最新文档基于云理论和理想解法的客户协同创新工作评价.docx

《最新文档基于云理论和理想解法的客户协同创新工作评价.docx》由会员分享，可在线阅读，更多相关《最新文档基于云理论和理想解法的客户协同创新工作评价.docx（9页珍藏版）》请在第一文库网上搜索。

1、基于云理论和理想解法的客户协同创新工作评价摘要本文提出一种基于云理论和理想解法的客户协同创新工作评价方法，利用云理论处理评价过程中的随机性和模糊性。采用正负理想云代替传统理想解法中的正负理想解，计算各样本关于正负理想云的确定度，采用加权综合确定度取代传统理想解法中的距离来计算接近度，评价指标的权重由蜡权法确定，最后对接近度进行排序来评价各样本的优劣。实例验证了该方法的可行性与有效性。关键词云模型理论;理想解法;客户协同创新;确定度中图分类号TP18N94文献标识码A文章编号：1671-0037(2015)08-25-4Eva1uationofCustomerCo11aborativeInnov

2、ationWorkBasedonC1oudTheoryandTOPSISWangYong1in(Schoo1ofE1ectronicandInformation,ZhongyuanUniversityofTechno1ogy,ZhengzhouHenan450007)Abstract：Aneva1uationmethodbasedonthec1oudtheoryandTOPSISforcustomerco11aborativeinnovationworkisproposedinthispaper.Thec1oudtheoryisemp1oyedtodea1withthefuzzinessand

3、randomnessintheeva1uationprocess.Thepositiveandnegativeidea1c1oudissubstitutedforthepositiveandnegativeidea1so1utionoftraditiona1TOPSISmethod,thecertaintydegreesofpositiveandnegativeidea1c1oudforeachsamp1eareca1cu1ated.Theweightedcomprehensivecertaintydegreewhichrep1acesthetraditiona1TOPSISdistancei

4、susedtoca1cu1atethec1osenessdegree,andtheweightoftheeva1uationindexisdeterminedbyentropyweightmethod.At1ast,thec1osenessdegreesaresortedtoeva1uatetheadvantagesanddisadvantagesofeachsamp1e.Casestudyverifiesthefeasibi1ityandeffectivenessofthismethod.Keywords：C1oudmode1theory;TOPSIS;customerco11aborati

5、veinnovation;certaintydegree引言客户协同创新是将客户知识和创造力作为创新资源，让客户与专业设计人员共同进行产品创新1,是“万众创新”的一种初级形态。目前，客户协同创新中客户与企业研发人员的协同工作的效率评价问题的研究还比较少，赵川等2在专家预先打分评价的基础上，构建了一种协同工作绩效BP神经网络评价模型。云模型理论是李德毅院士在20世纪90年代提出的3,理想解法（又称TOPS1S法）是一种根据评价对象与理想化目标的接近程度进行排序的多目标综合评价方法，已有一些学者在两者的融合方面做了些研究。高志方等4提出一种求解区间型决策信息的云TOPSIS方法，给出一种云元素的距

6、离测度法，但没考虑各指标权重的影响。李存斌、李如琦等5-6仅将云模型用于理想解法的初始决策矩阵生成。张龙昌等7给出一种基于云模型和TOPSIS的SaaS决策方法，给出了两种计算云模型间距离的方法，但数据主要由用户按11个等级打分产生，比较烦琐。张目等8只是借鉴TOPS1S法的基本思想修正云重心评判法中的加权偏离度。只是借鉴TOPS1S法的基本思想修正云重心评判法中的加权偏离度。在已有文献的基础上，本文提出一种新的基于云理论和理想解法的客户协同创新工作评价方法。通过建立正理想解和负理想解这两类自然语言评价集的隶属云，采用统计方法获得各样本关于正负理想云的云隶属度（确定度）来计算接近度，采用燧权法

7、确定权重，减少了传统评价方法中存在的主观偏差，从而为客户协同创新工作评价提供新的决策依据。1云模型理论云由大量的云滴组成，云滴其实就是传统的模糊隶属函数曲线上的一个点。隶属度在普通论域上的分布叫作隶属云4,11。同一个云的云滴，其隶属函数具有类似的概率分布和相近的特征。云滴越多越能反映定性概念的特征。具有普遍适用性的是正态隶属云，其论域上各点的隶属度分布符合统计学意义上的正态分布规律。云的数字特征能够反映概念的整体性和定性知识的定量特性。正态云由期望Ex、蜡En和超焙He这三个数字特征来描述。EX是云滴在论域空间分布的期望，反映了相应的模糊概念的信息中心值。En是定性概念模糊性和随机性的综合度

8、量，是标准差的期望，又称为带宽。He反映了云滴的离散程度，是标准差的标准差，其大小能反映云的厚度，值越大，云的厚度越大。传统的高斯型模糊隶属函数和正态云表达式如式(1)和式(2)：式中a为均值和b为标准差。式中EX是期望，En,是以En为期望，He为标准差的随机数。相对于传统的高斯型隶属函数，正态云的标准差En,是正态分布随机数，所以云具有不确定性。考虑不确定性，对于X的度量，要生成多个符合指定正态分布规律的En,然后代入式(2)计算，将多次计算得到的隶属度取平均值来消除随机性影响。而常规模糊数学中，a和b是固定的，确定下来就没模糊性和随机性了，仅需一次计算。传统高斯型模糊隶属函数和正态云如图

9、1所示。2理想解法考虑m个样本、n个指标的评价问题，则原始数据X=(xij)mn,理想解法主要步骤描述如下5Oa.隶属函数b.隶属云图1隶属函数和云(Ex=20,En=2,He=O.2)2.1 构造规范化决策矩阵规范化一般是为了消除量纲和数量级差异，有时还需要对指标进行同趋势化处理，使指标最优方向一致。设规范化算子为N(),2.2 数据规范化后为X,则2.3 确定各指标权重，构造加权决策矩阵。采用某种方法确定权重修则加权决策矩阵Z为：Z=X,diag(W)(4)diag(W)是以W为对角线的对角矩阵。2.4 确定正理想解和负理想解理想解可根据实际情况和经验确定，也可根据决策矩阵数据求取相对理想

10、解：正理想解Z+：负理想解Z-：j=1,2,n为指标，i=1,2,m为样本。效益型指标越大越好，成本型指标越小越好。4)计算各样本到正理想解和负理想解的距离。5)计算各样本的接近度。6)依照接近度的大小进行排序，确定优劣次序。Ci越大越好。3端权云理想解法本文结合云模型理论和理想解法，采用熠权法确定权重，提出一种熠权云理想解法，总体框架和理想解法类似，下面给出该方法的几个关键点。3. 1焙权法确定权重燧权法是根据各指标数据提供的信息量大小来确定权重的。烯是对不确定性的一种度量，燧越小，信息量越大，权重越大。令Xij是第i个样本的第j个指标数据，满足非负性，则第j个指标的端值为：其中m为样本总数

11、，pij为j个指标下第i个样本占该指标的比重，计算公式为：则第j个指标的权重Wj为：gj=1-ej3.2构造正负理想云正负理想解实际是最优和最劣两个自然语言评价集合。由于有n个指标，每一个指标对应一个正理想云和负理想云，所以共有2n个云。对于效益型指标，正理想解是上升云，负理想解是下降云;对于成本型指标，正理想解是下降云，负理想解是上升云。越接近理想解其确定度越大，确定度取值在01区间内。本文的云理想解法，计算确定度时，不需要对原始数据进行处理。下面以第j个指标为例给出正负理想云的构建方法，设该指标为效益型指标，其正理想解为Zj+,负理想解为Zjr则正负理想云的数字特征由下式确定：(13)其中

12、C+和C-为远大于1的常数。图2为Zj+二20、Zj-=10、C+=C-=100时正负理想云示意图。图2效益型指标的正负理想云成本型指标正负理想云的构建可参照效益型指标，不再赘述。3. 3接近度计算当待评样本各指标关于其正负理想云的确定度计算出来后，采用加权法计算综合确定度。设Uij+为第i个样本的第j个指标对于第j个指标的正理想云的确定度，则该样本对于正理想云的综合确定度ri+为：该样本对于负理想云的确定度ri-的计算与此类似。由于正负理想云的En是正态分布随机数，所以生成多个En,根据式(2)计算对应的Rij+和Uij-,然后取平均值作为测度值进行后续计算。传统的理想解法中，样本与理想解的

13、关系采用欧氏距离法衡量,越接近理想解距离越小，而对于本文方法，越接近理想解确定度越大,则接近度公式改为：(15)显然Ci越大越好。4应用实例基于现有研究成果，本文从客户协同创新工作的效益、效率和过程三个方面对协同工作进行评价。其中效益方面包括：创新产品的销售收入T1、创新产品的市场占有率T2、销售比率T3、创新产品对其他相关产品的推动程度T4、创新推动技术进步程度T5、创新增加技术竞争优势程度T6、创新产生专利数量T7;效率方面包括：有效时间比率T8、有效创新比率T9、产生有效创新的平均时间T10、客户平均有效创新数量T11、双方有效沟通度TI2、双方理解信任度TI3、双方工作满意度T14、问

14、题解决协调度T15;过程方面包括：工作过程流畅性TI6、工作过程设置合理性T17、工作过程冲突解决即时性TI8。表1是某制造企业的客户协同创新工作数据2,共10例。表1某制造企业的客户协同创新工作数据14.1 造决策矩阵。本例共10个样本，18个指标，如前所述,无需对原始数据处理。4. 2确定各指标权重。采用燧权法确定权重,根据式（10）-（12）,可得：W=0.03320.03590.02710.06910.07440.04190.17810.07050.03810.06310.01110.07440.06080.04250.04610.04650.04110.04614.3 确定正理想云和

15、负理想云。18个指标中除T1O外都是效益型指标，根据式（13）计算正、负理想云特征数据，此处Z+和Z-用原始数据求取，取c+=c-noo。4.4 计算各样本到正、负理想云的确定度。先计算每个样本各个指标关于各个指标的正负理想云的确定度(计算200次取平均值)，参照式(14)计算正、负综合确定度。4.5 计算各样本的接近度。采用式(15)计算，结果见表2,考虑模糊性和随机性，给出了4次评价的计算结果。4.6 依照接近度的大小进行排序，确定优劣次序。排序结果见表2。10个样本的排序由优到劣是：31895241067o由表2可知，4次评价中，各样本的接近度有细微变化，但排序结果没变。如果超熠加大，正负理想云模糊性和随机性加大，某些接近度相近的样本如8#和9#、2#和5#排序可能会颠倒。文献2采用专家打分法先确定每个样本的分数和等级，然后用神经网络来学习专家的这种经验评价，但专家打分评价是一个烦琐且含有主观因素的过程;本文采用的是基于数据的客观评价方法，两种方法原理不同，主客观因素不同，结果上也有差异。若采用神经网络学习本文结果，则主观偏差和专家工作量将大大减少。如果权重采用专家赋权，则可融入专家经验，专家赋权比专家打分评价多指标样本要客观和容易些。5结论本文考虑客户协同创新工作评价中的模糊性和随机性，采用正负理想云代替传统理想解法的正负理想解，采用云确定度代替欧氏距离,采