上采用Mastik皮革与Alcantara麂皮的精致内装使这辆车黑酷且动力十足不失运动感！
在Brabus的调校下，CLS 63 AMG变成一辆真正超级跑车，0～100km／h为4．3s，极速330km／h。
嘉实多携手长安福特车队竞速CCC
7月7日，2007全国汽车场地锦标赛(CCC)在上海国际赛车场拉开序幕，同属BP集团属下的BP燃油和嘉实多润滑油共同赞助了长安福特车队，争取在去年辉煌战绩的基础上再创佳绩。
作为长安福特车队的合作伙伴以及指定燃油／润滑油供应商，BP和嘉实多将一如既往地为长安福特车队提供强有力的技术支持。在2006年全锦赛2000cc组的比赛中，长安福特车队在BP燃油及嘉实多润滑油的共同赞助下，战绩显著，取得3个分站亚军、两个分站冠军，车队年度排名第二的好成绩。
长安福特车队车手李万祺表示：“嘉实多机油的卓越表现和专业技术能将磨损保持最低程度，令赛车和车手的潜能在比赛过程中得到充分发挥。在比赛过程中，我明显感到使用嘉实多机油的发动机更加得心应手，不仅降低了噪音，而且能够充分的提升动力。”
比赛结束，长安福特车队的何晓乐勇夺2000cc组的第三名，为车队的新赛季开了个好头。
AGF 6月16日北京金港揭幕
中国人自己的方程式赛事—一亚洲方程式国际公开赛(AGF)07赛季，于6月16日在北京金港汽车公园开幕。
在06赛季的运作后，AGF在赛车研发、车手培养、招商等方面都积累了不少经验。值得一提的是，07赛季的AGF将由CCTV-5全程直播，同时还将有5～10家知名门户网站进行同步视频直播。
早在今年2月底，就有100多家国内外企业有赞助AGF的意向，经过全方面的衡量和筛选，AGF组委会最终确定了以下几家：米其林，日产嘉禾、史丹利、爱国者、分众、百度、腾讯、品牌中国等。
自去年AGF首次开赛至今已开办了七期方程式赛手培训班，已有近100名学员圆满完成了培训，大部分赛员顺利拿到了中国汽车
运动联合会(FASC)颁发的D临以及D级驾照。此次参加07赛季AGF的选手将通过多轮筛选最后锁定为成绩优秀的前20名车手。在这20名车手身上，我们看到了AGF“大众化，平民化”运动的精髓，不论男女老少，不论职位贵贱，均有机会参与到AGF当中，圆车手梦。
参加决赛的车手阵容不容小觑：首位AGF巾帼车手崔磊与其堂兄崔刚强强联合，外籍车手Maslan、Raphael DeRy、何书伟当仁不让同台竞技，“中国舒马赫兄弟”朱戴维和朱胡安、去年珠海站冠军张大胜再度携手登场。
AGF 07赛季将在去年北京、珠海两站赛事的基础上，增加至4站，以便让更多的车迷充分领略AGF的别样魅力。
DTM诺里斯林站，奔驰包揽冠亚军
北京时间6月24日晚9点，2007赛季DTM德国房车大师赛在德国的诺里斯林街道上进行了第五回合的角逐。经过74圈的激烈争夺，奔驰车队的加拿大小将斯潘格勒在前007著名扮演者罗杰摩尔挥舞的格子旗下第一个冲过终点，获得了本赛季的首个分站赛冠军。至此，DTM本赛季的赛程已经完成一半，而前5站的分站冠军由5位不同的车手获得，其激烈程度可想而知。
获得本站亚军的则是同样来自奔驰车队的施耐德，自上站布兰兹哈奇获得冠军后，这位DTM德国车王凭借稳定的发挥再次登上领奖台，他也是本赛季至今可以每站均获得积分的唯一车手，而同时也登上了车手积分榜的首位。奥迪车手艾克斯托姆第三个冲过终点，凭借获得的6个积分在车手积分榜上紧随施耐德之后。
在周六的大雨过后，周日的正赛天气一片晴好。共有141，000名车迷到现场观赛。第22圈，劳达和埃克斯发生严重碰撞，赛会不得不出动安全车。车队紧急调整进站策略，最大的受害者是哈基宁，由于前几名靠的很近，芬兰飞人出站后丧失了有利位置。最终第二位出发的他仅获得第九名，未能取得积分。而驾驶2006款奔驰C级赛车的帕菲特则从中受益，获得第四名，他曾在这里于2004和2005年两度获得分站冠军。
三菱蓝瑟车队出征六盘水站拉力赛
即将到来的CRC六盘水站三菱蓝瑟万宇车队史无前例的派出8台车征战，车手阵容为上海站和北京站国际组全场冠军大卫辛吉斯、国内好手华庆先樊凡，加上新增车手：毛以孝、吴吉祥、谢丰泽、江衡、Brian Edwin Green可以看出，这是三菱蓝瑟万宇车队建队以来的最庞大阵容。
六盘水站比赛全程513kin其中特殊赛段约190kim。比赛共设10个赛段，赛道全部为砂石路面。今年开赛以来，三菱蓝瑟万宇车队在外援大卫辛吉斯的神勇表现和全队人员的齐心协力下一路过关斩将拿下了上海站全场冠军和北京站全场冠军、车队冠军“双冠王”的佳绩，在夺冠的道路上开了个好头，目前以总积分32分的成绩排在榜首，领先第二名6分、
李连杰助阵2007“壹基金”杯慈善房车赛
8月12日，2007“壹基垒”杯慈善房车赛将在上海国际赛车场正式上演赛事由FRD、上海市汽摩协会和上海国际赛车场共同组织将以C1(CHALLENAGE ONE)“超级赛车劲爆秀”的形式开展是一个集赛车飘移表演和明星互动的大型主题PARTY。以国际方程式挑战赛(IFC)、亚洲超级跑车挑战赛和飘移表演赛为主，还将穿插各项娱乐活动。
本次慈善赛事的最重头工作是为中国红十字会“李连杰壹基金计划”筹款，中国红十字会“博爱大使”李连杰在发布会上称，“壹基金通过此次慈善赛事一来可以让车迷在观赏赛事之外享受休闲娱乐；二来也可以让更多市民大众知道壹基金，支持臺基金。
本届赛事的明星阵容依然豪华，由李连杰担任领队，参与赛车的明星有孙楠林志颖、钟汉良、郭品超、李珊珊、钱嘉乐、高旗陈羽凡、郭涛、刘涛、王婧陈娟红等。
斯巴鲁中国拉力车队出击怀柔拉力赛
6月15日，斯巴鲁中国拉力车队在北京怀柔，宣布引进强力澳大利亚外援车手Dean并使用07款翼豹WRX STI SPEC C赛车参赛，这标志着经过充分准备的斯巴鲁中国拉力车队将强势出击怀柔拉力赛，向冠军发起冲击。
新外援曾获得世界汽车拉力锦标赛分站冠军，有着丰富的驾驶经验，他将和香港车手吕米高、中国车手李微并肩参加比赛。
斯巴鲁汽车大野圭表示，斯巴鲁汽车(中国)有限公司在今后的时期内将会继续全面支持和赞助斯巴鲁中国拉力车队，为推动汽车运动和汽车拉力文化在中国的发展做出努力。
开阳拉力赛8月鸣枪
2007年全国汽车拉力锦标赛的第四分站赛——“南江大峡谷杯”贵州开阳拉力赛将于8月4日～6日鸣枪。比赛由中国汽车运动联合会、贵阳市人民政府、贵州省体育局、贵州省旅游局主办，开阳县人民政府、贵阳市体育局、贵阳市旅游局、贵州省汽车摩托车自行车运动协会承办，贵州开阳南江大峡谷旅游有限公司冠名。
开阳拉力赛的全程距离约600km，其中包括143.36km的比赛路段，9个赛段设置与去年完全相同，全部为砂石路面。开阳拉力赛地形起伏小，路面相对平整，速度偏快。因为每年拉力赛路段多集中于风景如画的景区，开阳拉力赛也被誉为“最美的角逐”。
今年是开阳连续第二年举行拉力赛。拉力赛的主题是“动感之约”，也是“森林之城、魅力贵阳——2007首届中国(贵阳)避暑节”的系列活动之一。
2007福田欧曼·欧康杯全国卡车大赛青岛站
6月17日至20日，2007福田欧曼·欧康杯全国卡车大赛在青岛进行了一场分站赛。
6月19日的预赛，刘从专脱颖而出。在34进8的比赛中名列第四，成为最大黑马，这已经平了宁波站比赛李鹏程的记录。在接下来的8进4半决赛中，刘鹏程战胜了曾经两获卡赛年度总冠军的侯红宁，排名第二，昂首进军决赛。6月20日的决赛中，被寄予厚望的刘从专没能更进一步，但是对于他来说，预赛中取得的佳绩已经足够优异。在另一项中欧冠军挑战赛中，挑战者辛克俊是青岛当地选手中成绩最好的，而对于欧洲冠军奥利弗来讲，本次比赛也将是一个挑战，他并不熟悉中国卡车大赛专用赛车的性能和赛道情况。比赛在雨中进行，一出发，辛克俊紧跟奥利弗，这似乎让人们看到了其获胜的希望，但是接下来欧洲卡赛冠军的技术和经验优势一下子就充分体现了出来，奥利弗对复杂赛道的应变能力以及其本身具备的超级掌控能力，让他最终笑到了最后。
勒芒赛，米其林10连胜
第75届勒芒24小时耐力赛在超过25万观众的瞩目中落下帷幕，奥迪车队携手米其林独占鳌头。在这场地球上最艰苦的场地赛中，全场52辆赛
车中有39辆装配着米其林轮胎。在LMP2组中，米其林与巴拉兹车队携手摘得桂冠；在GTI组中，米其林再度风光尽显，阿斯顿马丁车队勇夺冠军并包揽前5；在GT2的比赛中，米其林Imsa Performance车队同样战绩辉煌，成功击败了Risi Competizione车队。此外，使用米其林轮胎的赛车还包揽了此届勒芒24小时耐力赛总成绩的前3名，成功续写了自1988年以来的骄人战绩。至此，米其林作为轮胎制造商在耐力赛中，第16次大获全胜，以及1998年至今的10次连胜。本届比赛，米其林为合作车队提供了8000条轮胎(合计重量为100吨)和80位工作人员。
佳通轮船东方车队备站“凉都”
素有“中国凉都”之称的贵州六盘水一直都是汽车赛事倾心的“主战场”，连续3年的全国汽车拉力锦标赛分站赛都在这里火热开战。在上海金山站、北京怀柔站过后，第三站六盘水成为了2007全国汽车拉力赛各车队的兵家必争之地。无论是想要收复失地，还是拉大积分差距，本年度竞争最为激烈的一场汽车拉力赛即将拉开帷幕，精彩的角逐即将上演。佳通轮胎车队为了迎战六盘水比赛，已投入了巨额的资金，请外籍技师重新做了一个更适合云贵高原地区的发动机，更换了新的直齿变速器和最新款PROFLEX特别版减振，还对全车进行了检测和调试，保证赛车的最佳战斗状态。
程丛夫首站蒙扎赛道
《合作的进化论》等 篇3
校企合作是培养人才的有效途径。国外主要有企业导向模式和学校导向模式两种校企合作模式[6]。 这些模式注重理论和实践紧密结合,如德国的“双元制”专为学生毕业后直接上岗工作而设计[7]。我国校企合作培养人才的实践上也有一定成果,如IT人才的培养[8]等。同时,部分学者也对人才培养模式进行了相关研究,如“1.5+2.5”模式[9]、“ABC-KAQ”模式[10]等。总体而言,现有研究多为静态分析,且研究对象多为应用型而非创新型人才。
本文认为,创新型人才的培养需要高校和企业共同合作。双方合作决策的选择并非一成不变,而是在合作过程中相互影响,持续演变;此二者往往在一段时间内稳定且具有延续性,类似于生物基因的遗传性;高校和企业与生物体一样,是有限理性的个体。 因此进化博弈理论可以较好地模拟这一动态过程。 故本文拟构建校企合作培养创新型人才的进化博弈模型,从而研究校企合作培养创新型人才的相关规律。
1假设与模型
1.1基本假设
校企合作属于两种利益主体间的交易,因此存在交易成本(transaction cost)。交易费用理论认为,区分交易的主要标志为资产专用性(asset specificity)、不确定性(uncertainty)以及发生的频率(frequency)[11],因此可将交易成本TC视为这三者的函数,即TC=TC(s,u,f),且 。交易成本分为事前成本和事后成本,校企合作中的交易成本可具体分为场地建设成本、指导成本、管理成本、搜索成本、沟通成本、履约成本等,这些成本散布于图1所示的企业与高校行动流程图中。企业与高校在已收集的基础上决定是否有合作意向,若有则积极寻找合作对象,继而协商合作协议,之后执行、终止协议,然后对合作的绩效进行评估,作为下一轮决定校企合作意向的信息;若无合作意向则等待对方行动,对方主动沟通则继续协商流程,无行动则维持现状,经过绩效评估后开始新的信息收集流程。记TC(i,j)s与TC(i,j)e分别表示不同合作意向下高校和企业所承担交易成本的现值,其中i,j∈{0,1},且i=0.1分别表示高校无/有合作意向,j=0,1分别表示企业无/有合作意向。
结合交易成本理论,本文对一个校企合作培养周期内的时间阶段进行了划分,如图2所示。为计算方便,设正式签订协议的时刻t0=0为基点,ta、tb、tc、 tn、tN分别为开始信息收集、对象搜寻、沟通协商、正式雇佣以及人才流失的相对时刻。需要注意的是,图2表示的是高校或企业合作意愿积极时的情况。当不愿积极合作时,高校或企业不会主动寻找合作对象,故无“对象搜寻”阶段,也无须承担相应的成本。 另外,企业选择从人力资源市场雇佣所需的创新型人才,则无合作培养人才的阶段,且对象搜寻和沟通协商的对象由高校变为人力资源市场中的创新型人才。
Becker认为在职培训可分为通用培训(general training)和专用培训(specific training)[12]。通用培训以通用的知识和技能为主,即接受该培训的人才可以将所学内容运用于其他企业,因此接受此种培训人员的薪酬会随所掌握知识和技能量的增加而增加;专用培训则以专用的知识和技能为主,即接受该培训的人才无法将所学内容运用于其他企业,因此接受此种培训人员的工资不会增加。考虑到高校的优势在于规模化培养人才,而企业参与校企合作的目标之一就是培养专为本企业所用的创新型人才,本文认为Becker的理论可推广到校企合作培养创新型人才的研究,高校和企业共同承担通用培训和专用培训,且高校开展通用培训能力较高,企业开展专用培训能力较高。
校企合作培养创新人才属于演化博弈。本文在此做出如下假设:
1)高校和企业都追求收益最大化,且都是有限理性的;
2)校企合作培养创新型人才的过程中存在交易成本;
3)高校和企业分别以通用知识和专用知识为主培养创新型人才;
4)通用知识能提高创新型人才的薪酬,而专用知识无法提高薪酬;
5)任意一种合作中的创新型人才都是同质的。
1.2模型构建
考虑高校和企业都不积极合作的情形。此时高校不会主动寻求合作,其收入也不会发生变化,故高校的期望收益us(0,0)=0。企业同以往一样从人力资源市场雇佣所需人才,其收支也不发生变化,故企业的期望收益ue(0,0)=0。
考虑高校积极寻求合作而企业消极被动的情形。 这就是校企合作通常采用的“订单式”合作模式。在这种模式中,企业向高校提供资金S2,高校则根据企业的要求培养满足一定标准和数量的创新型人才,这类人才主要掌握通用的知识和技能。高校培养的总成本为Ks,整个过程的交易成本为TCs(1,0),故高校的期望收益us(1,0)=-TCs(1,0)-Ks+S2。培养期满后,企业以δWt的薪酬正式雇佣这些人才,其边际收益提高到 βMPt,因此企业的期望收益ue(1,0)为:
考虑企业主动寻求合作而高校消极被动的情形。 这种合作形式在实际中比较少见,也未见有对此的专门研究。这种模式的本质在于企业将高校视为人力资源市场的替代,从而降低搜寻培养对象的成本。在这种模式下,高校只需提供给企业符合一定标准和数量的学生,即可获得企业的资助S2,所承担的交易成本为TCs(1,0),故高校的期望收益us(1,0)=-TCs(1,0)+ S2。企业单独对高校提供的学生开展以专用知识和技能为主的培养工作,其成本为Ks,在此期间支付学生实习报酬wt,企业获得γ’mpt的边际收益;培养期满后这些学生作为正式员工进入企业,利用所学的创新知识和技能为企业创造γMPt的边际收益,企业为其支付Wt的薪酬,整个过程的交易成本为TCe(1,0),故企业的期望收益为ue(1,0):
考虑高校和企业都积极合作的情形。这种合作模式又被称为“战略联盟”,此时的企业不仅提供资金、场地等的支持,也积极参与到如课程设计、顶岗实习等具体的培养工作中去。在这种模式下,高校接受企业的资助S1,并承担总培养成本K中的θ部分用于教授通用的知识和技能,整个过程的交易成本为,故高校的期望收益us(1,0)=-TCs(1,0)-θK +S1。企业承担剩余的培养成本(1-θ)K用于教授专用的知识和技能,期间支付给学生δ’wt的实习工资,获得α’mpt的边际收益;培训期满后,企业正式雇佣这些人才,提供的薪酬提高至δWt,并得到αMPt的边际收益,整个过程的交易成本为TCe(1,0),故企业的期望收益ue(1,0)为:
根据上述计算,可以得到高校和企业的收益矩阵,如表1所示。
设x(x≥0)为高校积极寻求合作培养创新型人才的概率(即高校合作培养创新型人才的积极性), y(y≥0)为企业积极寻求合作培养创新型人才的概率(即企业合作培养创新型人才的积极性),则可以根据收益矩阵计算出高校积极寻求合作培养创新型人才时的收益usc,以及不寻求合作时的收益usn:
同理,可以计算出企业积极寻求合作培养创新型人才时的收益uec,以及不寻求合作时的收益uen:
把上述结果代入动态复制方程,可得:
记
令F(x)=0,可得x的两个稳定状态x1=0,x2=1,以及一个关于y的解:
令G(y)=0,可得y的两个稳定状态y1=0,y2=1,以及一个关于x的解:
2模型分析
2.1进化稳定策略的求解
进化稳定策略(ESS)要求达到稳定状态时动态复制方程关于 自变量的 导数小于0,即必须满 足F’(1)<0,G’(1)<0,才能使高校和企业的进化稳定策略为{积极合作,积极合作}。根据1.2的计算结果,可知
这两个不等式必须在x→1及y→1的情况下同时成立。把x=1,y=1分别代入,可以得到关于高校和企业收益的不等式:us(1,1)-us(0,1)>0,以及ue(1,1)- ue(1,0)>0。这说明,只有在积极合作的收益大于消极等待对方寻求合作的收益时,高校和企业的积极性才能被调动。其过程具体可分为四种情形。
1)当us(1,0)>0,ue(0,1)>0时,有F′(0)=ue(1,0)> 0,G′(0)=ue(0,1)> 0,则存在唯一的进化稳定策略ESS= (1,1),即对于任意一点P(x,y)∈ {(x,y)|0 ≤x≤1,0≤y≤1},都会向点(1,1)演化,如图3所示。其中,横向箭头表示x的演化方向,纵向箭头表示y的演化方向。
2)当u(1,0)s>0,u(0,1)e<0时,有F’(0)>0,G’(0)<0,且存在x*"[0,1],使得G’(y)=0。此时,依然存在惟一的进化稳定策略ESS=(1,1),对于任意的x*"[0,1],都会向x=1演化;而当x
3)当us(1,0)< 0,ue(0,1)> 0时,有F’(0)< 0, G’(0)>0,且存在x*∈[0,1],使得G’(0)=0。此时,依然存在惟一的进化稳定策略ESS = (1,1),对于任意的y∈[0,1],都会向y=1演化;而当y
4)当us(1,0)< 0,ue(0,1)< 0时,有F’(0)< 0, G’(0)<0,此时存在两个进化稳定策略(0,0)和(1, 1),且存在x*,y*"[0,1],使得F’(x)=G’(y)=0。 当y
2.2实现理想情形的条件分析
因为在情形一中,不论高校和企业最初的合作意愿如何,最终都会演化为{积极合作,积极合作}的进化稳定策略,属于最为理想的情形,所以本文重点研究这一情形,讨论在这种情形下如何提高演化速率。 情形一所需满足的四个条件:us(1,1)-us(0,1)>0,ue(1,1)-ue(1,0)>0,us(1,0)>0,ue(0,1)>0,下面将逐一分析。
展开us(1,1)-us(0,1)> 0,整理得 - (-TCs(1,1)-TCs(0,1))+(S1-θK -S2)>0。可见,“战略联盟”的模式下,高校所承担的交易成本TCs(1,1)、双方承担的培养成本K、高校所分摊培养成本的比例θ越低,获得的资助金额S1越高,us(1,1)-us(0,1)的差越大,因而 φ(y)越大,故对与每一个(0,1)内的x,其F(x)值也越大,即x向x =1的演化速度越快。展开ue(1,1)- ue(1,0)>0,整理得:-(-TCe(1,1)-TCe(1,0))-[S1+(1 -θ)K-S2]-δ′Wn+α′mpn+(α-β)MPN>0。可见,“战略联盟”的模式下,企业所承担的交易成本TCs(1,1)、双方承担的培养成本K、企业所分摊培养成本的比例(1-θ)、所提供的资助金额S1、实习期支付的工资δ’wn越低,合作培养在实习期内的效果α’越高,合作培养比高校单独培养成效(α-β)越明显, ue(1,1)-ue(1,0)的差越大,因而ω(x)越大,故对与每一个(0,1)内的y,其G(y)值也越大,即y向y=1的演化速度越快。
展开u(1,0)s>0,整理得-TC(1,0)s-Ks+S2>0。可见,“订单式”的培养模式下,高校所承担的交易成本TC(1,0)s、所承担的培养成本Ks越低,获得的资助金额S2越高,u(1,0)s的值越大,因而φ(y)越大,故对与每一个(0,1)内的x,其F(x)值也越大,即x向x=1的演化速度越快。
展开u(1,0)s>0,整理得-TC(0,1)e-S3-Ke-wn+δ′mpn-WN+γMPN>0。可见,企业单方面积极寻求合作时所承担的交易成本TC(0,1)e、所承担的培养成本Ke、所提供的资助金额S3越低,创新型人才培养的效果γ’和γ越明显,u(0,1)e的值越大,因而ω(x)越大,故对与每一个(0,1)内的y,其G(y)值也越大,即y向y=1的演化速度越快。
3结论与展望
由于高校和企业都是有限理性的,因此两者在选择与对方合作培养创新型人才的策略时存在演化过程。研究表明,对高校而言,合作的交易成本和创新型人才的培养成本越低,在合作过程中获得的支持力度越大,高校越容易倾向于积极与企业合作培养创新型人才;而对企业而言,合作的交易成本、培养成本, 以及企业因资助高校而承担的财政压力越低,所培养创新型人才的绩效越显著,企业越倾向于积极与高校合作培养创新型人才。
《合作的进化论》等 篇4
目前, 已有许多学者利用古典博弈理论的合作博弈与非合作博弈理论对企业间的合作问题进行了深入的探讨, 并在实践中得到了具体的应用。但实际上, 在很多情况下参与博弈各方一般不具备准确的判断和预测能力, 在博弈时只能作出符合有限理性而非完全理性的决策, 即很难实现自身利益的最大化。博弈各方只有通过在博弈中的不断学习, 才能决定采取何种策略, 以实现自身利益的最大化, 并在一定程度上保持这一状态, 其博弈实质更多地属于进化博弈的范畴。因此, 本文将运用进化博弈的理论来研究和讨论医药生产企业与批发企业之间的合作关系。
1 问题描述
医药制造企业为集中人力、物力、财力拓展医药研发与生产等核心业务, 进一步提升自己的行业竞争力, 有动力把医药的销售业务实施外包, 而与医药批发企业实施联合;医药批发企业基于丰富医药销售品种, 完善销售网络, 实现规模经济, 也有与医药制造企业合作的动机。但是合作的基本动力来源于对利益的考量, 即博弈双方只有在有利可图的情况下, 才会采取合作的策略, 否则, 将采取不合作的策略。博弈双方采取合作策略的基本前提是其合作收益不能低于各自的保留收益, 即采取不合作策略时的收益。在这一前提下, 博弈双方各有两种策略选择:合作与不合作。医药生产企业和医药批发企业各自在博弈中进行学习, 并理性地选择符合自己利益的策略, 而最终进化到一种稳定的状态。
2 模型相关假设
(1) 把医药制造企业设为企业1, 医药批发企业设为企业2, 他们在合作中都是有限理性的。
(2) 企业1和企业2的保留收益分别为R1, R2, 即当他们采取不合作策略时的各自收益。
(3) 企业1和企业2双方的合作成本分别为C1, C2, 因合作带来的额外总净收益为T, 显然, T>C1+C2。
(4) 收益T在医药制造企业和医药批发企业之间进行分配, 其分配比例分别为θ、1-θ, 且满足θT>C1、 (1-θ) T>C2, 这是企业合作的基本前提, 其中, 0<θ<1。
(5) 企业1和企业2选择合作的比例分别为x, y, 则选择不合作的概率分别为1-x, 1-y, 其中0
3 进化博弈模型
根据上述假设, 可以得出, 在非对称情况下, 企业1和企业2分别采取合作与不合作策略时的静态得益矩阵, 如下表所示。
由于企业1采取合作策略的概率为x, 采取不合作策略的概率为1-x;企业2采取合作策略的概率为y, 采取不合作策略的概率为1-y, 可以得出博弈双方的期望收益。
企业1采取合作策略的期望收益U11为:
U11=y (R1-C1+θT) + (1-y) (R1-C1) =θTy+R1-C1 (1)
企业1采取不合作策略的期望收益U12为:
U12=yR1+ (1-y) R1=R1 (2)
则企业1的平均收益1为:
1=xU11+ (1-x) U12=θTxy+R1-C1x (3)
由式 (1) 和式 (3) 可以得出企业1选择合作策略的复制动态方程为:
由于复制动态方程的进化稳定策略 (ESS) 必须同时满足以下两个条件:
undefined
根据式 (4) 、式 (5) 可知:
当undefined时, F (x) ≡0, 这表明∀x∈[0, 1]都处于稳定状态, 用相位图表示为图1。
当undefined时, 则x*=0和x*=1是两个稳定状态, 其中当undefined时, F′ (0) >0, F′ (1) <0, 因此, x*=1是ESS, 用相位图表示为图2;当undefined时, F′ (0) <0, F′ (1) >0, 因此, x*=0是ESS, 用相位图表示为图3。
同理, 可以求得企业2采取合作策略的期望收益U21, 采取不合作策略的期望收益U22以及企业2的平均收益2, 如下式:
U21= (1-θ) Tx+R2-C2 (6)
U22=R2 (7)
2= (1-θ) Txy+R2-C2y (8)
联立式 (6) 和式 (8) 可以得出企业2选择合作策略的复制动态方程为:
undefined
=y (1-y) [ (1-θ) Tx-C2] (9)
根据式 (5) 和式 (9) 可知:
当undefined时, F (y) ≡0, 这表明∀y∈[0, 1]都处于稳定状态, 用相位图表示为图4。
当undefined时, 则y*=0和y*=1是两个稳定状态, 其中当undefined时, F′ (0) >0, F′ (1) <0, 因此, y*=1是ESS, 用相位图表示为图5;当undefined时, F′ (0) <0, F′ (1) >0, 因此, y*=0是ESS, 用相位图表示为图6。
将企业1和企业2选择合作策略的复制动态关系用一个坐标平面图来表示, 如图7所示。由图7中的箭头方向可以看出, 在这个非对称进化博弈过程中, x=0、y=0和x=1、y=1是这个博弈的进化稳定策略。当初始状态落在Ⅰ区域时, 即当undefined时, 博弈会收敛到进化稳定策略x=1、y=1, 即博弈方双方均采取“合作”策略;当初始状态落在Ⅲ区域时, 即当undefined时, 博弈会收敛到进化稳定策略x=0、y=0, 即博弈方双方均采取“不合作”策略;当初始状况落在Ⅱ和 Ⅳ两个区域时, 博弈有可能收敛于进化稳定策略x=1、y=1, 也有可能收敛于进化稳定策略x=0、y=0, 而最终的结果取决于各博弈方的学习速度。从以上讨论可以看出, 博弈方选择不同的初始状态, 将导致不同的均衡结果。
4 博弈结果的进一步讨论
从上述分析可以得出, 为了提高医药生产企业与医药批发企业的合作成功率, 就必须使合作双方选择的初始状态尽可能多地处于Ⅰ区域。当Ⅰ区域的面积 (SI) 越大, 则博弈双方选择合作策略的概率越大, 即收敛于进化稳定策略x=1、y=1的概率越大。根据图7可以得出:undefined。由前述假设条件 (4) 可知, undefined, 从而可以得出:
undefined
undefined
undefined
从以上各式可以得出, 当博弈双方的分配比例θ一定时, SI是关于博弈双方合作成本C1, C2的减函数, 是关于合作额外净收益T的增函数。
5 结论
本文针对医药生产企业与医药批发企业合作关系的进化博弈进行了相关模型分析。研究表明, 医药生产企业与医药批发企业采取合作策略的概率与双方的合作成本成反比, 与合作产生的额外净收益成正比。这对医药供应链联盟实践中的合作关系研究有着十分重要的启示作用:①因合作产生的额外净收益的大小是影响双方联盟成功的重要因素。当其他因素不变, 合作带来较大的额外净收益时, 博弈双方向采取合作策略进化的概率越大, 合作也就越稳定。②博弈双方合作成本的大小也会对最终的进化稳定策略产生一定的影响。合作成本的降低有利于提高合作的成功率。在实践中, 选择在管理技术上、经营理念等方面具有较高相似性的企业进行合作, 其成功的概率会较大。同时, 合作额外净收益在博弈双方的合理分配也有利于提高合作的成功率。
参考文献
[1]肖条军.博弈论及应用[M].上海:上海三联书店, 2004 (7) .
[2]药品现代流通课题组.药品现代流通研究报告[M].北京:中国经济出版社, 2010 (9) .
[3]宋远方, 宋华.医药物流与医疗供应链管理[M].北京:北京大学医学出版社, 2005 (6) .
[4]卓翔芝, 王旭, 王振锋.供应链联盟合作伙伴关系的进化博弈研究[J].计算机工程与应用, 2010, 46 (1) .
[5]乔根·W·威布尔.演化博弈论[M].王永钦, 译.上海:上海人民出版社, 2007.
[6]Friedman, D.On economic applications of evolutionary game theory[J].Journal of Evolutionary Economics, 1998 (8) :15-43.
《合作的进化论》等 篇5
随着我国社会经济的发展和对基础设施投资力度的加大, 越来越多的大型工程项目开工建设, 如何在企业资源有限的情况下配置内外部资源, 使得进行的工程项目符合企业发展的战略目标, 已经成为大型工程项目管理的迫切需要。
近年来, 关于项目组合管理决策模型的研究成为热点问题, 但项目组合管理问题属于多目标优化问题, 这类问题解空间维数大且组合方案众多, 如何从中选择最优解成为一个难题。而遗传算法易于理解且鲁棒性强, 并具有在大范围内获取全局最优解的能力, 因此将遗传算法应用于项目组合选择决策是一种自然的解决方案。其中, 杜先进[2]建立了考虑相互影响的研发项目组合选择优化数学模型, 并提出运用遗传算法的宏观和微观策略进行求解;杜涛[3]借鉴双赌论选择遗传算法的思想, 建立了基于实数编码的项目组合规模决策遗传算法;张子力[4]在考虑投资额和工期两个因素的基础上, 建立了项目总体决策方案优选的成本最小化模型, 并采用遗传算法给予求解。
但上述研究没有建立多个项目多种相关性同时发生的项目组合选择模型, 并且由于项目间影响关系错综复杂, 用数学模型求解考虑项目间相互性的项目组合选择问题, 只能得到问题规模较小时的近似最优解。针对以上问题, 本文将合作协同进化思想融入到遗传算法中, 利用合作协同进化遗传算法 (Cooperative Co-evolutionary Genetic Algorithm, CCGA) 的多种种群间的协同合作, 获得工程项目组合管理模型的最优解, 并通过实例证明该算法的有效性。
2 工程项目组合管理的数学模型
2.1 模型假设条件
(1) 工程项目组合选择的目标是使得被选项目组合对企业的贡献最大, 但不同的决策者和利益相关者对项目组合目标的要求是不同的。本文以财务收益目标为研究对象, 因为只需结合不同的决策问题在目标函数上作相应处理, 就能将多目标相关性问题转化为单目标相关性问题进行处理, 对单目标模型的研究并不妨碍模型的适应性。
(2) 项目组合中项目之间的关系无外乎两种情况:相互竞争与相互合作。这两种关系实质上是一种协同进化关系, 项目组合通过协同进化的方式建立项目间的相关性。Hillis[5]在其宿主和寄生物模型中提出了合作协同进化思想, Potter和De Jong[6]针对多个合作交互子种群的物种协同进化机制进行了研究。本文在De Jong协同进化算法的基本框架下, 提出项目组合选择的协同进化方法, 把项目组合中单个项目作为一个种群, 利用算法中多个种群的协同进化实现组合方案的自动生成和多目标优化。
2.2 工程项目组合管理模型的建立
根据上述假设条件, 在不考虑项目相关性的情况下, 得到项目间相互独立的组合选择基本模型为:
其中, V (x) 表示项目总收益, n表示待选的项目总数, m表示项目xi需要m个工期, ic表示项目财务净收益的净现值, v
将项目组合中的收益、资源、工期和结果相关性考虑在内, 目标函数式 (1) 及其约束条件应该调整为:
其中
3 基于CCGA的工程项目组合管理模型求解
CCGA采用“分解—协调”“分工合作”的思想把一个复杂问题分解成几个部分分别求解[6]。在工程项目组合管理问题中, 将项目组合的各个施工阶段作为一个子种群, 每个子种群代表项目组合在各个阶段的一个可能组合方案解, 问题的完整解由各子种群的个体组合而成。子种群中的个体相对独立地进行进化 (包括选择、交叉和变异) , 只在评价适应度时与别的子种群发生联系, 个体的适应度表现为与其它各子群体中的个体的合作能力。因此, 在适应度值为非负数的情况下, 适应度越大, 个体与其它个体的合作能力越强, 得到的解越接近最优解。本文设计每个子种群中进化个体的适应度函数式为:
其中, F (i) 表示第i个个体的适应度, V
基于CCGA的工程项目组合管理的基本步骤如下:
(1) 读入原始数据, 包括目标函数 (2) 、阶段数、资源限制、预计收益、相关性参数以及各种约束条件;
(2) 将工程项目组合按阶段分类划分为3组, 每一组对应一个子种群, 并对每个种群进行初始化, 生成初始种群;
(3) 每个子种群内部独立地进行选择、交叉和变异操作, 生成进化种群;
(4) 进化子种群的个体与各子种群的代表个体合作, 进行个体迁移, 产生整个种群的进化个体;
(5) 根据适应度的大小更新进化个体, 保存最优个体并产生进化种群的代表;
(6) 判断是否完成一次完整的合作协同进化过程, 若未完成转步骤 (3) , 否则转步骤 (7) ;
(7) 判断是否满足中止条件, 若连续几次迭代目标函数值没有发生明显变化或达到最大迭代次数, 则停止优化, 否则转步骤 (3) 继续进行迭代。
以工程项目各阶段为子群, 基于CCGA的工程项目组合决策计算框架如图1所示。
4 实例分析
本文采用的实例包括10个工程项目, 每个项目分为3个阶段进行施工, 问题求解的目标是:在满足项目各阶段资源约束及项目间相关性的条件下, 使得项目组合收益最大。其中, 项目收益的净现值ic=10%, 其它相关参数见表1～表3。
CCGA采用实数编码, 问题的解由数组 (x1, x2…, x10) 表示。初始种群数目N=3, 子种群规模xM=20, 最大进化代数T=50, 交叉概率Pc=0.8, 变异概率Pm=0.1。选择算子和变异算子采用比例选择、单点交叉和基本位变异的方法执行遗传操作, 迭代终止条件是达到最大迭代次数。
以Matlab 7.8为仿真平台, 在Core2 T6600、2G内存配置的计算机上编程实现本文算法, 并对上述实例进行仿真, 得到目标函数最优值为298.67万元, 最优解为项目组合 (2, 3, 6, 8, 9, 10) 。为便于比较, 采用标准遗传算法 (GA) 与文献[2]中所述的改进遗传算法 (IGA) 对本文实例进行计算, 种群数目都设为20, 迭代次数为50次, 计算结果如表4所示。
由表4可以看出, 同GA和IGA相比, 本文提出的CCGA算法得到最优解的概率有所提高, 由于多个种群协同进化, 计算时间也有所减少, 而且得到的目标函数最优值也大于另外两个算法得到的最优值。由此可见, CCGA的效果是明显优于GA和IGA的。
5 结论
本文针对大型工程项目组合决策问题进行了研究, 提出将合作协同进化遗传算法 (CCGA) 应用于项目组合选择, 通过实例计算验证了算法的有效性和可行性, 表明CCGA算法在工程项目组合选择中有良好的应用前景。但由于CCGA算法是一种并行遗传算法, 单机实现限制了其并行优越性的发挥, 如何通过网络实现多机计算以提高其并行潜能是下一步研究的重点。
参考文献
[1]ERIK L, DAVID G.Matrix Management:Contradictions and In-sights[J].California Management Review, 1987, 126-138
[2]杜先进, 孙树栋, 王军强, 等.不确定条件下考虑相互影响的研发项目组合选择优化[J].计算机集成制造系统.2007, 13 (9) :1826-1832
[3]杜涛, 郭鹏, 梁俊俊.基于实数编码遗传算法的项目组合规模决策[J].工业工程与管理, 2007, 12 (03) :53-56
[4]张子力.基于遗传算法的工程项目投资方案优选模型.武汉大学学报, 2004, 37 (6) :44-47
[5]HILLISD W.Co-evolving Parasites Improve Simulated Evolution asan Optimization Procedure[J].Physica D, 1990, 42 (1-3) :228-234
[6]POTTER MA, DE JONG K A.Cooperative Co-evolution:An Ar-chitecture for Evolving Co-adapted Subcomponents[J].Evolution-ary Computation, 2000, 8 (1) :1-29
[7]SCHMIDT R L.A model for R&D project selection with combinedbenefit, outcome and resource interactions[J].IEEE Trans.Eng.Manage, 1993, 40 (4) :403-410.
[8]SANTHANAM R, KYPARISIS G J.A decision model for interde-pendent information system project selection[J].European Journalof Operational Research, 1996 (89) :380-399