多目標(biāo)神經(jīng)網(wǎng)絡(luò)的高新企業(yè)投資論文范文

本站小編為你精心準(zhǔn)備了多目標(biāo)神經(jīng)網(wǎng)絡(luò)的高新企業(yè)投資論文參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

1研究方法

在本研究中，其中一個目標(biāo)（或者說是非合作型的度量指標(biāo)）就是非連續(xù)度量，其非連續(xù)性在那些具有較少模式的數(shù)據(jù)集中尤為明顯。由于該度量使神經(jīng)網(wǎng)絡(luò)優(yōu)化過程難以聚斂，因此本文采用交叉熵方法得到一個連續(xù)函數(shù)并以此作為第一個目標(biāo)。在本文算法中，初始種群為任意一個由N個神經(jīng)網(wǎng)絡(luò)個體構(gòu)成的群體。該種群中個體間的連接權(quán)重是隨機(jī)建立的某一確定間隔（輸入層和隱藏層之間的權(quán)重為[-2，2]，隱藏層與輸出層之間的權(quán)重為[-10，10]，這些間隔范圍值都是經(jīng)過實驗而確定的）。初始種群產(chǎn)生后，使用上面提到的兩個目標(biāo)函數(shù)對其進(jìn)行評估。經(jīng)過評估后，可按照帕累托最優(yōu)原則對群體中的個體進(jìn)行分類，每個個體都被賦予了與其非支配水平相同的適應(yīng)度。那些非支配個體被選為父代個體進(jìn)行遺傳操作，然后再對他們進(jìn)行二進(jìn)制淘汰（兩兩對比后選擇較優(yōu)個體）。

為了產(chǎn)生新的子代個體，需要對選擇的父代個體進(jìn)行變異運算。這里共有五種變異算子可供選擇，其中，四種是結(jié)構(gòu)變異，一種是參數(shù)變異，選擇任何一種變異算子并對個體進(jìn)行變異的概率均為1/5。參數(shù)變異在父代連接權(quán)重中加入高斯噪音；結(jié)構(gòu)變異使用種群多樣性來增加搜索空間的多樣性。具體來講，變異算子實際上就是“增加/刪除神經(jīng)元”和“增加/刪除連接”。將新產(chǎn)生的子代個體加入到下一代群體中，重復(fù)以上過程直至后代種群數(shù)量達(dá)到N；接著，對后代種群進(jìn)行兩項指標(biāo)評估并將其與父代種群合并；然后再對新產(chǎn)生的種群按照帕累托原則進(jìn)行分類，其中最優(yōu)的N個個體被選為下一代的父代，重復(fù)以上的生產(chǎn)過程。本文算法使用局部搜索來對父代群體和后代群體進(jìn)行合并，只有那些來自第一次帕累托前沿的（即通過非支配分類得到的）個體才能進(jìn)行優(yōu)化，這大大地減少了運算成本，因為沒有對整個變異的后代個體進(jìn)行局部搜索。經(jīng)過優(yōu)化，每個個體的適應(yīng)度在近似誤差方面都得到了更新。整個演算過程只在開始、中間和結(jié)束部分使用優(yōu)化算法，也即整個演化過程只使用了三次局部搜索。

2實驗結(jié)果

本節(jié)將以電子行業(yè)高新企業(yè)的投資決策方案評估實例來驗證方法的可行性。在電子元器件的生產(chǎn)過程中，其裝配系統(tǒng)的投資決策方案有三種，本章所使用的裝配系統(tǒng)每年能夠生產(chǎn)的產(chǎn)品數(shù)是不斷增加的。在投資決策方案A中，整個裝配過程包含以下幾個有序操作：產(chǎn)品自動預(yù)裝配、兩級人工裝配、試驗臺測試、焊臺焊接、二級試驗臺測試、三級裝配、自動貼標(biāo)以及包裝。與投資決策方案A相比，B方案的區(qū)別在于其三級裝配為自動裝配，C方案在B方案的基礎(chǔ)上又將包裝升級為自動包裝。表1概括總結(jié)了三種投資決策方案的主要信息。從表1可見，A方案的裝配系統(tǒng)初始投資是最低的，產(chǎn)量也是最低的。對于A方案而言，三級裝配是第一個產(chǎn)能限制的操作，第二個就是包裝。若要將A方案的產(chǎn)能提升至C方案的產(chǎn)能，三級自動裝配站的改造成本為10萬元，自動包裝站的改造成本為12萬元。每一種系統(tǒng)配置的運營成本可根據(jù)每個生產(chǎn)單元的非固定成本以及雇員數(shù)決定的固定成本（每人每年4萬）來計算。對于每種投資決策方案而言，每個生產(chǎn)單元的可調(diào)節(jié)價格為3元。由于產(chǎn)能彈性是裝配系統(tǒng)所需的彈性要求，故對三種不同產(chǎn)品需求場景進(jìn)行了描述對比（如表2所示），它們之間的主要區(qū)別在于年需求增長百分比和出現(xiàn)的可能性。

場景I的增長百分比最小，但是它出現(xiàn)增長的可能性最大，因此場景I是未來的基本場景，場景II和III是未來可能出現(xiàn)的場景。根據(jù)以上信息，假設(shè)現(xiàn)在年需求利率為9%，可獲得不同投資方案的資產(chǎn)收益率（ROA）。結(jié)果顯示，所有方案都能滿足未來基本場景的需求，因此投資決策方案沒有必要改造。表3對比了不同投資決策方案的評估結(jié)果，可見B方案具有最高的資產(chǎn)收益率（5.04%），因此它也是實現(xiàn)未來基本場景的較為經(jīng)濟(jì)的配置；C方案的資產(chǎn)收益率很低，主要是因為它的初始投資以及每個生產(chǎn)單元的變動成本都很高。在本案例中，系統(tǒng)的產(chǎn)品需求以及產(chǎn)能之間的對比可顯示該種裝配系統(tǒng)是否需要改造。在場景II中，A方案需要在第四年進(jìn)行改造，因為所需的產(chǎn)品量已經(jīng)超過系統(tǒng)的生產(chǎn)能力，改造成本為10萬元。在場景III中，A方案需要兩次改造（第二年和第四年），B方案在第四年需要改造。

不同系統(tǒng)配置的預(yù)期ROF指標(biāo)如表3所示。由于A方案在所有場景中都需要改造，它的預(yù)期ROF為1.7%。C方案的產(chǎn)能彈性最高，因此其預(yù)期ROF也最高，為2.9%。計算結(jié)果顯示，B方案在所有場景中都是較為經(jīng)濟(jì)的系統(tǒng)配置，其資產(chǎn)收益率為5%，資產(chǎn)收益率和預(yù)期ROF之和高達(dá)7.4%，所以B方案是平衡初始投資和產(chǎn)能彈性之間的最佳配置。

3結(jié)束語

高新企業(yè)投資范圍極廣，很多復(fù)雜因素都需要考慮。社會因素、城鎮(zhèn)化、環(huán)境條件、能源供應(yīng)及政治平衡等多種因素共存于高新企業(yè)投資之中，影響著高新企業(yè)投資問題的任一決策。根據(jù)筆者掌握的資料，對于涉及范圍廣、影響不易控制的高新企業(yè)投資決策方案評估來說，那些常見的評估方法很難得到令人滿意的結(jié)果。鑒于此，本文基于多目標(biāo)神經(jīng)網(wǎng)絡(luò)提出并構(gòu)建了一種高新企業(yè)投資決策方案評估方法。在本文方法中，筆者首先定義了兩個評估指標(biāo)：非連續(xù)度量指標(biāo)和最低靈敏度指標(biāo)。初始種群為任意一個由多個神經(jīng)網(wǎng)絡(luò)個體構(gòu)成的群體。初始種群產(chǎn)生后，使用上面提到的兩個目標(biāo)函數(shù)對其進(jìn)行評估。經(jīng)過評估后，可按照帕累托最優(yōu)原則對群體中的個體進(jìn)行分類，每個個體都被賦予了與其非支配水平相同的適應(yīng)度。那些非支配個體被選為父代個體進(jìn)行遺傳操作，然后再對他們進(jìn)行二進(jìn)制淘汰。本算法使用局部搜索來對父代群體和后代群體進(jìn)行合并，只有那些來自第一次帕累托前沿的個體才能進(jìn)行優(yōu)化。經(jīng)過優(yōu)化，每個個體的適應(yīng)度在近似誤差方面都得到了更新。

以電子行業(yè)高新企業(yè)的投資決策方案評估實例來驗證所提方法的可行性。實驗結(jié)果表明：投資決策方案B是平衡初始投資和產(chǎn)能彈性之間的最佳配置。本文方法可推廣到其他類似投資決策方案的評估工作中。

作者：高凡修單位：武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院濮陽職業(yè)技術(shù)學(xué)院