金融动态
 
 
您现在的位置: 首页  >>  金融动态  >>  正文

蚁群算法在技术创新扩散模型中的应用研究


  许智宏1,高静静1,胡浩2

  (1.河北工业大学计算机科学与软件学院,天津300401;2.河北工业大学管理学院,天津300401)

  摘要技术创新使企业在市场竞争中赢得竞争优势,而技术创新在企业间的扩散大地促进了经济的发展,因此对技术创新扩算规律的研究对经济发展有着重要意义.通过结合区域创新系统中技术创新扩散的演变过程,提出了一种更切合实际的多信息素、多衰减系数的改进型蚁群算法,首次将其用于仿真技术创新的扩散过程,尝试利用蚁群算法仿真区域创新系统中的技术创新扩散过程,以得到企的动态技术变革路线图,分析企业的技术扩散规律及预测企业的技术变革趋势.并用具体的经济数据进行实验,很好地证明了蚁群算法在技术创新扩散模型研究中应用的可能性和可靠性.

  关键词蚁群算法;多种信息素;多衰减系数;区域创新系统;技术创新扩散

  中图分类号TP391文献标志码A

  Application of ant colony algorithm in technologyinnovation diffusion model

  XU Zhi-hong1,GAO Jing-jing1,HU Hao2

  ( 1. SchoolofComputerScience and Software,HebeiUniversityof Technology,Tianjin300401,China; 2.School of Management,HebeiUniversityofTechnology,Tianjin300401,China)

  AbstractTechnological innovation makes enterprises more competitive and technological innovation diffusion in enterpriseshas greatly promoted the economic development. Therefore, studies on the laws of technological innovation diffusionhave great significance for economic development. This paper has proposed a more realistic modified ant colony algorithm with multi-pheromone and multi-evaporation rate by combining with the evolution of technological innovationdiffusion. It tries to apply ant colony optimization to simulate the process of technological innovation diffusion, to analyze the diffusion law and to predict trends of enterprises' technological innovation. Then the system simulates the process oftechnological innovation diffusion with specific economic data. The simulation results show that ant colony algorithm has fine possibility and reliability in the application of innovation diffusion model.

  Key wordsant colony algorithm; multi-pheromone; multi-evaporation rate; regional innovation system; technological

  innovation diffusion

  0引言

  随着经济的飞速发展,技术成为国际竞争的主要因素,产业的技术创新行为成为社会进步和生产力发展的核心动力,但技术创新的真正意义和实际价值在于技术创新在企业群体中的大规模扩散,只有技术创新得到广泛扩散,才能引发产业结构的变化,从而产生真正的经济影响.因此,对技术创新扩散问题的研究对经

  济发展有着重要意义.传统的技术扩散问题的研究模型有贝叶斯学习模型、门槛模型、传染模型等[1],从宏观方面很好的描述了新技术引进后区域内企业采用的情况,但不能形象的展现特定的企业群体在这一过程中的独立行为与技术创新扩散的实际演进机制,为此这里提出采用一种新型的模拟进化算法——蚁群算法对技术创新扩散模型进行仿真,更加生动地展现了企业群体在技术创新扩散过程中的活动机制.

  蚁群算法[2](Ant Colony Optimization,ACO)是意大利学者Dorigo M从自然界中蚂蚁群落的觅食行为得到启发并结合著名的旅行商问题(TSP)而提出的一种群集智能算法.蚁群算法很容易与多种启发式算法结合,改善算法的性能,而最大的优点在于对蚁群算法模型稍加改进便可将其应用于具体的实际问题,快速

  高效地解决NP问题,例如可将蚁群算法应用于机器人路径规划、车间调度、交通路径寻优等复杂优化问题.

  蚁群算法作为一种来自生物界的个体协作方式,恰恰也很好的与技术创新扩散时企业群体所表现出来的相互影响内涵具有很好的吻合,技术扩散过程所具有的有限的可预测性和可控制性在算法中也能得到很好体现.同时,技术创新扩散系统是具有很多正反馈的复杂技术经济系统,具有非线性动力学的特征,这与蚁群算法也不谋而合,这也正是采用该算法模拟技术创新扩散过程的动因.

  1技术创新扩散问题描述

  所谓的技术创新扩散

( diffusion )理论最早来源于1912年熊彼特提出的创新理论,是指创新通过市场或非市场的渠道传播,技术从创新源向外进行空间传播或转移,被其他企业通过合法手段采用的过程.这一系列的行为是一个技术不断创新、推广,企业不断学习、模仿的过程[3].以传统的研究方法来说,技术创新扩散过程都可用一条“S”曲线描述,以传染模型为例,技术创新扩散过程宏观上可概括为:在新技术引进初期,企业采用率较小;随着时间推移,技术的应用逐渐成熟,采用该技术的企业数量不断增加;当技术的推广达到一定程度,企业采用率不再增加,最后逐渐趋于平缓.整个过程呈现一条“S”形的曲线[3],如图1所示.

一个区域中的技术创新扩散是一种企业的群体行为的结果,但微观上单独的一个企业或企业群体进行的技术变革,或多或少都会影响其他企业或企业群体的技术变革路径的选择.且任何一个企业的创新活动是随机的,每一次创新都可能使企业的技术水平状态发生跳转,其他企业学习何种创新既有一定的随机性,又受其他企业的影响.

  这里可将技术创新扩散问题图例化,用赋权有向图G={V,E}表示企业的生产经营状态网络,如图2

  

  其中节点集V={V1,V2,....Vn}表示n种不同的企业生产经营状态,其中企业的生产经营状态主要考虑企业的财务绩效、企业面向未来的战略以及企业的技术经济指标三方面,不同的生产经营状态用技术经济优度指标分.有向边集E={e1,e2,...en}表示生产经营状态之间的关联关系,即是相邻企业经营状态跳转的增量.技术创新扩散的过程中,企业从初始节(初始生产经营状态)结合生产经营状态之间的关联关系(内在因素和外在环境的不同),完成不同生产经营状态间的跳转,最终达到最大生产经营状态,实现技术创新在该企业的扩散.

  

2基于蚁群算法的技术创新扩散模型

  2.1蚁群算法

  仿生学家通过研究蚂蚁群体的觅食行为发现,虽然其不具有视觉但却能准确无误的找到食物,这主要与其觅食过程中在路径上分泌一种外激素有关,蚂蚁群体通过路径上这种外激素的强度达到群体间的沟通、协作,这种沟通协作主要表现为:单独的蚂蚁个体在觅食过程中根据路径上的外激素选择所走道路,同时又会相应的在所走路径上分泌一定的外激素,这体现出一种信息的正反馈.Dorigo M由此提出了蚁群算法,来解决著名的TSP问题(Traveling Salesman Problem).

  下面以经典的对称TSP问题为例说明基本蚁群算法的原理[4].设城市数目为,蚂蚁数目为,则在时刻第只蚂蚁从城市跳转到的状态转移概率可表示如下其中:代表城市和城市之间的信息素浓度;为可见度因数,一般取

  

  表示可见度因数的重要程度;进行路径选择时允许选择的城市节点.蚂蚁每走过一个路径都要在该路径上留下信息素,为防止算法过早的出现停滞现象,引入信息素挥发机制的信息素更新方式其中:总路径长度的函数.表示第k只蚂蚁在该路径上留下的信息素增量,是所经过