劉舉勝　何建佳　徐福緣

摘要：借鑒自然界中的自適應法則，利用動態(tài)雙重自適應PSO算法機理，對知識型企業(yè)知識狀態(tài)系統(tǒng)演化模型進行構建，利用自適應學習系統(tǒng)和自適應共享系統(tǒng)2個復雜資源來對知識狀態(tài)這一復雜自適應系統(tǒng)進行趨近。通過知識吸收，知識學習，知識整合，知識共享等幾個步驟將知識狀態(tài)系統(tǒng)以一種合理的方式進行演化，最后對此模型的性能和穩(wěn)定性進行仿真。結果表明，動態(tài)雙重自適應PSO算法機理能夠較好地反映知識型企業(yè)知識狀態(tài)系統(tǒng)的演變過程。

關鍵詞：動態(tài)雙重自適應PSO；企業(yè)知識狀態(tài)系統(tǒng)；知識學習；知識共享

中圖分類號：F 120文獻標識碼：A文章編號：1672-7312（2017）01-0076-09

Abstract： With reference to the adaptive law of the nature，using the mechanism of dynamic dual adaptive PSO algorithm，the paper constructed the evolution model of knowledge state system in the knowledgebased enterprise；Using adaptive learning systems and adaptive shared system，the paper made an approach to the complex adaptive system：knowledge state.With such few steps as absorbing knowledge，acquiring knowledge，integrating knowledge and sharing knowledge，the state of knowledge will be evolved in a reasonable manner；finally，a simulation of the performance and stability of the model was done.The results show that the mechanism of the dynamic dual adaptive PSO algorithm can reflect the knowledge state system in the knowledgebased enterprise.

Key words： dynamic dual adaptive PSO algorithm；the state of knowledge system；acquiring knowledge；sharing knowledge

0引言

知識作為一種可重用的社會資源，一種無形的資本，在新的經(jīng)濟形態(tài)中發(fā)揮著越來越重要的作用[1]。近年來，隨著“轉型發(fā)展”和“互聯(lián)網(wǎng)+戰(zhàn)略”的提出，知識型企業(yè)如雨后春筍迅速發(fā)展壯大起來，以百度、騰訊、阿里巴巴為首的高科技IT知識型企業(yè)將知識和人才正作為其賴以生存的有效資源積極利用起來。

知識狀態(tài)系統(tǒng)是一個自適應性的復雜系統(tǒng)（Complex Adaptive Systems，簡稱CAS），在復雜自適應系統(tǒng)中，個體的屬性及其間的關系發(fā)生的變化并不完全遵從線性關系，特別是在人和系統(tǒng)以及環(huán)境的反復作用過程中表現(xiàn)的更加明顯。復雜自適應系統(tǒng)理論認為，客體之間的影響不是簡單的、被動的、單向的因果關系，而是主動的適應關系，同時以往的經(jīng)驗會影響未來的行為。知識狀態(tài)系統(tǒng)作為一種復雜自適應系統(tǒng)，它的更新是一種從有序到無序再到有序的非線性動態(tài)平衡系統(tǒng)，它的行為豐富多樣而難以預測，系統(tǒng)的進化過程艱難曲折，正因為這樣，國內外很多學者才對此展開研究。Wolfgang W Bein[2]將知識狀態(tài)的演化思想抽象為一種進化算法，用來解決2-sever problem并且取得了較好的效果。Eduard bartl 和Radim Belohlavek[3]將知識狀態(tài)假設為0和12個不同維度下個體向群體學習的模糊集，將知識狀態(tài)等級進行劃分，并且通過數(shù)值計算驗證了知識空間等級劃分的可行性。王斌[4]運用知識聯(lián)盟理論和知識共振理論的分析方法，解釋了知識聯(lián)盟中知識狀態(tài)演化問題。為了能夠更充分的說明知識狀態(tài)的演化規(guī)律，一些學者借鑒先進的理論從理論層面對知識狀態(tài)的演化進行了研究。孫悅[5]從耗散結構和熵變的角度分析了知識型企業(yè)知識狀態(tài)系統(tǒng)的演化，顏秀春[6]從知識治理的角度研究了知識型企業(yè)知識狀態(tài)演變，韓毅[7]在討論知識場概念的基礎之上，通過調整和控制知識存量來對知識狀態(tài)的演化進行了描述，王斌[8]運用網(wǎng)絡位勢理論，知識狀態(tài)的理論方法，構建了網(wǎng)絡位勢的知識狀態(tài)演化模型，對知識狀態(tài)的演化做了進一步的拓展。黃麗華[9]利用logistic法則對企業(yè)知識狀態(tài)系統(tǒng)的演化構建了協(xié)同機制評價研究。這些研究為后來的學者提供了理論基礎，局限的是沒有將這種模型進行數(shù)值研究。

知識型企業(yè)與知識工作者之間挖掘知識集，不斷進行協(xié)調進化，從而推動知識狀態(tài)系統(tǒng)演化的過程與鳥群或魚群捕食過程的社會行為相似。趙坤[10]將知識狀態(tài)的演化過程類比為粒子群群體進化的進化過程，但是局限的是這種類比及模型的構建只是單一的將PSO算法應用于知識狀態(tài)的演化過程中，沒有進行數(shù)值仿真，對知識狀態(tài)的演化沒能進行更為充分的展現(xiàn)。針對這一問題，文中設計了一種動態(tài)雙重自適應PSO算法，算法中的慣性權重會根據(jù)系統(tǒng)的最優(yōu)解進行自適應改變，學習因子會隨著算法的進化而相應的改變，這種雙重自適應的變化能夠使得算法較快的找到系統(tǒng)的最優(yōu)解，能夠很好的反映企業(yè)知識狀態(tài)系統(tǒng)的演化，通過仿真發(fā)現(xiàn)，將這種算法機理用來描述知識狀態(tài)系統(tǒng)的演化真實有效，切實可行。

1企業(yè)知識狀態(tài)系統(tǒng)內涵的界定

企業(yè)知識狀態(tài)（Knowledge State，KS）是企業(yè)獲取競爭優(yōu)勢的重要源泉[11]，近年來，隨著經(jīng)濟轉型和產(chǎn)業(yè)結構的升級，知識經(jīng)濟逐漸受到了人們的廣泛關注，知識型組織重新回到了人們的視野，根據(jù)彼得˙德魯克（1998）的觀點，知識型組織是指以知識為基礎，由各種各樣的專業(yè)人員或專家組成的組織。隨著知識型組織關注度的提高，有關知識狀態(tài)的研究逐漸增多，Mark Helpworth[12]從知識狀態(tài)的認知主體上進行了研究，陳琦[13]通過知識存量、知識結構、知識流動、知識分布、知識水平5個屬性對知識狀態(tài)的內涵進行了鑒定。這些學者主要從知識狀態(tài)的認知主體和屬性上進行了研究。這些研究使讀者初步了解了知識狀態(tài)的演化，但是這些研究沒有將知識狀態(tài)借鑒到企業(yè)層面上來。為了將知識狀態(tài)借鑒到企業(yè)層面上來，陳素娟[14-15]從知識狀態(tài)系統(tǒng)演化的動力進行了研究，分析了知識型企業(yè)知識狀態(tài)系統(tǒng)演化的內部動力和外部動力。劉曉冰等[16]基于演化過程的視角針對企業(yè)知識安全管理的要求，提出了面向過程的知識狀態(tài)描述方法，并且利用此方法建立了知識狀態(tài)的三維描述模型。江文年等人[17]從3種不同的視角研究知識的演化，整合提出了企業(yè)知識演化的綜合模型。此外，為了將知識狀態(tài)演化的動態(tài)性描述出來，一些學者基于生物演化或生態(tài)演化的視角對知識狀態(tài)的演化進行描述。郭培韜等人[18]利用生態(tài)學的演化思想和生態(tài)位理論對轉型企業(yè)的知識狀態(tài)系統(tǒng)演化模型進行構建并分析，張紅兵等人[19]提出了基于“融知-發(fā)酵”的知識演化模型，從生物發(fā)酵的規(guī)律和其深層次機理對知識狀態(tài)的演化進行了說明。綜上這些研究對知識狀態(tài)的演化進行了初步探析，對知識狀態(tài)的演化過程進行了初步的描述，局限的是沒能把知識狀態(tài)系統(tǒng)是一個復雜自適應系統(tǒng)這一根本特征體現(xiàn)出來。

文中基于復雜自適應系統(tǒng)的大背景，以復雜資源（子系統(tǒng)）進行趨近，牢牢把握復雜結構來源于簡單子系統(tǒng)的相互作用這一復雜性的精髓，利用生物學中的自適應法則，將企業(yè)中的知識狀態(tài)借鑒具有群體演化思想的雙重自適應PSO算法機理進行模擬演化，并進行了仿真，得到了較為理想的效果。

2知識型企業(yè)知識狀態(tài)系統(tǒng)演變的動態(tài)雙重自適應PSO機理分析

2.1知識型企業(yè)知識狀態(tài)演變的本質

2.1.1

知識挖掘分析從系統(tǒng)論的角度講，任何組織都是由相互聯(lián)系、相互依賴和相互作用的元素構成[20]，從構成知識狀態(tài)系統(tǒng)的成分或元素上來說，知識狀態(tài)系統(tǒng)主要包括顯性知識向隱性知識的轉化，隱性知識的挖掘，涉及組織、知識工作者、環(huán)境3個方面。

在知識經(jīng)濟時代，組織持續(xù)競爭力的源泉正日益集中于組織內部特有的、難以模仿的知識資源。一方面，知識資源成為知識型組織的關鍵性資源；另一方面，由于人力資源與知識資源有緊密的聯(lián)系，人力資源管理成為知識型組織管理的核心。

員工是知識最根本的載體，不同的知識工作者擁有不同的態(tài)空間（state space）[21]。不同的員工本身所攜帶的知識具有異質性，這種異質性雖然增加了系統(tǒng)中知識的多元性，但是這會使得系統(tǒng)的熵增大，熵增意味著系統(tǒng)的有序程度降低，這又導致了知識挖掘的難度增加。具體來說，知識型企業(yè)在知識挖掘上存在的困難來源于2個不可調和的矛盾。一個是知識集搜集的質量和數(shù)量，知識工作者搜集的知識信息魚龍混雜、良莠不齊，只有能融入企業(yè)并產(chǎn)生效益和能進行知識生產(chǎn)的知識才是企業(yè)所需要的知識。另一個是知識價值的多元性和知識工作者的利益性。也就是說，不同的知識發(fā)送者（知識源）和知識接受者（知識受體）對知識的領悟吸收能力及其學習能力、思維能力、交往能力等智力因素和情感智商的高低使得對知識的理解呈現(xiàn)多元化，這也是知識價值的多元性。對于某一具體的知識工作者，當其認為自己知識不夠時或由于考慮到某種利益時，是不大可能將知識進行共享的，這樣就使得知識挖掘難度增大。

此外，環(huán)境包括了自然環(huán)境和社會環(huán)境及其他獨立于自身系統(tǒng)的環(huán)境，如國家、中介機構、客戶、競爭對手、市場等。環(huán)境是知識挖掘的一個重要場所，要完成知識挖掘這一目標，僅僅進行企業(yè)自身的知識積累是不夠的，因為這種知識資源的范圍狹窄，獲取的資源極其有限，所以要進行外界環(huán)境知識的整合、生產(chǎn)、利用、儲存及共享等。

2.1.2

知識共享與決策特征

通過觀察一些社會行為，Beekman.M[22]發(fā)現(xiàn)社會行為主要有2個目的：一個是在群體活動中，每個個體能夠協(xié)助群內其他人員進行搜索食物，另一個是群體合作能夠提高搜索效率。這一發(fā)現(xiàn)使得“共享”逐漸步入人們的視野，在知識經(jīng)濟時代，作為知識型企業(yè)核心生產(chǎn)要素的知識，只有通過相互交流、學習、共享才能得到發(fā)展，知識的共享范圍越廣，其利用、增值的效果越好，知識只有被更多的知識工作者所共享，才能使知識的擁有者獲得更大的收益。知識的共享不可能通過強制的方式得以實現(xiàn)，而是依賴于組織對個人的積極鼓勵以及良好的共享氛圍，如果沒有充足的內外激勵和積極的共享文化，知識工作者面臨的種種知識共享成本與風險必然會成為組織推進知識共享的障礙。

此外，知識型企業(yè)中的員工（知識工作者）是一個具有主觀能動性和自適應性的創(chuàng)新性個體，在知識挖掘的過程中，個體會按照一定的規(guī)則進行自我知識挖掘，主要表現(xiàn)為員工自我能力、經(jīng)驗、技能等知識的提升；群體會按照群體的目標進行挖掘，主要表現(xiàn)為企業(yè)的軟實力，價值觀，目標愿景的提升。群體按照目標愿景對個體進行指導，使得個體極值和群體極值在有限的協(xié)調次數(shù)下逐步接近。這樣的演變過程從形式上可以描述為一個鳥群的捕食過程，實質上是一個粒子群優(yōu)化過程。

2.2知識型企業(yè)知識狀態(tài)系統(tǒng)演變的雙重自適應PSO模型及分析

粒子群算法也稱Particle Swarm Optimization（PSO）算法[23]，作為一種經(jīng)典的智能演化算法，是在模仿自然界的鳥群以一種共享的捕食策略時而被提出來的，文中在粒子群算法的基礎上，通過一系列的改進得到了動態(tài)雙重自適應粒子群算法（Dual Adaptive PSO，簡稱DAPSO）。在自然界的捕食過程中，DAPSO粒子群算法可以很好的反映種群中的個體共享自己和伙伴們的經(jīng)驗來使整個種群成員獲得食物這一原理，這種策略和知識型企業(yè)知識系統(tǒng)的演化有著一定的相似之處，因此DAPSO粒子群算法非常適合用來描述知識狀態(tài)系統(tǒng)的演化過程。

2.2.1

動態(tài)雙重自適應PSO原理及粒子信息交換方式基本的動態(tài)雙重自適應PSO原理可以描述如下：

其中，w為慣性權重；d=1，2，…，D；i=1，2，…，n；k為當前迭代次數(shù)；Vid為粒子的速度；c1和c2為加速度因子，c1稱為個體學習因子，c2稱為社會學習因子；r1和r2是分布于[0，1]區(qū)間的隨機數(shù)。在PSO算法中的速度更新方程中，c1，c2分別為個體學習因子和社會學習因子，c1，c2一般取2。

目前，關于c1，c2對算法性能影響的研究還不是很多[24]。我們知道，個體學習因子體現(xiàn)了粒子的自我學習能力，社會學習因子體現(xiàn)了粒子的社會學習能力。在搜索初期，較大的自我學習因子可以使得粒子以較大的速度在解空間中尋求全局最優(yōu)解，而跳出局部最優(yōu)解。在搜索后期，粒子需要在最優(yōu)解的附近進行局部搜索，此時，粒子需要較強的社會學習能力。為此，文中引入動態(tài)調整策略來平衡c1，c2的關系，c1，c2通過自適應變化，控制粒子的飛行速度與方向，來提高解的收斂速度與精度，具體調整策略為

借鑒生物學中的自適應原理，將c1，c2分別設計為自適應個體學習因子和自適應社會學習因子，將w設計為自適應慣性權重，文中將這種具有雙重適應性、動態(tài)的PSO算法叫做動態(tài)雙重自適應PSO算法（DAPSO）。

在動態(tài)雙重自適應算法中，粒子群的信息主要來自于各粒子的個體極值所構成的矩陣：p=（p1，p2，p3，…，pn），DAPSO由于利用了自然界協(xié)同進化的天然優(yōu)勢，因此它具有高效的搜索性能。種群中的粒子的速度以一種適應環(huán)境的、恰當?shù)乃阉魉俣冗M行搜索，粒子在進行自我搜索的同時又能夠協(xié)助其他粒子進行搜索。因此，DAPSO相比傳統(tǒng)的PSO在研究知識狀態(tài)系統(tǒng)演化的過程中會顯示得天獨厚的優(yōu)勢。

2.2.2

知識型企業(yè)知識狀態(tài)系統(tǒng)演變的雙重自適應PSO模型基于以上認知，可以發(fā)現(xiàn)知識狀態(tài)系統(tǒng)在知識挖掘、知識轉化、知識共享上與DAPSO機理具有很好的兼容性，為此，文中基于DAPSO信息處理機制對知識狀態(tài)系統(tǒng)演化模型進行了初步探索。我們有如下定義。

基于以上定義，我們對知識狀態(tài)系統(tǒng)演化模型進行了初步的探索，但是對于知識狀態(tài)系統(tǒng)中知識的轉化以及知識的共享機制我們仍然不是非常清楚，為了更進一步的了解知識狀態(tài)系統(tǒng)的演變機理，文中基于知識轉化和知識共享的角度提出了如下假設：

假設1：文中將c1和c2分別看作企業(yè)中的員工在學習知識時的一種自我學習系數(shù)和社會學習系數(shù)，系統(tǒng)通過自適應地調節(jié)自我學習系數(shù)c1不斷使個體達到最優(yōu)，這種調節(jié)反映在企業(yè)的知識管理工作中，就是企業(yè)領導為員工創(chuàng)造學習條件，營造學習氛圍，員工通過自我學習，將企業(yè)中的顯性知識轉換為隱性知識，邊干邊學，不斷增長才干，提升自我核心競爭力；系統(tǒng)通過自適應地調節(jié)社會學習系數(shù)c2促使個體向群體最優(yōu)趨近（approach），

這種調節(jié)反映在企業(yè)的知識管理工作中，就是知識通過個體向群體的學習，模仿和實踐而傳播，群化的學習過程可以掌握創(chuàng)新和技術的核心，可以學到書本學不到的大量經(jīng)驗和訣竅。知識聯(lián)盟的興起是這一轉換的現(xiàn)實反映[25]。知識型企業(yè)知識轉化的機理如圖1所示。

在自適應知識轉化系統(tǒng)中，隨著企業(yè)員工不斷的自我學習和社會學習，知識狀態(tài)系統(tǒng)中的顯性知識和隱性知識不斷地增加，在這一過程中，顯性知識會轉化為隱性知識，隨著隱性知識的增長和社會學習系數(shù)的增大，員工的學習能力和創(chuàng)造能力越來越強，表現(xiàn)為單位時間內隱性知識對顯性知識的占比不斷提高，此時，員工更加注重經(jīng)驗、技巧等隱性知識，在個體思維上，吸收、思考、整合，創(chuàng)新能力逐步提升，知識狀態(tài)會發(fā)生變遷，知識成果會加速涌現(xiàn)。

上述轉化機理，要求企業(yè)領導要為員工提供舒適的工作環(huán)境、較好的福利待遇、融洽的人際關系，以及按績效獎勵的公平競爭環(huán)境，這樣才有可能最大限度地激發(fā)員工的創(chuàng)造力。員工的創(chuàng)造力是知識時代企業(yè)最大的財富，不論是哪種知識轉換都會表現(xiàn)為企業(yè)財富的增加，表現(xiàn)為企業(yè)不斷增加的信息優(yōu)勢、人才優(yōu)勢、創(chuàng)新優(yōu)勢，最終表現(xiàn)為企業(yè)競爭優(yōu)勢的增加和企業(yè)經(jīng)濟效益的提高。

假設1是基于Nonaka和Takeuchi的顯性知識和隱性知識轉換模型（SECI模型）——知識螺旋理論（Knowledge Spiral）提出來的。在知識狀態(tài)系統(tǒng)中，顯性知識的轉換是基礎，是進行知識交流和共享的前提。在顯性知識轉化的同時，隱性知識開始向隱性知識轉換，只有有效的實現(xiàn)了隱性知識間的轉換，才能激發(fā)創(chuàng)造力，知識才能從一種知識態(tài)躍遷到另一種知識態(tài)，實現(xiàn)從量變到質變，這一假設也與現(xiàn)實較為符合。

知識在完成轉化之后，知識發(fā)生了躍遷，系統(tǒng)內知識的熵增大，知識變得更加多元化，如何讓知識在知識狀態(tài)的系統(tǒng)中進行共享，如何采取一些激勵措施加速知識的共享成為一個不得不考慮的問題。在激勵研究的最初階段，學者們認為激勵是一個單一的概念，在其作用下，人們會有不同的行為經(jīng)歷和行為結果。但隨著研究的深入，學者們發(fā)現(xiàn)促使個體行為發(fā)生的激勵因素可能源自于外界，也可能源自于個體內部。由此，學術界提出了外在激勵和內在激勵的概念。外在激勵有些與物質相關如工資、績效獎金、分紅；有些偏重非物質方面，如組織賦予的榮譽，組織認同，以及良好的人際關系。無論是何種形式的外在激勵措施都基于個體的行為績效會受到組織的回報，而這種組織的回報是個體所期望的，會滿足個體的某些需求，這也是符合社會交換理論的。當學術界圍在關注外在激勵的同時，一些學者開始尋找“內在激勵”，馬斯洛（maslow，1943）[26]最先進行探索，他在需求層次理論中認為所有個體均有挖掘自身成長的需要。Ryan和Deci[27]經(jīng)過一系列的實驗研究表明，比起外部激勵來說，個體的內在激勵行為會使個體具備更多的興趣，熱情和信心，給組織帶來高績效和高創(chuàng)意產(chǎn)出的同時，也使個體擁有更多的自尊、成就感、幸福感和自我效能。知識型企業(yè)的激勵機理如圖2所示。

假設2：文中從內在激勵和外在激勵的內涵和作用機制出發(fā)，將慣性權重w看作是企業(yè)進行知識共享時的激勵因子。激勵因子w的大小會反映激勵效用的不同，在進行外部激勵時，根據(jù)激勵因子w，可以將激勵措施按激勵效用的不同分為粗略的2種策略，策略1和策略2.總體來看，策略1的激勵效用較大，策略2的激勵作用較小。當個體發(fā)生知識共享行為的愿景與組織的目標愿景一致時，即在個體知識共享過程中，發(fā)生相互探討、積極交流、為組織的發(fā)展建言獻策等有利于組織發(fā)展的行為時，組織按策略1進行激勵；反之，當個體發(fā)生知識共享

行為的愿景與組織的目標愿景有偏差時，即接受新知識時出現(xiàn)故意拖延、虛假接受、被動應對、暗地破

壞或公然反抗等行為，組織按策略2進行激勵。不同的激勵策略相應的能夠使得每個員工向著最有利于企業(yè)發(fā)展的目標進行。具體如圖3所示。

個體在進行內部激勵時，將w的取值假設為隨機的，這也與理論較為相符，每個個體不同時期對自己的內在激勵是不一樣的，這一點在馬斯洛的需求層次理論也會有所反映。組織在進行激勵員工進行知識共享時，既要結合員工個體內在的激勵需求，又要結合員工外在的知識共享表現(xiàn)，將外在的激勵策略合理的結合起來，個性化的為每個員工制定合理的激勵培養(yǎng)計劃，使得知識能夠最大限度地進行共享，具體的機理如圖4所示：

基于以上定義和假設，文中借鑒生物學中的自適應法則，緊緊圍繞復雜結構來源于簡單子系統(tǒng)的相互作用這一復雜性的精髓，利用動態(tài)雙重自適應PSO機理對知識狀態(tài)系統(tǒng)演化模型進行了演化，具體的演化模型如圖5所示。

知識狀態(tài)系統(tǒng)作為一個復雜自適應系統(tǒng)，對于復雜性系統(tǒng)，應該以系統(tǒng)自身的運作方式去了解這些系統(tǒng)，對復雜系統(tǒng)的認知，我們只能依賴于系統(tǒng)本身，也就是說真正復雜性問題我們只能以復雜資源進行趨近[28]。

文中所設計的演化模型，利用自適應學習系統(tǒng)和自適應共享系統(tǒng)這2個復雜資源來對知識狀態(tài)系統(tǒng)進行趨近，通過知識吸收、知識學習、知識整合、知識共享等幾個步驟將知識狀態(tài)以一種合理的方式進行演化，最后使得新知識體系為全體員工和組織所掌握。

3數(shù)值仿真

我們知道，知識型企業(yè)知識挖掘的優(yōu)化效能，取決于知識工作者獲得的信息與搜索效率和精度的平衡[10]，也就是說，算法性能好壞可以反映知識狀態(tài)系統(tǒng)演化模型性能的優(yōu)劣，為了檢驗模型的準確性和穩(wěn)定性，文中取普通PSO算法（PSO）和自適應慣性權重PSO算法（Adaptive Inertial Weight PSO，簡稱AIWPSO）以及自適應加速因子PSO算法（Adaptive Accelerated Factor PSO，簡稱AAFPSO）和動態(tài)雙重自適應PSO（Dual Adaptive PSO，簡稱DAPSO）來進行比較。此外，為了顯示DAPSO算法的優(yōu)勢，將普通PSO算法中的慣性權重w按照文獻[29]進行設計：

3.4測試分析

1）通過分析以上測試結果，將AIWPSO和AFFPSO與普通PSO比較，我們不難發(fā)現(xiàn)，對于單峰函數(shù)f1，f2來說，AIWPSO和AFFPSO在尋優(yōu)性能和搜索精度上都要優(yōu)于普通PSO.這表明AIWPSO和AFFPSO算法通過借鑒自然界中的自適應法則，可以使得粒子以合適的速度遍歷解空間中的點，使得粒子具有較優(yōu)的尋優(yōu)性能。

2）對比DAPSO和AIWPSO，AFFPSO，我們發(fā)現(xiàn)，DAPSO在精度上優(yōu)于AIWPSO；在尋優(yōu)效率上優(yōu)于AAFPSO。對于局部最優(yōu)值較多的函數(shù)f3來說，DAPSO在尋優(yōu)率上優(yōu)于其他單方面自適應算法，這表明DAPSO不僅融合了AIWPSO快速尋優(yōu)的特點，同時也融合了AAFPSO的自我適應的收斂特性。此外，比較這幾種算法的均值和標準差，我們不難發(fā)現(xiàn)DAPSO較其他幾種算法在穩(wěn)定性上有更好的表現(xiàn)。

綜上，我們發(fā)現(xiàn)DAPSO較其他算法有較好的收斂性能和尋優(yōu)性能，同時也具有一定的穩(wěn)定性，對于模擬知識狀態(tài)系統(tǒng)的演化具有較好的效果。

4結論

文中利用動態(tài)雙重自適應PSO算法的機理，對知識型企業(yè)知識狀態(tài)系統(tǒng)的演變模型進行構建，以及對模型的演化性能進行仿真模擬，來探索知識型企業(yè)知識狀態(tài)系統(tǒng)的演化過程。通過模型構建和仿真模擬，我們發(fā)現(xiàn)知識型企業(yè)知識狀態(tài)系統(tǒng)的演化過程是一個自適應和不斷的與外界進行知識交換的過程，在演化的過程中，知識能否進行合理地轉化和知識能否最大化共享對于企業(yè)的管理者來說顯得尤為重要。在知識轉化的過程中，管理者需要確保組織的信息交流無障礙，需要為員工營造良好的學習氛圍，提供舒適的工作環(huán)境、較好的福利待遇，對員工所掌握的知識進行深度挖掘，不斷提升知識的轉化效率，提高員工的創(chuàng)造力，最后使得企業(yè)中的知識形成一條完整的知識鏈；在知識共享的過程中，管理者需要制定個性化的激勵措施，對員工進行有效的激勵，確保每個員工能貢獻自己所有的知識的同時也能分享到其他員工的知識，從而為企業(yè)知識的創(chuàng)新奠定基礎。

參考文獻：

[1]王眾托.知識管理[M].北京：科學出版社，2009.

[2]Wolfgang W Bein.Knowledge state algorithms and the 2severproblem[J].Electronic Notes on Discrete Mathematics，2004，17（3）：49.

[3]Eduard Bartl，Radim Belohlavek.Knowledge Spaces with graded knowledge states[J].Information Sciences，2011（181）：1 426-1 439.

[4]王斌.知識聯(lián)盟中知識狀態(tài)演化路徑的研究——以濮陽特種玻璃及光電源知識聯(lián)盟為例[J].理論與探索，2016，39（1）：70-75.

[5]孫悅，趙坤.知識型企業(yè)知識狀態(tài)系統(tǒng)的熵變研究[J].科學學研究，2008，26（2）：339-343.

[6]顏秀春.知識型企業(yè)知識狀態(tài)系統(tǒng)的知識治理模式[J].科技進步與對策，2008，25（4）：151-156.

[7]韓毅.基于知識場模型的知識管理調控策略[J].圖書館情報工作，2008，52（6）：56-59.

[8]王斌.網(wǎng)絡位勢主導下的知識狀態(tài)演化機理研究[J].現(xiàn)代情報，2016，36（1）：40-44.

[9]黃麗華.基于logistic法則對企業(yè)知識生態(tài)系統(tǒng)協(xié)同機制評價研究[J].聊城大學學報：自然科學版，2014，27（4）：78-83.

[10]趙坤，孫悅.知識型企業(yè)知識狀態(tài)系統(tǒng)演變的PSO機理及其優(yōu)化模型分析[J].科學管理研究，2006，24（4）：78-81.

[11]曹興，羅會華.企業(yè)知識狀態(tài)：企業(yè)競爭優(yōu)勢的一種理論解析[J].中國軟科學，2005（11）：124-129.

[12]Helpworth M.A framework for understanding user requirements for an information service：defining the needs of informal carers[J].Journal of the American Society for Information Science and Technology，2004，55（8）：695-708.

[13]陳琦.知識狀態(tài)與企成長的微觀機制研究[J].企業(yè)家天地，2007（2）：73-75.

[14]陳素娟.知識型企業(yè)知識狀態(tài)系統(tǒng)演化的內部動力分析[J].企業(yè)導報，2013（23）：194-195.

[15]陳素娟.知識型企業(yè)知識狀態(tài)系統(tǒng)演化的外部動力分析[J].當代經(jīng)濟，2014（2）：150-151.

[16]劉曉冰，白朝陽，薛冬娟，等.面向過程追蹤的知識狀態(tài)描述方法研究[J].計算機應用研究，2008，25（11）：3 346-3 349.

[17]江文年，楊建梅.基于多視角的知識演化的企業(yè)知識管理體系研究[J].科技管理研究，2004，24（4）：66-67.

[18]郭培韜，郭東強.轉型企業(yè)知識轉移的生態(tài)學解釋模型[J].情報科學，2015，33（1）：89-94.

[19]張紅兵，和金生.基于“融知-發(fā)酵”的產(chǎn)業(yè)集群知識創(chuàng)新探析[J].科學管理研究，2007，25（4）：76-79.

[20]尹守軍，井潤田.基于復雜系統(tǒng)的組織結構演化研究[D].成都：電子科技大學，2014.

[21]歐陽瑩之.復雜系統(tǒng)理論基礎[M].上海：上?？萍冀逃霭嫔纾?002.

[22]Beekman M，Ratnieks F L W longrang.Foraging by the honeybee.Apis Mellifera L[J].Functional Ecologicy，2000，14：490-496.

[23]

Kennedy J Eberhart R.Particle swarm optimization[J].IEEE International Conference on Neural Networks，1995，4（8）：1 942-1 948.

[24]龍文，焦建軍，龍祖強.基于PSO優(yōu)化LSSVM的未知模型混沌系統(tǒng)控制[J].物理學報，2011，60（11）：1-5.

[25]儲節(jié)旺，郭春俠.知識管理學科的興起、理論發(fā)展與體系構建研究[M].安徽：安徽大學，2014.

[26]Maslow A H.A theory of human motivation[J].Psychological Review，1943，50（1）：370-396.

[27]RM Ryan，EL Deci.Selfdetermination theory and the facilitation of intrinsic motivation，social development，and wellbeing[J].American Psychologist，2000，55（1）：68-78.

[28]何建佳，徐福緣.基于元胞自動機的自旋玻璃離散優(yōu)化[J].系統(tǒng)工程，2011，29（7）：91-98.

[29]薛婷.粒子群優(yōu)化算法的研究與改進[D].大連：大連海事大學，2008.

（責任編輯：王強）