CN110796296A - 多目标投资优化模型的构建方法、装置和计算设备 - Google Patents

Abstract

本发明公开了一种多目标投资优化模型的构建方法，适于在计算设备中执行，包括：确定参与投资规划的多个专项类别、以及各专项类别下的多个目标项目，并对各专项类别下的多个目标项目进行分级排序；构建多目标投资优化模型，该模型包括目标函数和约束条数，目标函数包括总公司全类别项目的预期收益总额最大、子公司的实际拨付资金与投资需求的差额最小、以及各专项的实际拨付资金与子公司的规划投入需求的差额最小；以及获取各专项类别下各项目的预期收益和投资需求，并采用预定算法对多目标投资优化模型进行求解，得到每个专项类别下经过排序后的多个目标项目的最优规划金额。本发明还一并公开了对应的多目标投资优化模型的构建装置和计算设备。

Description

多目标投资优化模型的构建方法、装置和计算设备

技术领域

本发明涉及计算机与互联网技术领域，尤其涉及一种多目标投资优化模型的构建方法、装置和计算设备。

背景技术

随着我国经济发展进入新常态，发展高强度投入、成本刚性增长与电量增速趋缓、效益增长困难之间的矛盾日益突出，保持稳健经营、完成利润目标的难度增大，对电网投资决策提出了更高要求。因此，开展新形势下电网项目的投资优化规划对于确保投资规模合理、方向精准、结构优化、时序科学，严控低效投资，杜绝无效投资具有重要的理论和现实指导意义。

电网公司通常会提报多种类别下的多个电网项目。考虑到一旦投入生产，这些项目将会耗费大量人力财务物力，因此需要提前对这些多个电网项目进行最优的投资规划，以确定每个类别下每个项目的最优投资额。这样能够以最优的投资额实现最好的投资收益和投资效果。但现有技术中关于项目规划投资的计算方法都比价繁琐，且计算量大，计算准确性也不够，直接影响项目的最终分配，进而影响最终收益值。因此，需要一种更好的对项目投资规划进行计算的方法。

发明内容

鉴于上述问题，本发明提出了一种多目标投资优化模型的构建方法、装置和计算设备，以力图解决或者至少解决上面存在的问题。

根据本发明的一个方面，提供了一种多目标投资优化模型的构建方法，适于在计算设备中执行，该方法包括步骤：确定参与投资规划的多个专项类别、以及每个专项类别下的多个目标项目，并对各专项类别下的多个目标项目进行分级排序；构建多目标投资优化模型，所述投资优化模型包括目标函数和约束条数，目标函数包括总公司全类别项目的预期收益总额最大、子公司的实际拨付资金与投资需求的差额最小、以及各专项的实际拨付资金与子公司的规划投入需求的差额最小；以及获取各专项类别下各项目的预期收益和投资需求，并采用预定算法对多目标投资优化模型进行求解，得到每个专项类别下经过排序后的多个目标项目的最优规划金额。

可选地，在根据本发明的方法中，目标函数包括：

其中，P_i,j,t表示第i个子公司第j个专项第t个项目的预期收益额；X_i,j表示总公司对第i个子公司的第j个专项的实际资金拨付额；D_i,j,t表示第i个子公司第j个专项第t个项目的投资需求；X_j表示总公司对第j个专项的实际资金拨付额；D_i,j表示第i个子公司第j个专项的投资需求；l是所有子公司数目，m是所有专项数目，n是所有目标项目数目。

可选地，在根据本发明的方法中，约束条件包括专项资金拨付约束、投入能力约束、净资产收益率约束、主要业务投入比例约束和投入上下界限约束中的一种或多种。

可选地，在根据本发明的方法中，专项资金拨付约束代表总公司对所有子公司的各专项资金拨付之和小于等于总公司的投入总规模I，其表达式为：

可选地，在根据本发明的方法中，投入能力约束代表所有子公司的某专项投入能力之和大于等于总公司对该专项的拨付资金之和，其表达式为：

其中，E_i,j表示子公司i测算出的对专项j的投入能力。

可选地，在根据本发明的方法中，净资产收益率约束代表公司的净资产收益率大于等于目标值ROE，其表达式为：

其中，p_i表示子公司i的利润；s表示所得税税率；Z_i表示子公司i的资产总额；d_i表示子公司当前资产负债率；N_j表示专项j的预期投入资产；dep表示现有资产折旧总值。

可选地，在根据本发明的方法中，专项类别包括电网基建类项目、生产技改类项目、生产大修类项目、非生产技改项目、营销投入类项目、信息化投入类项目、管理咨询类项目、股权投资类项目、零星购置类项目、研究开发类项目、以及教育培训类项目中的一种或多种。

可选地，在根据本发明的方法中，主要业务投入比例约束是指电网基建类项目、生产技改类项目和生产大修类项目的投入额之和大于等于所有专项投入额的70％，其表达式为：

其中，D_电网基建、D_生产技改、D_生产大修分别代表对应专项的投入额度，D_j为第j个专项的投入额度。

可选地，在根据本发明的方法中，投入上下界限约束代表各子公司对各专项投入额有一定的上下界，其表达式为：

其中，表示子公司i对专项j的最低投入值；

表示子公司i对专项j的最高投入值。

可选地，在根据本发明的方法中，各专项类别下的多个目标项目进行分级排序的步骤包括：对于任一专项类别，采用熵权法确定该类专项下各需求指标的客观权重值μ_k(k＝1,2……,N)，N为需求指标数目；获取专家对各需求指标的主观排序关系，并获取序关系中相邻两个需求指标的重要度之比；计算L个专家的权重值，并根据相邻两个需求指标的重要度之比，计算各需求指标的主观权重值υ_k；基于各需求指标客观权重值和主观权重值，计算该指标的组合权重值λ_k(k＝1,2……,N)；获取该专项中各目标项目的各需求指标的指标值，并结合各指标的组合权重值，计算各目标项目的分值；以及根据该专项中多个目标项目的分值对该多个目标项目进行分级排序。

可选地，在根据本发明的方法中，若L个专家的权重值为a＝(a₁,a₂,……，a_L)，第p个专家的权重为a_p，第k-1个指标与第k个指标的重要度之比为r_k＝ω_k-1/ω_k，，则所述计算各需求指标的主观权重值的步骤包括：基于第p个专家对相邻两个需求指标的重要度之比赋值，计算得到第p个专家下第N个指标的子权重ω_p,N；基于ω_p,N依次计算第p专家下其他指标的子权重ω_p,k-1＝r_p,kω_p,k(k＝N,N-1,…,2)；以及对于第k个指标，基于所有专家对该指标的子权重，计算该指标的主观权重值。

可选地，在根据本发明的方法中，第k个指标的组合权重值为λ_k＝αv_k+βμ_k，其中α和β分别为主观和客观权重系数，且α·β≥0，α+β＝1，0≤α≤1，0≤β≤1。

可选地，在根据本发明的方法中，专家的权重值为专家对序关系中相邻两个需求指标的重要性比较的得分值，该重要性比较采用少数服从多数原则。

可选地，在根据本发明的方法中，对各专项类别下的多个目标项目进行分级排序的步骤包括：分别建立不同专项类别的三级排序指标体系，并基于该三级指标体系对多个项目进行分级排序，其中该三级指标体系具有至少一种一级指标，每个一级指标下具有至少一种二级指标，每个二级指标下具有至少一种三级指标。

可选地，在根据本发明的方法中，一级指标包括政策性指标、紧迫重要性指标、风险性指标、经济性指标、战略性指标中的一种或多种。

根据本发明的另一个方面，提供了一种多目标投资优化模型的构建装置，适于驻留在计算设备中，该装置包括：分级排序模块，适于确定参与投资规划的多个专项类别、以及每个专项类别下的多个目标项目，并对各专项类别下的多个目标项目进行分级排序；模型构建模块，适于构建多目标投资优化模型，该投资优化模型包括目标函数和约束条数，其中目标函数包括总公司全类别项目的预期收益总额最大、子公司的实际拨付资金与投资需求的差额最小、以及各专项的实际拨付资金与子公司的规划投入需求的差额最小；以及模型求解模块，适于获取各专项类别下各项目的预期收益和投资需求，并采用预定算法对多目标投资优化模型进行求解，得到每个专项类别下经过排序后的多个目标项目的最优规划金额。

根据本发明的另一方面，提供了一种计算设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，该一个或多个程序被处理器执行时实现如上所述的多目标投资优化模型的构建方法的步骤。

根据本发明的又一方面，提供了一种存储一个或多个程序的可读存储介质，该一个或多个程序包括指令，所述指令当由计算设备执行时实现如上所述的多目标投资优化模型的构建方法的步骤。

根据本发明的技术方案，首先对各专项下的各目标项目进行分级排序。之后，为优化公司项目投资分配，建立了明确投资分配的各目标函数和约束条件函数，并构建基于多目标优化的投资分配优化模型。对该模型求解后得到各专项下个目标项目的最优投资规划。

而且，本发明在对各项目进行分级排序时，基于熵权-优序关系的指标组合赋权方法，将主观权重与客观权重进行组合优化，求解最优组合系数，使指标的权重值兼顾主观权重和客观权重的优点，从而得到每个指标的最准确组合权重，提高了项目分级排序准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的计算设备100的结构图；

图2示出了根据本发明一个实施例的多目标投资优化模型的构建方法200的流程图；

图3示出了根据本发明一个实施例的NSGA-II算法的基础流程图；

图4示出了根据本发明一个实施例的公司项目分级排序的详细示意图；

图5示出了根据本发明另一个实施例的公司项目分级排序的流程示意图；以及

图6示出了根据本发明一个实施例的多目标投资优化模型的构建装置600的结构图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1是根据本发明一个实施例的计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上利用程序数据124进行操作。程序数据124包括指令，在根据本发明的计算设备100中，程序数据124包含用于执行本发明的多目标投资优化模型的构建方法200的指令。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等，也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中，计算设备100被配置为执行本发明的多目标投资优化模型的构建方法200。

图2示出了根据本发明一个实施例的多目标投资优化模型的构建方法200的流程图，该方法适于在计算设备中执行，如在计算设备100中执行，以确定多个类别下的多个目标项目的最优投资规划方案。

如图2所示，该方法始于步骤S210。在步骤S210中，确定参与投资规划的多个专项类别、以及每个专项类别下的多个目标项目，并对各专项类别下的多个目标项目进行分级排序。

一般电网项目可以有多种类别，每种类别下可以有多个项目。其中，项目类别可以包括电网基建类项目、生产技改/大修类项目、非生成技改/大修类项目、营销投入类项目、信息化投入类项目、管理咨询类项目、股权投资类项目、零星购置类项目、产业基建/产业技改/产业大修类项目、研究开发类项目、教育培训类项目中的一种或多种。

每种项目类别都有对应的需求指标，同一类别下的多个目标项目可共用同一套需求指标。需求指标例如包括为N-1通过率、停运率、容载比、老旧设备占比、设备可用系数、低电压户数、可用发电功率、边防缺电面积、电动汽车占有率、智能电表户数、人均办公设备数量、信息安检频次中的一种或多种需求指标。

参与投资规划的多个专项类别可以包括上述全部或部分专项类别，每个专项可以选取一个或多个目标项目。一般地，每个专项类别可以提供多个候选项目，然后根据多目标优化筛选算法来从这多个候选项目中选出最终的目标项目。

根据本发明的一个实施例，步骤S210中对各专项类别下的多个目标项目进行分级排序时，可以建立电网项目分级排序指标体系，例如为三级指标体系，并基于该分级排序指标体系来对各目标项目进行分级排序。在该三级排序指标体系中，可以有多级需求指标，如一级需求指标、二级需求指标和三级需求指标。每个一级指标可以有一种或多种二级指标，每个二级指标下可以有一种或多种三级指标。其中，一级指标可以包括政策性指标、紧迫重要性指标、风险性指标、经济性指标、战略性指标中的一种或多种。

其中，紧迫重要性指标可以包括供电安全性紧迫重要程度、负荷等级、项目地位指标、项目解决的问题指标、系统安全性指标、项目咨询等级程度、设备饱和度、系统可靠性中的一种或多种二级指标。风险性指标可以包括政策变动风险、社会风险、财务风险、可行性指标、金融风险、系统风险中的一种或多种。经济性指标可以包括经济效益、资金利用程度指标、经营成本、建设成本、偿债能力中的一种或多种。战略性指标可以包括对企业战略目标贡献程度、新兴前沿技术指标、核心技术创新指标、研究应用价值指标、培养高端创新性人才指标、促进改革和管理效率指标、提升数据处理和决策能力指标中的一种或多种。

对于二级指标，供电安全性紧迫重要程度可以包括N-1通过率、供电可靠率、线路平均负载率、线路最高负载率、变压器设备强迫停运率、架空线路设备强迫停运率、变压器设备可用系数、架空线路设备可用系数、线路最大负载率、变压器最大负载率中的一种或多种。项目地位例如可以为枢纽工程或一般工程。社会风险例如包括设备节能环保水平和用户满意度等。经济效益例如包括累计净现值和内部收益率等。

不同的项目类别可以有不同的一级指标、二级指标和三级指标。应当理解的是，有些二级指标下可能没有再进行细分，此时可认为其二级指标和三级指标为同一个指标。表1-表11别示出了以上11种项目类别的三级指标体系的具体指标，这些表内容将在后文中详细展示。

随后，在步骤S220中，构建多目标投资优化模型，该优化模型具有目标函数和约束条件，其中目标函数包括总公司全类别项目的预期收益总额最大、子公司的实际拨付资金与投资需求的差额最小、以及各专项的实际拨付资金与子公司的规划投入需求的差额最小。

根据一个实施例，公司全类别项目的预期收益可以通过汇总加和所有项目的预期收益得到，以上三种目标函数的表达式分别为：

其中，P_i,j,t表示第i个子公司第j个专项第t个项目的预期收益额；X_i,j表示总公司对第i个子公司的第j个专项的实际资金拨付额；D_i,j,t表示第i个子公司第j个专项第t个项目的投资需求；X_j表示总公司对第j个专项的实际资金拨付额；D_i,j表示第i个子公司第j个专项的投资需求；l是所有子公司数目，m是所有专项数目，n是所有项目数目。

根据另一个实施例，约束条件包括专项资金拨付约束、投入能力约束、净资产收益率约束、主要业务投入比例约束和投入上下界限约束中的一种或多种。其中专项资金拨付约束代表总公司对所有子公司的各专项资金拨付之和小于等于总公司的投入总规模I。投入能力约束代表所有子公司的某专项投入能力之和大于等于总公司对该专项的拨付资金之和。净资产收益率约束代表公司的净资产收益率大于等于目标值ROE。主要业务投入比例约束是指电网基建类项目、生产技改类项目和生产大修类项目的投入额之和大于等于所有专项投入额的预定比例(如70％)。投入上下界限约束代表各子公司对各专项投入额有一定的上下界。这五种约束的计算公式分别为：

其中，E_i,j表示子公司i测算出的对专项j的投入能力，p_i表示子公司i的利润；s表示所得税税率；Z_i表示子公司i的资产总额；d_i表示子公司当前资产负债率；N_j表示专项j的预期投入资产；dep表示现有资产折旧总值，D_电网基建、D_生产技改、D_生产大修分别代表对应专项的投入额度，D_j为第j个专项的投入额度；

表示子公司i对专项j的最低投入值；表示子公司i对专项j的最高投入值。这里的总公司为电网总部，子公司可以为各个省公司。

随后，在步骤S230中，获取各专项类别下各项目的预期收益和投资需求，并采用预定算法对多目标投资优化模型进行求解，得到每个专项类别下经过排序后的多个目标项目的最优规划金额。

基于所获取的各项基本参数，代入到上述目标函数和约束条件中，对多目标投资优化模型进行求解，即可求得各项目的最优规划金额。存在多种可对该多目标优化筛选模型进行求解的方法，如极大极小值法、理想点法、线性加权法等，本发明不受限于具体的实现方式，所有能够对该多目标优化筛选模型进行求解的方法均在本发明的保护范围之内。

根据一个实施例，该预定算法为基于NSGA-II算法(非支配排序遗传算法)的投资分配多目标模型求解算法，该算法的基本流程如图3所示。根据一个实施例，该算法的种群规模I＝100，交叉概率p_c＝0.8，变异概率p_l＝0.18，实数编码须采用较大的变异概率，终止代数T＝600。当算法总的迭代次数达到该事先限定的最大值时，则停止迭代，输出最优规划方案结果。

根据本发明的一个实施例，结合图4所示，在步骤S210中，对各专项类别下的多个目标项目进行分级排序可通过图5中的步骤S211-S216来实现：

在步骤S211中，对于任一专项类别，采用熵权法确定该类专项下各需求指标的客观权重值μ_k(k＝1,2……,N)，N为需求指标数目。

熵权法是一种客观赋权方法。熵权法通过分析各指标变动的趋势，借助信息熵确定各指标的熵值，然后利用熵权修正各指标权重，从而得出较为客观的指标权重。若该专项下共有N个项目，且该专项下有M个指标。根据熵的定义，计算第k项指标的熵值Q_k为：

其中，P_tk为第t个项目第k个指标的特征比重，

第t个项目第k个指标的指标值。基于此，第k个指标的客观权重值为：

随后，在步骤S212中，获取专家对各需求指标的主观排序关系，并获取序关系中相邻两个需求指标的重要度之比。

在步骤S211中利用熵权法获取了指标的客观权重值，在步骤S212中采用改进层次分析法来获取主观权重值。改进层次分析法是对层次分析法进行改进后的主观赋权法，其中心思想是对各层指标的重要程度进行对比，但却不是将所有指标的重要程度进行两两比较来构造判断矩阵，这样就避免了层次分析法因指标过多而造成的工作量大且难以通过一致性检验的弊端。改进层次分析法确定权重的步骤如下：

设x₁,x₂,…,x_N(N≥2)是多层指标体系中的N个指标，专家首先根据评价准则在方案集{x₁,x₂,…,x_N}中选出一个认为第一重要的方案，记为

之后，专家在含有n-1个方案的方案集里，选出一个认为第一重要的方案，记为

挑选了k次后，专家在剩下的N-(k-1)个方案集里选出一个认为第一重要的方案，记为最后，经过N-1次选择后，剩余的方案集里的唯一一个方案，记为

之后，对于排序后的新方案集，专家给出其中相邻两个需求的重要度之比r_k＝ω_k-1/ω_k(k＝N,N-1,…,2)。下表给出了该序关系赋值表，若专家为r_k赋值为1，则代表第k-1个指标与第k个指标同等重要。

随后，在步骤S213中，计算L个专家的权重值，并根据该相邻两个需求指标的重要度之比，计算各需求指标的主观权重值υ_k。

根据一个实施例，专家的权重值为专家对序关系中相邻两个需求指标的重要性比较的的得分值，该重要性比较采用少数服从多数原则。具体地，以重新排序好的序关系为基准，采用L分赋值法，L是专家的个数。对于第k-1和第k个这相邻个需求指标的关系，假设有L₁个专家认为第k-1指标比第k个指标重要，剩下的L₂个专家认为第k指标比第k-1个指标重要，L₁+L₂＝L。若L₁＞L₂，则这L₁个专家的结果一致且占大多数，这L₁个专家均记为L₁分。若L₁＜L₂，则这L₂个专家的结果一致且占大多数，则这L₂个专家均记为L₂分。若L₁＝L₂，则全部专家序关系一致，每个专家均记为L₁分。由上述方法得出的L个专家的权重为a＝(a₁,a₂,…,a_L)，第p个专家的权重为a_p。

根据另一个实施例，计算各需求指标的主观权重值υ_k的步骤包括：基于第p个专家对相邻两个需求指标的重要度之比赋值，计算得到第p个专家下第N个指标的子权重ω_p,N；基于ω_p,N依次计算第p专家下其他指标的子权重ω_p,k-1＝r_p,kω_p,k(k＝N,N-1,…,2)；以及对于第k个指标，基于所有专家对该指标的子权重，计算该指标的主观权重值υ_k。其中，

根据上式，首先基于专家决策算得ω_N后再根据上式计算ω_p,1～ω_p,N-1。结合序关系法，求得第k个指标的主观权重值为：

随后，在步骤S214中，基于各需求指标客观权重值和主观权重值，计算该指标的组合权重值λ_k(k＝1,2……,N)。根据一个实施例，λ_k＝αv_k+βμ_k，其中α和β分别为主观和客观权重系数，且α·β≥0，α+β＝1，0≤α≤1，0≤β≤1。

基于熵权-优序关系的指标组合赋权方法将改进层次分析法得到的主观权重υ_k与熵权法得到的客观权重μ_k进行线性加权优化，求解最优组合系数，得到兼顾主观权重和客观权重的优点的组合权重。某项目t的主客观加权属性值一致水平Q_t为：

其中，αv_tx_tk为主观加权属性值，βμ_tx_tk为客观加权属性值，x_tk为项目t指标k的指标值，其可以为主观评价值或客观指标值。为使主客观加权属性值一致水平趋于最小化，本发明利用线性加权法建立优化模型，该模型的目标函数为：

之后，利用拉格朗日乘法求解权重系数α和β的二元优化模型，解得α和β标的权重系数后，代入到组合权重的公式中，即可获得组合权重λ_i。

随后，在步骤S215中，获取该专项中各目标项目的各需求指标的指标值，并结合各指标的组合权重值，计算各目标项目的分值。

从表1-11中可以看出，各需求有些是量纲的物理值，有些则是人为评价的主观值。因此，对于获取到的指标值，需要进行无量纲的归一化处理。针对主观评价指标值，确定相应的评价隶属度V＝{V₁，V₂，…，V_n}。评价语句可划分为3-5个层级。根据一个实施例，对主观指标划分为V＝(V₁，V₂，V₃，V₄，V₅)，每种评语有对应的分值，P_g对应第g个评价语句的分值。例如，P₁＝0,P₂＝0.2,P₃＝0.5,P₄＝0.8,P₅＝1。则主观指标x_tk的归一化值后的值x_tk'为：

公司项目分级排序指标体系属性众多，类型多样，其各个特征变量单位不同，取值范围相差很大。如果在评价过程中直接采用原始采样数据进行计算，受量纲影响数据信息可能会丢失且数值计算结果不稳定。因此需要对原始测量数据进行标准化处理，将不同特征变量的属性值转换为[0,1]区间内，从而改善算法精度和计算稳定性，该标准化转化公式为：

式中，x′_tk为标准化后的指标值，

为第k个指标的最小值，

为第k个指标的最大值。

和

可通过搜索历史运行数据库得到，也可根据相关机理分析进行确定。

基于标准化后的指标值x′_tk和组合赋权权重λ_k，第t个项目的综合分值y_t如下式所示：

最后，在步骤S216中，根据该专项中多个目标项目的分值对该多个目标项目进行分级排序。对单个项目类别的得分值进行大小排序，即可得到单类项目的分级排序结果。

如前文所述，每个专项都可以有对应的三级指标体系(如下表1-表11所示)。本发明中可以对每个专项下的第三级指标计算对应的主观权重值、客观权重值、以及组合权重值，进而根据其指标值来计算三级指标的总评分。也可以基于每个二级指标下的三级指标的评分值，来计算对应的二级指标的评分值，再基于每个一级指标下的二级指标的评分值，来计算对应一级指标的评分值。或者，本发明可以对每个专项下的每一级指标计算对应的主观权重值、客观权重值、以及组合权重值，再基于指标值来计算对应的评分值。本领域技术人员可以自行设定其详细评分方式，本发明对此不作限制。对同类专项下的多个目标项目进行分级排序后，可以将最值得投资的项目优先排在靠前位置，这样在进行后续的投资金额优化时，同类专项下的前几个项目可以得到最好的投资配额，采用该计算出的配额来进行实际投资时，可实现最大投资回报率。

表1电网基建项目分级排序指标体系

表2生产技改、生产大修项目分级排序指标体系

表3非生产技改、生产大修项目分级排序指标体系

表4营销投入项目分级排序指标体系

表5信息化投入项目分级排序指标体系

表6管理咨询项目分级排序指标体系

表7股权投资项目分级排序指标体系

表8零星购置项目分级排序指标体系

表9产业基建、产业技改、产业大修项目分级排序指标体系

表10研究开发项目分级排序指标体系

表11教育培训项目分级排序指标体系

图6示出了根据本发明一个实施例的多目标投资优化模型的构建装置600的结构框图，该装置600可以驻留在计算设备中，如驻留在计算设备100中。如图6所示，装置600包括：分级排序模块610、模型构建模块620和模型计算模块630。

分级排序模块610确定参与投资规划的多个专项类别、以及每个专项类别下的多个目标项目，并对各专项类别下的多个目标项目进行分级排序。分级排序模块610可以进行与上面在步骤S210中描述的处理相对应的处理，这里不再展开赘述。

模型构建模块620构建多目标投资优化模型，所述投资优化模型包括目标函数和约束条数，该目标函数包括总公司全类别项目的预期收益总额最大、子公司的实际拨付资金与投资需求的差额最小、以及各专项的实际拨付资金与子公司的规划投入需求的差额最小。模型构建模块620可以进行与上面在步骤S220中描述的处理相对应的处理，这里不再展开赘述。

模型求解模块630获取各专项类别下各项目的预期收益和投资需求，并采用预定算法对所述多目标投资优化模型进行求解，得到每个专项类别下经过排序后的多个目标项目的最优规划金额。模型求解模块630可以进行与上面在步骤S230中描述的处理相对应的处理，这里不再展开赘述。

根据本发明的技术方案，构建科学高效的项目分级排序指标体系，采用主客观相结合的项目分级排序方法，对全类别项目进行分级排序，明确项目的重要性次序。基于熵权-优序关系的指标组合赋权方法，将主观权重与客观权重进行组合优化，求解最优组合系数，使指标的权重值兼顾主观权重和客观权重的优点，从而得到更加真实有效的风险评价结果。为优化公司项目投资分配，建立了明确投资分配的各目标函数和约束条件函数，并构建基于多目标优化的投资分配优化模型。通过该方法计算的投资最优分配方案，结果更加准确，且计算量低，提高计算效率。

A8、如A7所述的方法，其中所述主要业务投入比例约束是指电网基建类项目、生产技改类项目和生产大修类项目的投入额之和大于等于所有专项投入额的70％，其表达式为：

其中，D_电网基建、D_生产技改、D_生产大修分别代表对应专项的投入额度，D_j为第j个专项的投入额度。

A9、如A3-A8中任一项所述的方法，其中所述投入上下界限约束代表各子公司对各专项投入额有一定的上下界，其表达式为：

其中，

表示子公司i对专项j的最低投入值；

表示子公司i对专项j的最高投入值。

A10、如A1-A9中任一项所述的方法，其中所述各专项类别下的多个目标项目进行分级排序的步骤包括：对于任一专项类别，采用熵权法确定该类专项下各需求指标的客观权重值μ_k(k＝1,2……,N)，N为需求指标数目；获取专家对各需求指标的主观排序关系，并获取序关系中相邻两个需求指标的重要度之比；计算L个专家的权重值，并根据所述相邻两个需求指标的重要度之比，计算各需求指标的主观权重值υ_k；基于各需求指标客观权重值和主观权重值，计算该指标的组合权重值λ_k(k＝1,2……,N)；获取该专项中各目标项目的各需求指标的指标值，并结合各指标的组合权重值，计算各目标项目的分值；以及根据该专项中多个目标项目的分值对该多个目标项目进行分级排序。

A11、如A10所述的方法，其中，若L个专家的权重值为a＝(a₁,a₂,……，a_L)，第p个专家的权重为a_p，第k-1个指标与第k个指标的重要度之比为r_k＝ω_k-1/ω_k，，则所述计算各需求指标的主观权重值的步骤包括：基于第p个专家对相邻两个需求指标的重要度之比赋值，计算得到第p个专家下第N个指标的子权重ω_p,N；基于ω_p,N依次计算第p专家下其他指标的子权重ω_p,k-1＝r_p,kω_p,k(k＝N,N-1,…,2)；以及对于第k个指标，基于所有专家对该指标的子权重，计算该指标的主观权重值

A12、如A11所述的方法，其中第k个指标的组合权重值为λ_k＝αv_k+βμ_k，其中α和β分别为主观和客观权重系数，且α·β≥0，α+β＝1，0≤α≤1，0≤β≤1。A13、如A12所述的方法，其中专家的权重值为专家对序关系中相邻两个需求指标的重要性比较的得分值，所述重要性比较采用少数服从多数原则。A14、如A1-A13中任一项所述的方法，其中所述对各专项类别下的多个目标项目进行分级排序的步骤包括：分别建立不同专项类别的三级排序指标体系，并基于该三级指标体系对多个项目进行分级排序，所述三级指标体系具有至少一种一级指标，每个一级指标下具有至少一种二级指标，每个二级指标下具有至少一种三级指标。A15、如A14所述的方法，其中所述一级指标包括政策性指标、紧迫重要性指标、风险性指标、经济性指标、战略性指标中的一种或多种。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的多目标投资优化模型的构建方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种多目标投资优化模型的构建方法，适于在计算设备中执行，所述方法包括步骤：

确定参与投资规划的多个专项类别、以及每个专项类别下的多个目标项目，并对各专项类别下的多个目标项目进行分级排序；

构建多目标投资优化模型，所述投资优化模型包括目标函数和约束条数，所述目标函数包括总公司全类别项目的预期收益总额最大、子公司的实际拨付资金与投资需求的差额最小、以及各专项的实际拨付资金与子公司的规划投入需求的差额最小；以及

获取各专项类别下各项目的预期收益和投资需求，并采用预定算法对所述多目标投资优化模型进行求解，得到每个专项类别下经过排序后的多个目标项目的最优规划金额。

2.如权利要求1所述的方法，所述目标函数包括：

其中，P_i,j,t表示第i个子公司第j个专项第t个项目的预期收益额；X_i,j表示总公司对第i个子公司的第j个专项的实际资金拨付额；D_i,j,t表示第i个子公司第j个专项第t个项目的投资需求；X_j表示总公司对第j个专项的实际资金拨付额；D_i,j表示第i个子公司第j个专项的投资需求；l是所有子公司数目，m是所有专项数目，n是所有目标项目数目。

3.如权利要求1或2所述的方法，其中所述约束条件包括专项资金拨付约束、投入能力约束、净资产收益率约束、主要业务投入比例约束和投入上下界限约束中的一种或多种。

4.如权利要求3所述的方法，其中所述专项资金拨付约束代表总公司对所有子公司的各专项资金拨付之和小于等于总公司的投入总规模I，其表达式为：

5.如权利要求3或4所述的方法，其中所述投入能力约束代表所有子公司的某专项投入能力之和大于等于总公司对该专项的拨付资金之和，其表达式为：

其中，E_i,j表示子公司i测算出的对专项j的投入能力。

6.如权利要求3-5中任一项所述的方法，其中所述净资产收益率约束代表公司的净资产收益率大于等于目标值ROE，其表达式为：

其中，p_i表示子公司i的利润；s表示所得税税率；Z_i表示子公司i的资产总额；d_i表示子公司当前资产负债率；N_j表示专项j的预期投入资产；dep表示现有资产折旧总值。

7.如权利要求3所述的方法，其中所述专项类别包括电网基建类项目、生产技改类项目、生产大修类项目、非生产技改项目、营销投入类项目、信息化投入类项目、管理咨询类项目、股权投资类项目、零星购置类项目、研究开发类项目、以及教育培训类项目中的一种或多种。

8.一种多目标投资优化模型的构建装置，适于驻留在计算设备中，所述装置包括：

分级排序模块，适于确定参与投资规划的多个专项类别、以及每个专项类别下的多个目标项目，并对各专项类别下的多个目标项目进行分级排序；

模型构建模块，适于构建多目标投资优化模型，所述投资优化模型包括目标函数和约束条数，所述目标函数包括总公司全类别项目的预期收益总额最大、子公司的实际拨付资金与投资需求的差额最小、以及各专项的实际拨付资金与子公司的规划投入需求的差额最小；以及

模型求解模块，适于获取各专项类别下各项目的预期收益和投资需求，并采用预定算法对所述多目标投资优化模型进行求解，得到每个专项类别下经过排序后的多个目标项目的最优规划金额。

9.一种计算设备，包括：

至少一个处理器；以及

存储器，存储有程序指令，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如权利要求1-7中任一项所述的方法的指令。

10.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-7中任一项所述的方法。

Images