学研单位最优投标模型及PSO计算.docVIP

学研单位最优投标模型及PSO计算 　　[摘要]在产学研的技术合作创新中,企业向学研单位购买科研技术成果是企业获得技术的一种重要手段,但由于企业与学研单位信息不对称,利益不一致,导致了许多产学研技术交易的失败。本文在此背景的基础上,借助金融学的风险管理理论,构建不完全信息下的学研单位最优投标模型,并引入粒子群优化算法(Particle Swarm Optimization,PSO)计算学研单位的非线性优化模型的参数,从而最终确定学研单位的投标策略,对学研单位的投标决策具有一定的指导意义。 　　[关键词]粒子群优化算法;产学研;投标模型 　　 　　一、引言 　　科学技术是第一生产力,科学技术推动经济社会发展的巨大作用和影响不仅来自科技本身的发展,更来自科技成果迅速转化为现实的生产力。产学研合作是企业与学术科研界为了共同实现创新目标而形成的合作交流活动,学研单位研发形成的新技术、新工艺等科技成果,通过专利许可或技术转让等交易方式转让给企业方,由企业进行产业化和市场开发。这种交易方式是将科技成果转化为现实生产力的重要途径。产学研合作的核心思想是通过合作与集成实现“双赢”或“多赢”的目标,在强调社会收益的基础上,实现每个成员的收益最大化。技术交易合作能在双方产生收益是产学研能够保持稳定长期合作的基础。 　　在此环境下,学研单位面临的一个重要问题就是自己的科研技术成果如何被企业方选中,同时获得最大的利润,实现风险最小而利润最大。从数学规划的角度看,学研单位面临的问题可以表述为:在等式或不等式的约束下,对目标模型的优化。学研单位的投标模型是一个典型的在不完全信息条件下的非线性的最优化问题,从最优化问题的求解角度来看,此类问题的求解方法可以分为两大类:(1)确定性的方法:文献介绍了分支界定法、牛顿搜索法、网络搜索法和惩罚函数法。(2)启发式方法:文献介绍了一种优化基因法,用以求解线性规划问题。本文在前人的研究成果上,利用粒子群优化算法(Particle Swarm Optimization,PSO)求解学研单位的投标模型最优化问题。PSO算法是由Kennedy和Eberhart博士于1995年受人工生命研究结果启发,而提出的一种基于群体智能的进化计算方法。PSO算法从提???到现在,受到了研究者的广泛关注,并在函数优化、聚类、预测理论中获得成功的运用。本文借鉴电力系统的投标模型,建立学研单位的投标模型,使用PSO算法,计算学研单位的最优投标参数。 　　二、模型的建立 　　1. 目标函数 　　为使问题简单化,本文模拟市场中有n家学研单位,每家学研单位只有一项可供交易的科研技术成果。那么学研单位需要给定的投标函数为: 　　(1) 　　记,其中是第i家学研单位的投标参数,是第i家学研单位的科研技术成果的价值。学研单位的成本函数为: 　　(为常量,每家学研单位都不同) (2) 　　那么学研单位的利润函数表示为: 　　(3) 　　其中是企业方考虑社会效率最大化或费用最小化,确定的技术交易价格。从式(3)可以发现,学研单位只要报高价就可以获得较高的利润,但同时也可能面临因报价高而不被企业方调度,从而需要承担一定的风险,所以学研单位的投标策略是涉及到兼顾风险的投标策略,本文假设学研单位都是稳健的学研单位,对风险的喜好程度为中等,一般取值为0.5左右。 　　当学研单位按一定的投标或报价后,企业在考虑社会效益最大化和网络约束的条件下进行调度,调度的目标模型为: 　　是企业方对科研技术成果的调度量,是学研单位科研成??本身的价值,是效用函数, 是学研单位的总成本函数。 　　2. 粒子群优化算法 　　PSO算法是一种实数域内的进化算法。在PSO算法中,每个优化问题的潜在解都是 维搜索空间上的一个点,称之为“粒子(Particle)”。所有的粒子都有一个适应值和一个速度,适应值由目标函数决定,速度则决定粒子们的飞行方向和距离,粒子们追随当前的最优粒子在解空间中搜索最优值。 　　PSO算法首先初始化一群随机粒子,再通过叠代计算找到最优值。在每一次叠代中,粒子通过跟踪两个“极值”来更新自己,第一个是粒子本身所找到的最优值,这个最优值叫做个体极值(PBest);另一个极值是整个粒子种群目前找到的最优值,这个最优值叫做全局极值(GBest)。每一个粒子都知道当前个体的最优值、群体中的最优值和与其对应的位置,并能跟踪当前的最优粒子[9]。基本的粒子群模型是在一个n维的空间内,由m个粒子、与进化代数t相关的粒子位置和速度构成,表示为: 　　算法用Matlab PSO工具箱实现,PSO算法中的参数设置如下:;的随机数;;粒子数目;迭代次数上限。通过计算得出,当时,最优投标系数为;。在给定不同的R时,有不同的最优投标系数,结果如表1所示。