[摘要]在產(chǎn)學研的技術(shù)合作創(chuàng)新中，企業(yè)向?qū)W研單位購買科研技術(shù)成果是企業(yè)獲得技術(shù)的一種重要手段，但由于企業(yè)與學研單位信息不對稱，利益不一致，導致了許多產(chǎn)學研技術(shù)交易的失敗。本文在此背景的基礎(chǔ)上，借助金融學的風險管理理論，構(gòu)建不完全信息下的學研單位最優(yōu)投標模型，并引入粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)計算學研單位的非線性優(yōu)化模型的參數(shù)，從而最終確定學研單位的投標策略，對學研單位的投標決策具有一定的指導意義。

[關(guān)鍵詞]粒子群優(yōu)化算法;產(chǎn)學研;投標模型

一、引言

科學技術(shù)是第一生產(chǎn)力，科學技術(shù)推動經(jīng)濟社會發(fā)展的巨大作用和影響不僅來自科技本身的發(fā)展，更來自科技成果迅速轉(zhuǎn)化為現(xiàn)實的生產(chǎn)力。產(chǎn)學研合作是企業(yè)與學術(shù)科研界為了共同實現(xiàn)創(chuàng)新目標而形成的合作交流活動，學研單位研發(fā)形成的新技術(shù)、新工藝等科技成果，通過專利許可或技術(shù)轉(zhuǎn)讓等交易方式轉(zhuǎn)讓給企業(yè)方，由企業(yè)進行產(chǎn)業(yè)化和市場開發(fā)。這種交易方式是將科技成果轉(zhuǎn)化為現(xiàn)實生產(chǎn)力的重要途徑。產(chǎn)學研合作的核心思想是通過合作與集成實現(xiàn)“雙贏”或“多贏”的目標，在強調(diào)社會收益的基礎(chǔ)上，實現(xiàn)每個成員的收益最大化。技術(shù)交易合作能在雙方產(chǎn)生收益是產(chǎn)學研能夠保持穩(wěn)定長期合作的基礎(chǔ)。

在此環(huán)境下，學研單位面臨的一個重要問題就是自己的科研技術(shù)成果如何被企業(yè)方選中，同時獲得最大的利潤，實現(xiàn)風險最小而利潤最大。從數(shù)學規(guī)劃的角度看，學研單位面臨的問題可以表述為:在等式或不等式的約束下，對目標模型的優(yōu)化。學研單位的投標模型是一個典型的在不完全信息條件下的非線性的最優(yōu)化問題，從最優(yōu)化問題的求解角度來看，此類問題的求解方法可以分為兩大類:(1)確定性的方法:文獻介紹了分支界定法、牛頓搜索法、網(wǎng)絡搜索法和懲罰函數(shù)法。(2)啟發(fā)式方法:文獻介紹了一種優(yōu)化基因法，用以求解線性規(guī)劃問題。本文在前人的研究成果上，利用粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)求解學研單位的投標模型最優(yōu)化問題。PSO算法是由Kennedy和Eberhart博士于1995年受人工生命研究結(jié)果啟發(fā)，而提出的一種基于群體智能的進化計算方法。PSO算法從提出到現(xiàn)在，受到了研究者的廣泛關(guān)注，并在函數(shù)優(yōu)化、聚類、預測理論中獲得成功的運用。本文借鑒電力系統(tǒng)的投標模型，建立學研單位的投標模型，使用PSO算法，計算學研單位的最優(yōu)投標參數(shù)。

二、模型的建立

1. 目標函數(shù)

為使問題簡單化，本文模擬市場中有n家學研單位，每家學研單位只有一項可供交易的科研技術(shù)成果。那么學研單位需要給定的投標函數(shù)為:

(1)

記，其中是第i家學研單位的投標參數(shù)，是第i家學研單位的科研技術(shù)成果的價值。學研單位的成本函數(shù)為:

(為常量，每家學研單位都不同) (2)

那么學研單位的利潤函數(shù)表示為:

(3)

其中是企業(yè)方考慮社會效率最大化或費用最小化，確定的技術(shù)交易價格。從式(3)可以發(fā)現(xiàn)，學研單位只要報高價就可以獲得較高的利潤，但同時也可能面臨因報價高而不被企業(yè)方調(diào)度，從而需要承擔一定的風險，所以學研單位的投標策略是涉及到兼顧風險的投標策略，本文假設學研單位都是穩(wěn)健的學研單位，對風險的喜好程度為中等，一般取值為0.5左右。

當學研單位按一定的投標或報價后，企業(yè)在考慮社會效益最大化和網(wǎng)絡約束的條件下進行調(diào)度，調(diào)度的目標模型為:

是企業(yè)方對科研技術(shù)成果的調(diào)度量，是學研單位科研成果本身的價值，是效用函數(shù)， 是學研單位的總成本函數(shù)。

2. 粒子群優(yōu)化算法

PSO算法是一種實數(shù)域內(nèi)的進化算法。在PSO算法中，每個優(yōu)化問題的潛在解都是 維搜索空間上的一個點，稱之為“粒子(Particle)”。所有的粒子都有一個適應值和一個速度，適應值由目標函數(shù)決定，速度則決定粒子們的飛行方向和距離，粒子們追隨當前的最優(yōu)粒子在解空間中搜索最優(yōu)值。

PSO算法首先初始化一群隨機粒子，再通過疊代計算找到最優(yōu)值。在每一次疊代中，粒子通過跟蹤兩個“極值”來更新自己，第一個是粒子本身所找到的最優(yōu)值，這個最優(yōu)值叫做個體極值(PBest);另一個極值是整個粒子種群目前找到的最優(yōu)值，這個最優(yōu)值叫做全局極值(GBest)。每一個粒子都知道當前個體的最優(yōu)值、群體中的最優(yōu)值和與其對應的位置，并能跟蹤當前的最優(yōu)粒子[9]。基本的粒子群模型是在一個n維的空間內(nèi)，由m個粒子、與進化代數(shù)t相關(guān)的粒子位置和速度構(gòu)成，表示為:

算法用Matlab PSO工具箱實現(xiàn)，PSO算法中的參數(shù)設置如下:;的隨機數(shù);;粒子數(shù)目;迭代次數(shù)上限。通過計算得出，當時，最優(yōu)投標系數(shù)為;。在給定不同的R時，有不同的最優(yōu)投標系數(shù)，結(jié)果如表1所示。從表1的計算結(jié)果可以看出，隨著R的增大，最優(yōu)投標系數(shù)也變大，即投標系數(shù)增加，被調(diào)度的科研成果價值相應的增大，利潤的期望值也隨之增加。當R達到一個特定的值以后，最大利潤趨于平衡，最后達到一個穩(wěn)定的值。通過實驗分析，可以得出以下結(jié)論:風險因子 越大，投標系數(shù)隨之增大，投標相應增高。簡單言之，就是風險越大，利潤越高，這結(jié)論也符合經(jīng)濟學原理。但是利潤也不是無限的增長，當風險達到一定的程度時，利潤就不再增長而到達平衡。PSO算法在求解這類約束非線性的問題時簡單易行，具有全局最優(yōu)解能快速收斂的優(yōu)點，并且計算結(jié)果與初始點的選擇無關(guān)。

三、結(jié)束語

從傳統(tǒng)經(jīng)濟學到新增長理論，再到制度經(jīng)濟學，技術(shù)創(chuàng)新和技術(shù)交易作為十分重要的內(nèi)容得到了較全面的研究。技術(shù)創(chuàng)新是一個受制于多種因素的過程，所以許多具有重大市場價值的科研成果都出自學研單位，而企業(yè)想要及時吸收最新的科研成果，必須與學研單位進行廣泛合作，以獲取、開發(fā)和換取各種知識、信息和資源。產(chǎn)學研合作創(chuàng)新是國家創(chuàng)新體系有效運作的重要環(huán)節(jié)，是提升一國產(chǎn)業(yè)技術(shù)能力的基本途徑。在知識經(jīng)濟時代下，科研成果也為市場經(jīng)濟建設服務，當前的科研技術(shù)市場是以企業(yè)需求為主的市場，企業(yè)方掌握

整個生產(chǎn)經(jīng)營活動的主動權(quán)，所以，一般來說企業(yè)在科研技術(shù)成果交易的談判中處于有利地位，學研單位處于不利地位。這種情況導致一些學研單位對技術(shù)交易并不積極回應，這種狀況如果長期存在勢必影響國家創(chuàng)新系統(tǒng)內(nèi)的知識流動，不利于科研技術(shù)成果的轉(zhuǎn)化。本文建立一個學研單位的投標模型，經(jīng)過實驗分析，得出學研單位在技術(shù)投標策略中的參數(shù)選擇，對學研單位如何根據(jù)自己的資源和能力進行投標具有一定的指導意義。

參考文獻:

[1]宋偉.論科技經(jīng)濟結(jié)合對社會進步的作用[J].科學研究，1995，(4):35-38

[2]吳繼文，王娟茹.中國產(chǎn)學研合作的產(chǎn)生、發(fā)展過程和趨勢[J].科技與管理，2002

[3]Hansen P，Jaumard B，Savard G.New branch-and-bound rules for linear bi-level programmming[J].SIAM Journal on Science and Statistical Computing， 1992， 13(5): 1194-1217

[4]Savard G，Gauvin J.The steepest desent direction for the nonlinear bi-level programming problem[J].Opeations Research Letters，1994，15(5):265-273

[5]Oduguwa V， Roy R. Bi-level optimation using genetic algorithm[C]Proceedings of IEEE International Conference on Artificial Intelligence System Divnomorskoe， 2002:322-327

[6]Kennedy J，Eberhart R.Particle swarm optimization[C]Proceedings of IEEE International Conference on Neural Network， Perth(Australia)，1995:1942-1948

[7]Pedro F.Correia.Games with incomplete and asymmetric information in poolco markets. IEEE Transactions on Power Systems，2005，20(1):83-89

[8]趙志學，羅可等.改進混沌PSO算法的電力系統(tǒng)最優(yōu)潮流計算[J].計算機工程與應用，2009，45(25):205-207

[9]Shoubo S，Shuho Y V.Particle swarm optimization based on good point-set[C] International Symposium on Intelligence Computation Applications. Wuhan， China [s.n.]，2005