CN114139361B - 分布式研发设计资源共享激励模型与动态双目标评价方法 - Google Patents

Abstract

本发明公开了分布式研发设计资源共享激励模型与动态双目标评价方法，包括如下步骤：建立分布式研发设计资源共享激励模型，分析各因素对资源共享过程及结果的影响；剔除原始评价数据中的极端指标值与无用指标，建立时间权重模型，对不同时间节点的评价数据分配不同的时间权重；评价数据的归一化处理；建立动态双目标评价模型，利用启发式生物计算多目标进化方法进行优化，得到对研发设计资源共享具有最大化促进作用的各指标相应权重。本发明提出的研发设计资源共享激励模型对于资源共享的应用实施具有参考作用，评价方法考虑了时间信息，所得结果具有动态性，同时本发明建立了多目标评价模型，对于研发设计资源共享的促进作用效果更为明显。

Description

分布式研发设计资源共享激励模型与动态双目标评价方法

技术领域

本发明涉及协同制造技术领域，特别涉及分布式研发设计资源共享激励模型与动态双目标评价方法。

背景技术

资源共享激励机制一直是共享环境下企业保持核心竞争力的关键，是协调通用技术研发及创新的重要问题。Sun等人针对云数据中心的特点，基于众筹思想建立资源共享激励机制，提高了工作效率。Müller等人在工业4.0环境下确定了数字信息共享的几个目标及顾客提供的激励措施。Jin等人针对移动云计算资源设计了以双向拍卖机制为主导的高效资源共享激励机制。Xuan等人设计了自适应的智能合约激励机制，利用区块链技术对大数据时代的数据共享进行探索分析。Lu等人利用契约理论对无证物联网设备(UnlicensedIoT devices，UID)私有信息不完全信息条件下的基于OFDM的认知物联网激励机制进行建模分析。

演化博弈理论核心思想是假设人在不完全理性及有限信息条件下通过不断试错，调整自己的策略，达到博弈均衡状态，与启发式生物进化算法有相似之处。其中的复制动态方程可模拟现实情况下个体策略调整的过程，作为进化博弈论最基本的一种动态模型，能够比较合理地反映出有限理性情况下人的动作行为及策略变化趋势(可参考K.Sigmundand M.A.Nowak,“Evolutionary game theory,”Curr.Biol.,pp.503–505,1999.)。

演化博弈论已经被应用于资源共享激励机制的建模。Yang等人利用演化博弈理论对市场多个主体之间知识产权合作共享行为的博弈演化过程进行探讨。Wang等人运用进化博弈理论制定了师徒模式下知识共享激励机制，促进师徒模式下组织内的知识资源共享。Li等人为了解决代理商之间的合作困境，提出了以演化博弈理论为基础的推荐激励机制。Ke等人运用演化博弈理论构建激励机制，鼓励机会主义社会网络节点间信息传递。Yuan等人运用演化博弈理论分析了跨界水资源共享问题，为加强水资源合作管理提供指导。

对于评价问题中的赋权方法，现有的研究成果大多是围绕某一特定目标进行研究,Lociano等人利用AHP评估了智能合约中的使用风险。Tang等人利用熵值法对TOPSIS赋权法进行改进，对城市可持续性发展水平进行评价排序。Adem等人为了提高医疗管理系统的运营效率，建立模糊模型，对医疗保健供应链进行绩效评价。Alkhatib等人将模糊集，DEMATEL和TOPSIS方法结合起来，从资源维度出发，实现对物流服务商的评价。Khalil等人以建筑性能指标评价为目标，提出了一种基于AHP的建筑性能风险评价工具(BPRT)来进行研究。

对于多目标优化问题，可能不会同时优化得到多个目标方向的最优解，甚至会相互矛盾，必须取折衷解来平衡多个目标，这种情况可以用帕累托最优来表达。目前多目标优化算法可分为三大类：以MOEA-D(可参考Q.Zhang,S.Member,and H.Li,“MOEA/D:AMultiobjective Evolutionary Algorithm Based on Decomposition,”IEEETrans.Evol.Comput.TION,vol.11,no.6,pp.712–731,2007.)为代表的基于分解的多目标优化算法、以NSGA-II(可参考K.Deb,A.Pratap,S.Agarwal,and T.Meyarivan,“A fast andelitist multiobjective genetic algorithm:NSGA-II,”IEEE Trans.Evol.Comput.,vol.6,no.2,pp.182–197,2002,doi:10.1109/4235.996017.)为代表的基于支配的多目标优化算法以及以IBEA(可参考E.Zitzler and S.Künzli,“Indicator-based selection inmultiobjective search,”Lect.Notes Comput.Sci.(including Subser.Lect.NotesArtif.Intell.Lect.Notes Bioinformatics),vol.3242,no.i,pp.832–842,2004,doi:10.1007/978-3-540-30217-9_84.)为代表的基于指标的多目标优化算法。其中MOEA-D通过聚集函数将多目标优化问题转化为单目标优化问题，相比其他两种算法计算复杂度较低，运行速度较快。在解的质量方面，针对双目标评价问题，以上三类多目标优化算法具有相似性能。

现有的激励机制模型在建立时通常忽略了资源本身价值信息，可能导致以获得共享激励为目的的低价值资源的盲目共享。单一的评价方法对资源共享的促进效果有限，更加无法将时间信息融入评价算法中，所得结果不具有时序相关性。

发明内容

本发明的目的在于提供分布式研发设计资源共享激励模型与动态双目标评价方法，可以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

分布式研发设计资源共享激励模型与动态双目标评价方法，包括如下步骤：

S1：建立分布式研发设计资源共享激励模型，分析各因素对资源共享过程及结果的影响；

S2：剔除原始评价数据中的极端指标值与无用指标，建立时间权重模型，对不同时间节点的评价数据分配不同的时间权重；

S3：评价数据的归一化处理；

S4：建立动态双目标评价模型，利用启发式生物计算多目标进化方法进行优化，得到对研发设计资源共享具有最大化促进作用的各指标相应权重。

进一步地，所述S1的实现步骤如下：

将分布式资源共享行为认定为双方行为，即企业A与企业B，双方具有参与共享(P)和拒绝共享(R)两种选择策略，从资源共享收益及共享流程角度出发，抽象提取出资源共享过程中各行为及收益因素。

进一步地，所述S2的实现步骤如下：

对于原始评价数据集中的数据进行初步筛选，将其中极端指标值与无用指标剔除，确定参与优化计算的研发设计资源的评价指标，建立时间权重模型：

其中，W_t(t)为时间节点t上评价数据的时间权重，σ为时间贴现因子，σ∈[0,1]，σ越大，越重视近期的数据，T为时间集的上限；

融合时间信息后的研发设计资源i的评价指标j的评价值为：

g_ij(t)为时间t时刻上研发设计资源i的评价指标j的原始数据，m为研发设计资源个数，n为评价指标个数。

进一步地，所述S3的实现步骤如下：

经过S2得到融合时间信息后的各研发设计资源的评价指标数据Grade_ij，由于评价数据间存在维度差异，为了消除量纲的影响，对于评价指标数据按照越大越优型指标的归一化方式或越小越优型指标的归一化方式分别进行归一化处理，使各个评价指标评价值的范围均为[0,1]。

进一步地，所述S4的实现步骤如下：

将S3中得到的最终评价指标数据g_ij作为优化变量系数，将研发设计资源评价结果均值最大化，方差最小化作为优化目标，各评价指标权重W＝w_j(j＝1…n)＝{w₁,w₂…w_n}作为优化变量，建立双目标优化模型，将基于分解的多目标进化算法MOEA/D作为优化方法，得到符合双目标评价模型的帕累托最优解集，解集中的每个解均为最优解，决策者者可根据自身偏好及需求选择各评价指标最优权重分配，将得到的最优权重分配W与最终评价指标数据g_ij加权计算得出资源评价结果：

进一步地，越大越优型指标的归一化方式为：

越小越优型指标的归一化方式为：

g_ij为归一化后的带有时间信息的研发设计资源i的评价指标j的最终评价数据。

与现有技术相比，本发明的有益效果是：

本发明提出的研发设计资源共享仿真模型对于资源共享的应用实施具有参考作用，评价方法考虑了时间信息，所得结果具有动态性，同时本发明利用了多目标评价模型及优化方法，对于研发设计资源共享具有更大的促进作用。

附图说明

图1本发明的方法步骤框图；

图2情况①的资源共享演化博弈相位图；

图3情况②的资源共享演化博弈相位图；

图4情况③的资源共享演化博弈相位图；

图5情况④的资源共享演化博弈相位图；

图6情况①的资源共享演化博弈相位仿真图；

图7情况②的资源共享演化博弈相位仿真图；

图8情况③的资源共享演化博弈相位仿真图；

图9情况④的资源共享演化博弈相位仿真图；

图10a_AB对资源共享演化影响仿真图；

图11a_BA对资源共享演化影响仿真图；

图12η_A对资源共享演化影响仿真图；

图13η_B对资源共享演化影响仿真图；

图14β_A对资源共享演化影响仿真图；

图15β_B对资源共享演化影响仿真图；

图16ρ_A对资源共享演化影响仿真图；

图17ρ_B对资源共享演化影响仿真图；

图18α_A对资源共享演化影响仿真图；

图19α_B对资源共享演化影响仿真图；

图20θ_A对资源共享演化影响仿真图；

图21θ_B对资源共享演化影响仿真图；

图22μ_A与λ_A的总和对资源共享演化影响仿真图；

图23μ_B与λ_B的总和对资源共享演化影响仿真图；

图24δ_A对资源共享演化影响仿真图；

图25δ_B对资源共享演化影响仿真图；

图26MOEA/D流程图；

图27双目标评价模型的帕累托前沿；

图28三种评价方法所得结果比较；

图29三种评价方法对资源共享的影响比较；

图30为本发明的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图30，分布式研发设计资源共享激励模型与动态双目标评价方法，包括如下步骤：

S1：建立分布式研发设计资源共享激励模型，分析各因素对资源共享过程及结果的影响；

S2：剔除原始评价数据中的极端指标值与无用指标，建立时间权重模型，对不同时间节点的评价数据分配不同的时间权重；

S3：评价数据的归一化处理；

S4：建立动态双目标评价模型，利用启发式生物计算多目标进化方法进行优化，得到对研发设计资源共享具有最大化促进作用的各指标相应权重。

S1的实现步骤如下：

将分布式资源共享行为认定为双方行为，即企业A与企业B，双方具有参与共享(P)和拒绝共享(R)两种选择策略，从资源共享收益及共享流程角度出发，抽象提取出资源共享过程中各行为及收益因素。结合实际情况，分析各因素与共享收益情况的关系，进而得出各因素对研发设计资源共享趋势的影响。针对研发设计资源共享过程中的各因素，本发明做出如下参数假设：

企业固定收益：G

资源可共享总量：a

资源共享水平：θ

资源吸收能力：η

直接收益系数：α

协同收益系数：β

共享激励系数：λ

评价收益系数：μ

投机惩罚系数：ρ

成本系数：δ。

结合演化博弈理论，建立分布式研发设计资源共享演化博弈模型，利用复制动态方程近似模拟研发设计资源共享行为动态演化过程。

S2的实现步骤如下：

对于原始评价数据集中的数据进行初步筛选，将其中极端指标值与无用指标剔除，确定参与优化计算的研发设计资源的评价指标。由于原始评价数据带有时间序列信息，为了将时间信息融入评价指标数据，建立时间权重模型：

其中，W_t(t)为时间节点t上评价数据的时间权重，σ为时间贴现因子，σ∈[0,1]，σ越大，越重视近期的数据，T为时间集的上限；

融合时间信息后的研发设计资源i的评价指标j的评价值为：

g_ij(t)为时间t时刻上研发设计资源i的评价指标j的原始数据，m为研发设计资源个数，n为评价指标个数。

S3的实现步骤如下：

经过S2得到融合时间信息后的各研发设计资源的评价指标数据Grade_ij，由于评价数据间存在维度差异，为了消除量纲的影响，对于评价指标数据按照越大越优型指标的归一化方式或越小越优型指标的归一化方式分别进行归一化处理，使各个评价指标评价值的范围均为[0,1]。

越大越优型指标的归一化方式为：

越小越优型指标的归一化方式为：

g_ij为归一化后的带有时间信息的研发设计资源i的评价指标j的最终评价数据。

S4的实现步骤如下：

将S3中得到的最终评价指标数据g_ij作为优化变量系数，将研发设计资源评价结果均值最大化，方差最小化作为优化目标，各评价指标权重W＝w_j(j＝1…n)＝{w₁,w₂…w_n}作为优化变量，建立双目标优化模型，将基于分解的多目标进化算法MOEA/D作为优化方法，得到符合双目标评价模型的帕累托最优解集，解集中的每个解均为最优解，决策者者可根据自身偏好及需求选择各评价指标最优权重分配，将得到的最优权重分配W与最终评价指标数据g_ij加权计算得出资源评价结果：

将其转化为资源共享激励模型中的评价收益系数μ，分析本发明建立的动态双目标评价模型对于资源共享的促进作用。

本发明是基于这样的事实：由于缺乏科学合理的资源共享评价方法及激励机制，导致研发主体间对资源的共享意愿度和使用意愿度不高，资源浪费和资源共享与重用效率低，直接影响到MBSE研制模式应用于跨企业的产品研发设计与制造以及网络化协同设计的效果。除此之外，参与共享与重用的资源质量难以保证。在分布式环境下，数字化信息资源具有地域分散，数量庞大，共享率低的特点，可视为分布式研发设计资源的典型代表。在信息化时代，以数字信息资源为主的无形资源成为企业的重要的战略资源，成为推动传统行业进行数字化转型的积极因素。企业间关于资源共享策略的选择相互影响相互制约，资源共享发展过程可视为企业在有限理性情况下的博弈过程。

因此，基于以上提到的网络化协同设计深入应用推广缺乏研发设计资源有效共享的问题，本发明提出了一种新的分布式研发设计资源共享激励模型与动态双目标评价方法。本发明以研发设计资源中的数字信息资源为例，针对装备制造企业基于MBD和MBSE的协同创新研制需求，引入资源评价信息，将数字化信息资源共享视为双方博弈过程，结合演化博弈理论，建立了跨企业分布式研发设计资源共享激励模型，分析并验证了各种影响因素对数字信息资源共享的影响。在此基础上，本发明为实现对共享资源的动态评价，设计时间权重模型对带有时间序列的各评价指标历史数据进行处理，为了兼顾跨企业资源共享环境下共享资源整体评价水平及资源个体间评价差距水平，建立双目标评价反馈赋权模型，采用启发式群体智能多目标优化算法对其优化。本发明思路对未来MBSE研制环境下促进研发设计资源与研发流程深度融合，从而加速产业创新的研究提供借鉴意义。

通过数值模拟实验，本发明所提出的激励模型能够反映出研发设计资源共享过程中各因素的影响，其中资源可共享总量a，资源共享水平θ，资源吸收能力η，协同收益系数β，共享激励系数λ，评价收益系数μ，投机惩罚系数ρ对资源共享起到促进作用。成本系数δ对资源共享行为产生阻碍作用，直接收益系数α对资源共享演化过程不产生影响。另外，本发明提出的动态双目标评价模型相比于传统客观赋权法中的熵值法及变异系数法对于跨企业研发设计资源共享行为的促进作用更为显著，对于研发设计资源在产品研制全过程的深入应用，全面支撑跨企业一体化协同研制，促进我国高端装备研制创新，提高装备制造企业的核心竞争力都具有重要意义。

本发明的方法步骤框图如图1所示，包括：

(1)建立数字化信息资源共享动态演化博弈模型；(2)剔除原始评价数据中的极端指标值与无用指标，建立时间权重模型，对不同时间节点的评价数据分配不同的时间权重；(3)对评价指标数据进行归一化处理；(4)建立动态双目标评价模型，利用启发式生物计算多目标进化方法进行优化，得到对数字化信息共享具有最大化促进作用的各指标相应权重。

具体如下：

(1)数字化信息资源共享演化博弈模型

具体步骤包括：

①确定支付矩阵

企业A和企业B均有参与数字化信息资源共享(P)和拒绝资源共享(R)两种策略。不同策略下共享双方收益以支付矩阵的形式表示如下：

表1不同策略选择下企业的支付矩阵

②资源共享的复制动态方程

假设企业A共享概率为p，则不共享的概率为1-p。企业B共享概率为q，则不共享的概率为1-q。

企业A在选择共享资源时期望收益为Γ_A：

Γ_A＝q(G_A+a_BAθ_Bη_Aα_A+a_ABθ_Aβ_A+a_BAθ_Bη_Aβ_A+a_BAθ_Aμ_A+a_ABθ_Aλ_A-a_ABθ_Aδ_A)+(1-q)(G_A+a_ABθ_Aμ_A+a_ABθ_Aλ_A-a_ABθ_Aδ_A) (1)

企业A在选择不共享资源时期望收益为γ_A：

γ_A＝q(G_A+a_BAθ_Bη_Aα_A-a_BAθ_Bη_Aρ_A)+(1-q)(G_A) (2)

在混合策略下，企业A的平均收益为K_A

K_A＝pΓ_A+(1-p)γ_A (3)

企业A的复制动态方程：

F(p)＝p′＝p(Γ_A-K_A)＝p(1-p)(Γ_A-γ_A)＝p(1-p)(q(a_ABθ_Aβ_A+a_BAθ_Bη_Aβ_A+a_BAθ_Bη_Aρ_A)+a_ABθ_Aμ_A+a_ABθ_Aλ_A-a_ABθ_Aδ_A) (4)

同理，企业B的复制动态方程为：

F(q)＝q′＝q(Γ_B-K_B)＝q(1-q)(Γ_B-Υ_B)＝q(1-q)(p(a_BAθ_Bβ_B+a_ABθ_Aη_Bβ_B+a_ABθ_Aη_Bρ_B)+a_BAθ_Bμ_B+a_BAθ_Bλ_B-a_BAθ_Bδ_B) (5)

③平衡点稳定性分析

当F(p)＝0、F(q)＝0时，资源共享演化行为达到局部稳定状态，演化博弈的局部平衡点为：(0,0)、(0,1)、(1,0)、(1,1)、(p₃ ^*,q₃ ^*)，其中

局部平衡点的稳定性可以通过分析F(p)、F(q)的雅克比矩阵确定，雅克比矩阵如下：

其中，

雅克比矩阵的行列式和迹分别表示为DetJ，TrJ。

DetJ＝J₁₁J₂₂-J₁₂J₂₁ (13)

TrJ＝J₁₁+J₂₂ (14)

当DetJ>0,TrJ<0时，对应的局部平衡点为演化稳定策略(ESS)。当DetJ>0,TrJ>0时，对应的平衡点为不稳定点(Unstable)。当DetJ<0时，对应的平衡点为鞍点(Saddle)。 以上4种情况下数字化信息资源的共享演化路径如图2、3、4、5。

如图2所示，初始共享概率(p,q)落在区域OCPA中时，(R,R)为ESS，落在区域APCB中，(P,P)为ESS，即APBC区域面积越大，资源共享双方在演化学习之后，选择资源共享的概率就越大。在图3、4、5三种情况下，资源共享概率演化结果与初始概率无关，经过不断演化学习，ESS均为(R,R)，企业最终均不会参与资源共享。APCB区域面积可表示为S，

p₃ ^*和q₃ ^*越小，S越大，ESS为(P,P)概率越大，反之亦然。因此，资源共享演化结果与p₃ ^*及q₃ ^*有关，p₃ ^*及q₃ ^*中的各参数可影响资源共享演化结果。

④各因素对数字化信息资源的影响

研发设计资源共享演化博弈模型中各参数数值设置如下表：

表2参数设置

分别改变δ_A和δ_B，使以上4种情况下资源共享的演路径及趋势如图6,7,8,9所示，分别与图2,3,4,5趋势近似一致。

分别改变其中a_AB和a_BA,η_A和η_B,β_A和β_B,ρ_A和ρ_B,θ_A和θ_B,λ_A和λ_B，μ_A和μ_B，α_A和α_B，δ_A和δ_B参数。保持其他参数不变，分析验证各参数对资源共享演化路径的影响。各因素改变对资源共享演化的影响如图10-图25。可以看出，分布式环境下，资源可共享总量a，资源吸收能力η，协同收益系数β，投机惩罚系数ρ，资源共享水平θ，共享激励系数λ，评价收益系数μ对资源共享行为起促进作用，共享成本系数δ起阻碍作用，直接收益系数α对研发设计资源共享演化无影响。

(2)研发设计资源评价时间权重模型

期刊数据可视为数字化信息资源的一种形式，本发明将web of science文献收录平台中期刊作为研究对象近似模拟企业间研发设计资源中的数字化信息资源。首先将OPERATIONS RESEARCH&MANAGEMENT SCIENCE类别中的共82项期刊从1997-2019年的历史数据进行采集。web of science数据库中各项期刊共包含15项评价数据，分别为：总被引频次，期刊影响因子，无自引影响因子，5年影响因子，即年指标，可引用论文数，全部论文数，被引半衰期，文章影响评分，可引用文章占总文章数的百分比，平均JIF百分数，特征因子，归一化特征因子。其中包含数据间差距过大或者过小的指标以及对于评价作用不大的无用指标，将其剔除，最终选取期刊影响因子，无自引影响因子，5年影响因子，即年指标，被引半衰期，文章影响评分，平均JIF百分数，特征因子8个指标作为评价期刊质量的评价指标。

一般来讲，资源评价历史数据对于评价最终结果的可参考性具有时间衰减特性，对于不同时间节点的评价数据，应该给予不同重视程度，为了达到“厚今薄古”动态评价的目的。本发明提出了资源共享评价的时间权重模型如下：

为了降低σ取值的随机性，本发明取

其中，W_t(t)为时间节点t上评价数据的时间权重，σ为时间贴现因子，σ∈[0,1]，σ越大，越重视近期的数据。T为时间集的上限,但由于某些指标在某些年份没有相应的评价数据，故而T以指标实际数据所包含的时间集上限为准。

最终参与优化的各评价指标分值为：

/>

g_ij(t)为时间t时刻上数字化信息资源i的评价指标j的原始数据，m为数字化信息资源数量，n为评价指标个数。

(3)数据归一化

具体步骤为：

①Grade_ij为经过时间赋权后第i个研发设计资源的第j个评价指标数据，由式X得来；

②提取出Grade_ij中的最大值及最小值；

③对于越大越优型指标，通过以下归一化公式进行原始数据的归一化：

④对于越小越优型指标，通过以下归一化公式进行原始数据的归一化：

g_ij为归一化后的带有时间信息的数字化信息资源i的评价指标j的最终评价数据数据，0≤g_ij≤1。

由于选取的8个指标均为越大越优型指标，利用公式(19)对以上指标值进行归一化处理，得到各评价指标的评价值均在[0,1]之间。

步骤(2)和(3)可视为原始评价数据的预处理操作，经过预处理，原始评价数据转化为针对性强的、带有时间信息的、维度一致的评价指标数据。

(4)双目标评价模型

资源共享是群体行为，在建立评价模型时，不能仅考虑某一部分企业的利益，也不能仅考虑企业集群整体利益，需要兼顾分布式环境下企业集群与企业个体的利益。众所周知，均值代表整体水平，方差代表个体间差异程度，因此本节建立起数字化信息资源评价结果间均值最大且方差最小(Average Maximum Variance Minimum，AMVM)的双目标评价模型，使得共享资源整体情况下分值尽量大，而共享资源彼此之间差距尽量小，达到普遍提高共享资源评价分值的目的。AMVM评价模型如下：

其中，F₁(w)为各研发设计资源评分均值，f₁(w)为各研发设计资源评分均值最大值，W＝w_j＝{w₁,w₂…w_n}为优化变量，表示第j个指标的相对权重，g_ij表示第i个数字化信息资源第j个指标的分值。F₂(w)为各资源评价分值之间方差，f₂(w)为方差最小值。

此时，数字化信息资源个数m为82，评价指标数量n为8，评价模型具有2个目标，采用基于切比雪夫分解方式的MOEAD作为优化算法对动态双目标评价模型进行迭代优化最终得到帕累托前沿，在MOEA/D的优化过程中，将经过步骤(2)和(3)评价指标数据g_ij作为常数系数项，设置优化个体数为100个，遗传算子作为交叉变异算子，交叉率为0.9、变异率为0.02，迭代次数为120次。图26为MOEA/D的流程图。优化得到的帕累托前沿如图27，帕累托前沿上的所有解都是帕累托最优解，即评价指标最优权重分配。决策者者可根据自身偏好及需求选择各评价指标最优权重分配。将得到的最优权重分配W与最终评价指标数据g_ij加权计算得出资源评价结果：

将本发明提出的双目标评价模型与传统评价法中的熵值法和变异系数法进行比较，经过步骤(3)的归一化处理，评价指标数据的范围为[0,1]，所以评价结果的范围也在[0,1]，为了更加直观地比较出三种评价方法下评价结果，将评价结果范围放宽至[0,100]，即

Grade_com＝Grade_i*100 (23)

由于个体数量为100，数量较大不便观察，因此，对100个优化结果加权后产生的评价数据取平均值，与其余两种方法比较，由图28可知，本发明提出的动态双目标评价模型，在资源评价信息已定的客观条件下，可以更好地提高评价水平，评价结果分值更高，分布更加均匀。

在表2的数值设置中，μ_A＝1.5，μ_B＝1.5，Grade_com的范围为[1,100]，将Grade_com的范围缩放至1.5，即将其取值映射到μ_A及μ_B，简单地将评价结果转化为资源评价收益系数μ。由于数字化信息资源数量为82，为了实验结果更加清晰明了，将3种评价方法下82项期刊评价结果转化为资源评价收益系数μ，分别取平均数，通过实验观察不同评价方法得到的权重分配情况对资源共享概率的影响。由图29可以看出，本发明中所建立的双目标评价模型对于提高数字化信息资源共享意愿度，促进资源共享效果更加显著。

本发明主要针对研发设计资源共享率低，共享资源价值欠佳的问题，提出了分布式研发设计资源共享激励模型及动态双目标评价方法，然后通过MOEA/D进行启发式多目标进化优化。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.分布式研发设计资源共享激励模型与动态双目标评价方法，其特征在于，包括如下步骤：

S1：建立分布式研发设计资源共享激励模型，分析各因素对资源共享过程及结果的影响；

S2：剔除原始评价数据中的极端指标值与无用指标，建立时间权重模型，对不同时间节点的评价数据分配不同的时间权重；

S3：评价数据的归一化处理；

S4：建立动态双目标评价模型，利用启发式生物计算多目标进化方法进行优化，得到对研发设计资源共享具有最大化促进作用的各指标相应权重；

其中，所述S2的实现步骤如下，对于原始评价数据集中的数据进行初步筛选，将其中极端指标值与无用指标剔除，确定参与优化计算的研发设计资源的评价指标，建立时间权重模型：

其中，W_t(t)为时间节点t上评价数据的时间权重，σ为时间贴现因子，σ∈[0,1]，σ越大，越重视近期的数据，T为时间集的上限；

融合时间信息后的研发设计资源i的评价指标j的评价值为：

g_ij(t)为时间t时刻上研发设计资源i的评价指标j的原始数据，m为研发设计资源个数，n为评价指标个数；

所述S4的实现步骤如下，将S3中得到的最终评价指标数据g_ij作为优化变量系数，将研发设计资源评价结果均值最大化，方差最小化作为优化目标，各评价指标权重W＝w_j(j＝1…n)＝{w₁,w₂…w_n}作为优化变量，建立双目标优化模型，将基于分解的多目标进化算法MOEA/D作为优化方法，得到符合双目标评价模型的帕累托最优解集，解集中的每个解均为最优解，决策者根据自身偏好及需求选择各评价指标最优权重分配，将得到的最优权重分配W与最终评价指标数据g_ij加权计算得出资源评价结果：

其中，所述双目标评价模型为：

F₁(w)为各研发设计资源评分均值，f₁(w)为各研发设计资源评分均值最大值，W＝w_j＝{w₁,w₂…w_n}为优化变量，表示第j个指标的相对权重，g_ij表示第i个数字化信息资源第j个指标的分值，F₂(w)为各资源评价分值之间方差，f₂(w)为方差最小值。

2.如权利要求1所述的分布式研发设计资源共享激励模型与动态双目标评价方法，其特征在于，所述S1的实现步骤如下：

将分布式资源共享行为认定为双方行为，即企业A与企业B，双方具有参与共享(P)和拒绝共享(R)两种选择策略，从资源共享收益及共享流程角度出发，抽象提取出资源共享过程中各行为及收益因素。

3.如权利要求1所述的分布式研发设计资源共享激励模型与动态双目标评价方法，其特征在于，所述S3的实现步骤如下：

经过S2得到融合时间信息后的各研发设计资源的评价指标数据Grade_ij，由于评价数据间存在维度差异，为了消除量纲的影响，对于评价指标数据按照越大越优型指标的归一化方式或越小越优型指标的归一化方式分别进行归一化处理，使各个评价指标评价值的范围均为[0,1]。

4.如权利要求3所述的分布式研发设计资源共享激励模型与动态双目标评价方法，其特征在于，越大越优型指标的归一化方式为：

越小越优型指标的归一化方式为：

g_ij为归一化后的带有时间信息的研发设计资源i的评价指标j的最终评价数据。