一种基于概率灰色综合评价的企业合作伙伴选择方法

摘要

一种基于概率灰色综合评价的企业合作伙伴选择方法，包括以下步骤：确定待选企业及评价指标；对各待选企业进行灰色综合评价，选取各指标的最优值构成最优指标集，经过计算得出各企业与最优指标集之间的关联度；基于概率进行伙伴选择，将各待选企业与最优指标集之间的关联度定义为该企业的选择概率，针对每一个待选企业，产生随机数，若随机数小于该企业的连接概率，则该企业被选为合作伙伴，若基于概率的伙伴选择过程中没有伙伴被选择，则选择由灰色综合评价得出的最优企业为合作伙伴。该方法能在客观评价的基础上得出一个或多个解，更符合实际情况，有实用、灵活、计算量小等优点。

说明书

技术领域

本发明属于管理技术领域，特别是涉及一种基于概率灰色综合评价的企业合作伙伴选择方法。

背景技术

随着科学技术的不断进步、经济全球化的发展及技术变革的加速，产品生命周期日趋缩短，市场需求日益多元化和定制化，顾客对产品的要求和期望越来越高，企业依靠自身已无法对市场做出快速响应。为了应对新的挑战，越来越多的企业选择与其他企业合作，发挥各自的优势资源，提高竞争力。

伙伴选择是企业合作中的一个关键问题。伙伴选择合适与否很大程度上决定了企业能否应对激烈的市场竞争。合作伙伴选择本质上是一个评价寻优的过程。现有的选择方法如数学规划法、层次分析法、模糊决策法、群体智能算法(遗传算法、粒子群算法等)等虽各有长处，但仍存在一些问题：

1)主观因素影响较大。层次分析法中用于描述两元素相对重要性的判断矩阵由专家的直觉和经验确定，主观性较强；模糊集理论不能解决评价指标相关造成的评价信息重复问题，隶属度函数的确定也没有系统的方法。判断矩阵、评价指标划分、隶属度函数等都是上述方法中存在的不确定因素，其值的不同对评价结果有很大影响。然而对这些参数的设定却没有客观、系统的方法。

2)理论性强，与实际情况有出入。群体智能算法适用于大样本寻优，而在实际伙伴选择中，单个企业并不能获得整个网络中所有的潜在合作伙伴的信息，或者说了解所有潜在合作伙伴信息的成本比较高，使得企业在选择合作伙伴的时候往往只有少量对象，群体智能算法的优势体现的并不明显。如何有效地找出总体最优解，避免陷入局部最优也是一个需要注意的问题。此外，以上方法都只能得出一个解，而实际情况中企业可能选择多个伙伴。

综上所述，现有的伙伴选择方法存在一定的局限性。因此，有必要提出一种既客观又能 很好地反映实际情况的企业合作伙伴选择方法。

发明内容

本发明的目的在于解决现有合作伙伴选择方法中存在的不足，提出一种基于概率灰色综合评价的企业合作伙伴选择方法，该方法利用各待选企业与最优指标集之间的关联度的大小对各参评对象的质量进行比较、排序，并引入概率来模拟实际情况中出现的不确定性，质量越优的企业被选为合作伙伴的概率越大。该方法能在客观评价的基础上得出一个或多个解，有实用、灵活、计算量小等优点。

为达上述及其他目的，本发明提出一种基于概率灰色综合评价的企业合作伙伴选择方法，该方法包括灰色综合评价和基于概率的伙伴选择两部分：

1)灰色综合评价包括以下四个步骤：

步骤一，设有n个企业待选，每个企业有m个评价指标。选取每个指标在各个企业中的最优值，构成最优指标集；

步骤二，对原始指标值进行规范化处理；根据以下公式对各指标进行规范化处理：

$c_{\mathrm{ij}}=\frac{x_{\mathrm{ij}}-\underset{j}{\min }\left\{x_{\mathrm{ij}}\right\}}{\underset{j}{\max }\left\{x_{\mathrm{ij}}\right\}-\underset{j}{\min }\left\{x_{\mathrm{ij}}\right\}}$

其中，c_ij为企业i的第j个指标经规范化后的值，x_ij为企业i的第j个指标。

步骤三，计算各指标值与最优指标值之间的灰色关联系数；根据以下公式来计算每一指标值与最优指标值之间的灰色关联系数：

$r_{\mathrm{ij}}=\frac{\underset{i}{\min }\underset{j}{\min }|x_{0j}-x_{\mathrm{ij}}|+\mu \underset{i}{\max }\underset{j}{\max }|x_{0j}-x_{\mathrm{ij}}|}{|x_{0j}-x_{\mathrm{ij}}|+\mu \underset{i}{\max }\underset{j}{\max }|x_{0j}-x_{\mathrm{ij}}|}$

其中，r_ij为第i个企业的第j个指标与该指标的最优值之间的关联系数，x_0j为指标j的最优值，x_ij为第i个企业的第j个指标，μ为分辨系数，取值范围为[0,1]，一般取μ＝0.5。

步骤四，给出各评价指标的权重，计算得出各待选企业与最优指标集之间的关联度。根据以下公式来计算待选企业与最优指标集之间的关联度：

$a_i=\underset{j=1}{\overset{m}{\Sigma }}{r}_{\mathrm{ij}}\times w_j(i=\mathrm{1,2},...,n)$

其中，a_i为企业i与最优指标集之间的关联度，r_ij为企业i的第j个指标与该指标j的最 优值之间的关联系数，w_j为指标j的权重。

2)基于概率的伙伴选择包括以下两个步骤：

步骤一，各待选企业与最优指标集之间的关联度即为该企业的被选择概率，针对每一个待选企业，产生随机数，若随机数小于该企业的连接概率，则该企业被选为合作伙伴产生的随机数满足以下条件：

min(a_i)-0.05≤s_i≤max(a_i)+0.05，

其中，s_i为针对企业i产生的随机数，min(a_i)为所有待选企业关联度的最小值，max(a_i)为所有待选企业关联度的最大值。

步骤二，结果检验。若没有伙伴被选择，则选择由灰色综合评价得出的最优企业为合作伙伴。

本发明有以下优点：

1、选取每个指标的最优值作为评价标准，是一种相对评价方法，能有效地评价当前待选企业集合中各企业的优劣；

2、没有难以确定的参数，使评价结果更为客观；

3、引入概率来模拟实际情况中的决策者选择偏好和不确定性，可得出一个或多个解，更贴近实际。

附图说明

图1为本发明提出的一种基于概率灰色综合评价的企业合作伙伴选择方法的步骤流程图；

图2为灰色综合评价的步骤流程图；

图3为基于概率的伙伴选择的步骤流程图，

图中符号说明如下：

i为企业编号，n为待选企业个数，a_i为企业i的被选择概率,s_i为针对企业i产生的随机数。

具体实施方式

本发明主要包括灰色综合评价和基于概率的伙伴选择两个部分，如图1所示。

1、灰色综合评价

灰色综合评价的步骤流程图如图2所示，分为以下4个步骤：

1)确定最优指标集

设有n个企业待选，每个企业有m个评价指标： 

X₁＝{x₁₁,x₁₂,…,x_1j,…,x_1m}

X₂＝{x₂₁,x₂₂,…,x_2j,…,x_2m}

…

X_i＝{x_i1,x_i2,…,x_ij,…,x_im}        (1) 

…

X_n＝{x_n1,x_n2,…,x_nj,…,x_nm}

1≤i≤n,1≤j≤m

其中，X_i表示企业i的指标集，x_ij表示企业i的第j个指标。从每个指标列中选取最优值，构成最优指标集：

X₀＝{x₀(1),x₀(2),…,x₀(m)}     (2) 

将最优指标集和原始数据构成指标矩阵X：

$X=\left(\begin{array}{cccc}{x}_{01}& x_{02}& ...& x_{0m}\\ x_{11}& x_{12}& ...& x_{1m}\\ ...& ...& x_{\mathrm{ij}}& ...\\ x_{n1}& x_{n2}& ...& x_{\mathrm{nm}}\end{array}\right)---\left(3\right)$

2)指标值的规范化处理

由于评价指标间通常有不同的量纲和数量级，故不能直接比较，为了保证评价结果的可靠性，需要对原始指标值进行规范化处理，处理方法如下：

$c_{\mathrm{ij}}=\frac{x_{\mathrm{ij}}-\underset{j}{\min }\left\{x_{\mathrm{ij}}\right\}}{\underset{j}{\max }\left\{x_{\mathrm{ij}}\right\}-\underset{j}{\min }\left\{x_{\mathrm{ij}}\right\}}(i=\mathrm{0,1,2},...,n;j=\mathrm{1,2},...,m)---\left(4\right)$

其中，c_ij为第i个企业的第j个指标经规范化后的值，x_ij为第i个企业的第j个指标。特别地，若则c_ij＝1。显然，有0≤c_ij≤1。

将原指标矩阵X按(4)式进行变换，得标准化指标矩阵C：

$C=\left(\begin{array}{cccc}{c}_{01}& c_{02}& ...& c_{0m}\\ c_{11}& c_{12}& ...& c_{1m}\\ ...& ...& c_{\mathrm{ij}}& ...\\ c_{n1}& c_{n2}& ...& c_{\mathrm{nm}}\end{array}\right)---\left(5\right)$

3)计算各指标值与最优指标值之间的灰色关联系数

按下式计算各指标值与最优指标值之间的灰色关联系数：

$\left(\begin{array}{c}{r}_{\mathrm{ij}}=\frac{\underset{i}{\min }\underset{j}{\min }|x_{0j}-x_{\mathrm{ij}}|+\mu \underset{i}{\max }\underset{j}{\max }|x_{0j}-x_{\mathrm{ij}}|}{|x_{0j}-x_{\mathrm{ij}}|+\mu \underset{i}{\max }\underset{j}{\max }|x_{0j}-x_{\mathrm{ij}}|}\\ i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,m\end{array}\right)---\left(6\right)$

其中，r_ij为第i个企业的第j个指标与该指标的最优值之间的关联系数，x_0j为指标j的最优值，x_ij为第i个企业的第j个指标，μ为分辨系数，取值范围为[0,1]，一般取μ＝0.5。经过计算，得关联系数矩阵R：

$R=\left(\begin{array}{cccc}{r}_{01}& r_{02}& ...& r_{0m}\\ r_{11}& r_{12}& ...& r_{1m}\\ ...& ...& r_{\mathrm{ij}}& ...\\ r_{n1}& r_{n2}& ...& r_{\mathrm{nm}}\end{array}\right)---\left(7\right)$

4)计算各待选企业与最优指标集之间的关联度

给出各指标的权重：

$W={\left(\begin{array}{cccccc}{w}_1& w_2& ...& w_i& ...& w_m\end{array}\right)}^T,0\le w_i\le 1,\underset{i=1}{\overset{m}{\Sigma }}{w}_i=1---\left(8\right)$

其中w_i为指标i的权重。按下式(9)计算待选企业与最优指标集之间的关联度：

$a_i=\underset{j=1}{\overset{m}{\Sigma }}{r}_{\mathrm{ij}}\times w_j(i=\mathrm{1,2},...n)---\left(9\right)$

其中，a_i为企业i与最优指标集之间的关联度，r_ij为企业i的第j个指标与该指标j的最优值之间的关联系数，w_j为指标j的权重。显然，有0≤a_i≤1。计算得企业关联度向量A：

A＝(a₁ a₂ … a_i … a_n)^T         (10) 

2、基于概率的伙伴选择

基于概率的伙伴选择的步骤流程图如图3所示，主要分为以下2个步骤：

1)伙伴选择

针对每一个待选合作企业i，产生随机数s_i，形成随机数向量S：

S＝(s₁ s₂ …s_i … s_n)^T      (11) 

其中，s_i的范围需满足：

min(a_i)-0.05≤s_i≤max(a_i)+0.05(12) 

其中，min(a_i)为所有待选企业关联度的最小值，max(a_i)为所有待选企业关联度的最大值。若s_i<a_i，则企业i被选为伙伴。

2)结果检验

由于引入了概率，存在没有伙伴被选择的情况，即若对于所有i，均有s_i≥a_i，则没有合作伙伴被选择。而企业需要合作伙伴，在这种情况下，选择由灰色综合评价得出的最优企业作为合作伙伴。

综上所述，本发明提出一种基于概率灰色综合评价的企业合作伙伴选择方法，该方法利用灰色综合评价来确定待选企业与最优指标集之间的关联度，该关联度表示企业的优劣。进一步地，令企业的被选择概率为该企业的关联度，针对每一待选企业，产生随机数，若随机数小于该企业的被选择概率，则该企业被选为合作伙伴。即企业的质量越优，被选为伙伴的概率越大。由于引入了概率，存在没有伙伴被选择的情况，因此需要对选择结果进行检验。若在概率选择的阶段没有伙伴被选择，则选择由灰色综合评价得出的最优企业作为合作伙伴。本方法能在客观评价的基础上得出一个或多个解，更符合实际情况，有实用、灵活、计算量小等优点。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。