本站小編為你精心準備了多目標神經網絡的高新企業投資論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1研究方法

在本研究中，其中一個目標（或者說是非合作型的度量指標）就是非連續度量，其非連續性在那些具有較少模式的數據集中尤為明顯。由于該度量使神經網絡優化過程難以聚斂，因此本文采用交叉熵方法得到一個連續函數并以此作為第一個目標。在本文算法中，初始種群為任意一個由N個神經網絡個體構成的群體。該種群中個體間的連接權重是隨機建立的某一確定間隔（輸入層和隱藏層之間的權重為[-2，2]，隱藏層與輸出層之間的權重為[-10，10]，這些間隔范圍值都是經過實驗而確定的）。初始種群產生后，使用上面提到的兩個目標函數對其進行評估。經過評估后，可按照帕累托最優原則對群體中的個體進行分類，每個個體都被賦予了與其非支配水平相同的適應度。那些非支配個體被選為父代個體進行遺傳操作，然后再對他們進行二進制淘汰（兩兩對比后選擇較優個體）。

為了產生新的子代個體，需要對選擇的父代個體進行變異運算。這里共有五種變異算子可供選擇，其中，四種是結構變異，一種是參數變異，選擇任何一種變異算子并對個體進行變異的概率均為1/5。參數變異在父代連接權重中加入高斯噪音；結構變異使用種群多樣性來增加搜索空間的多樣性。具體來講，變異算子實際上就是“增加/刪除神經元”和“增加/刪除連接”。將新產生的子代個體加入到下一代群體中，重復以上過程直至后代種群數量達到N；接著，對后代種群進行兩項指標評估并將其與父代種群合并；然后再對新產生的種群按照帕累托原則進行分類，其中最優的N個個體被選為下一代的父代，重復以上的生產過程。本文算法使用局部搜索來對父代群體和后代群體進行合并，只有那些來自第一次帕累托前沿的（即通過非支配分類得到的）個體才能進行優化，這大大地減少了運算成本，因為沒有對整個變異的后代個體進行局部搜索。經過優化，每個個體的適應度在近似誤差方面都得到了更新。整個演算過程只在開始、中間和結束部分使用優化算法，也即整個演化過程只使用了三次局部搜索。

2實驗結果

本節將以電子行業高新企業的投資決策方案評估實例來驗證方法的可行性。在電子元器件的生產過程中，其裝配系統的投資決策方案有三種，本章所使用的裝配系統每年能夠生產的產品數是不斷增加的。在投資決策方案A中，整個裝配過程包含以下幾個有序操作：產品自動預裝配、兩級人工裝配、試驗臺測試、焊臺焊接、二級試驗臺測試、三級裝配、自動貼標以及包裝。與投資決策方案A相比，B方案的區別在于其三級裝配為自動裝配，C方案在B方案的基礎上又將包裝升級為自動包裝。表1概括總結了三種投資決策方案的主要信息。從表1可見，A方案的裝配系統初始投資是最低的，產量也是最低的。對于A方案而言，三級裝配是第一個產能限制的操作，第二個就是包裝。若要將A方案的產能提升至C方案的產能，三級自動裝配站的改造成本為10萬元，自動包裝站的改造成本為12萬元。每一種系統配置的運營成本可根據每個生產單元的非固定成本以及雇員數決定的固定成本（每人每年4萬）來計算。對于每種投資決策方案而言，每個生產單元的可調節價格為3元。由于產能彈性是裝配系統所需的彈性要求，故對三種不同產品需求場景進行了描述對比（如表2所示），它們之間的主要區別在于年需求增長百分比和出現的可能性。

場景I的增長百分比最小，但是它出現增長的可能性最大，因此場景I是未來的基本場景，場景II和III是未來可能出現的場景。根據以上信息，假設現在年需求利率為9%，可獲得不同投資方案的資產收益率（ROA）。結果顯示，所有方案都能滿足未來基本場景的需求，因此投資決策方案沒有必要改造。表3對比了不同投資決策方案的評估結果，可見B方案具有最高的資產收益率（5.04%），因此它也是實現未來基本場景的較為經濟的配置；C方案的資產收益率很低，主要是因為它的初始投資以及每個生產單元的變動成本都很高。在本案例中，系統的產品需求以及產能之間的對比可顯示該種裝配系統是否需要改造。在場景II中，A方案需要在第四年進行改造，因為所需的產品量已經超過系統的生產能力，改造成本為10萬元。在場景III中，A方案需要兩次改造（第二年和第四年），B方案在第四年需要改造。

不同系統配置的預期ROF指標如表3所示。由于A方案在所有場景中都需要改造，它的預期ROF為1.7%。C方案的產能彈性最高，因此其預期ROF也最高，為2.9%。計算結果顯示，B方案在所有場景中都是較為經濟的系統配置，其資產收益率為5%，資產收益率和預期ROF之和高達7.4%，所以B方案是平衡初始投資和產能彈性之間的最佳配置。

3結束語

高新企業投資范圍極廣，很多復雜因素都需要考慮。社會因素、城鎮化、環境條件、能源供應及政治平衡等多種因素共存于高新企業投資之中，影響著高新企業投資問題的任一決策。根據筆者掌握的資料，對于涉及范圍廣、影響不易控制的高新企業投資決策方案評估來說，那些常見的評估方法很難得到令人滿意的結果。鑒于此，本文基于多目標神經網絡提出并構建了一種高新企業投資決策方案評估方法。在本文方法中，筆者首先定義了兩個評估指標：非連續度量指標和最低靈敏度指標。初始種群為任意一個由多個神經網絡個體構成的群體。初始種群產生后，使用上面提到的兩個目標函數對其進行評估。經過評估后，可按照帕累托最優原則對群體中的個體進行分類，每個個體都被賦予了與其非支配水平相同的適應度。那些非支配個體被選為父代個體進行遺傳操作，然后再對他們進行二進制淘汰。本算法使用局部搜索來對父代群體和后代群體進行合并，只有那些來自第一次帕累托前沿的個體才能進行優化。經過優化，每個個體的適應度在近似誤差方面都得到了更新。

以電子行業高新企業的投資決策方案評估實例來驗證所提方法的可行性。實驗結果表明：投資決策方案B是平衡初始投資和產能彈性之間的最佳配置。本文方法可推廣到其他類似投資決策方案的評估工作中。

作者：高凡修單位：武漢大學經濟與管理學院濮陽職業技術學院