杭州市高新技術(shù)企業(yè)開放式集群創(chuàng)新模型與優(yōu)化算法研究

摘要:文章根據(jù)杭州市高新技術(shù)企業(yè)的創(chuàng)新需求和特點(diǎn)，闡述了高新技術(shù)企業(yè)集群創(chuàng)新的必要性，并提出以產(chǎn)業(yè)集群和高度專業(yè)化分工為基礎(chǔ)的杭州高新技術(shù)企業(yè)的產(chǎn)業(yè)集聚空間模型和開放式集群創(chuàng)新模型。同時(shí)，提出開放式創(chuàng)新主體選擇、創(chuàng)新資源優(yōu)化配置及其創(chuàng)新網(wǎng)絡(luò)單元構(gòu)成選擇優(yōu)化的模擬退火遺傳粒子群算法，輔助企業(yè)對(duì)創(chuàng)新集群內(nèi)部進(jìn)行管理優(yōu)化，從而提升其國(guó)際競(jìng)爭(zhēng)力和創(chuàng)新能力。

關(guān)鍵詞:高新技術(shù)企業(yè);開放式;集群創(chuàng)新;優(yōu)化算法

一、 引言

以上海為龍頭、江蘇浙江為兩翼的長(zhǎng)江三角洲是我國(guó)經(jīng)濟(jì)與科技最發(fā)達(dá)的地區(qū)之一，良好的科技資源，為區(qū)域科技創(chuàng)新的發(fā)展提供了強(qiáng)勁的動(dòng)力。浙江省民營(yíng)經(jīng)濟(jì)發(fā)達(dá)，市場(chǎng)機(jī)制靈活，科技需求強(qiáng)盛，具有強(qiáng)大的科技創(chuàng)新潛力。隨著買方市場(chǎng)日益明顯，金融危機(jī)和以信息技術(shù)為先導(dǎo)的新科技革命深刻影響著企業(yè)生存發(fā)展的方式，多樣化、個(gè)性化的顧客需求使企業(yè)正面臨著增長(zhǎng)的鴻溝，加強(qiáng)營(yíng)銷、降低成本、提高生產(chǎn)率等傳統(tǒng)作法只能維持生存及緩慢的增長(zhǎng)。創(chuàng)新正成為民營(yíng)企業(yè)獲取超額利潤(rùn)、保持持續(xù)增長(zhǎng)并提高競(jìng)爭(zhēng)力的關(guān)鍵因素。

杭州作為浙江省省會(huì)和經(jīng)濟(jì)發(fā)展的龍頭，其高新技術(shù)企業(yè)不僅是產(chǎn)業(yè)創(chuàng)新的排頭兵，而且肩負(fù)著產(chǎn)業(yè)結(jié)構(gòu)調(diào)整與優(yōu)化的重任。杭州旅游業(yè)十分發(fā)達(dá)，但由于受到自然環(huán)境和旅游資源總量的限制，對(duì)經(jīng)濟(jì)發(fā)展的助推力較為有限。單純依賴旅游業(yè)的發(fā)展，很難跟上長(zhǎng)三角地區(qū)跨越式發(fā)展的步伐。因此，杭州未來(lái)的發(fā)展，就必須深入貫徹科學(xué)發(fā)展觀，緊緊依靠創(chuàng)新來(lái)實(shí)現(xiàn)旅游型城市向創(chuàng)新型城市的轉(zhuǎn)變。

近年來(lái)，杭州市高新技術(shù)產(chǎn)業(yè)發(fā)展雖初具規(guī)模，但和國(guó)內(nèi)外發(fā)達(dá)城市相比，企業(yè)在規(guī)模、技術(shù)水平和創(chuàng)新能力及競(jìng)爭(zhēng)力等方面差距較大，分散式的產(chǎn)業(yè)布局和孤島式的企業(yè)生存模式造成了資源的分散與浪費(fèi)。為了有效聚集企業(yè)、整合并充分利用各種創(chuàng)新資源，高新技術(shù)企業(yè)集群式發(fā)展十分必要。同時(shí)，在企業(yè)集群的基礎(chǔ)上，建立高新技術(shù)企業(yè)的互動(dòng)平臺(tái)，以大企業(yè)為核心，整合各創(chuàng)新主體和創(chuàng)新要素，實(shí)現(xiàn)大中小企業(yè)的互動(dòng)與開放式創(chuàng)新，有助于產(chǎn)業(yè)鏈的有效整合和專業(yè)化分工協(xié)作。但是，對(duì)于杭州市高新技術(shù)企業(yè)來(lái)說(shuō)，進(jìn)行集群創(chuàng)新無(wú)論是創(chuàng)新主體的最優(yōu)選擇、創(chuàng)新資源的優(yōu)化配置、創(chuàng)新模式效率的最優(yōu)化，還是集群內(nèi)部創(chuàng)新單元、節(jié)點(diǎn)、創(chuàng)新路徑、合作創(chuàng)新伙伴的優(yōu)化選擇以及創(chuàng)新集群構(gòu)成的組織部門的優(yōu)勝劣汰，單純憑借經(jīng)驗(yàn)進(jìn)行感性決策，則科學(xué)性較差，因而需要一種廣泛適應(yīng)上述需要的優(yōu)化算法進(jìn)行理性決策。因此，研究杭州市高新技術(shù)企業(yè)集聚創(chuàng)新的模式以及創(chuàng)新資源配置的優(yōu)化算法，可以有力助推杭州高新技術(shù)企業(yè)創(chuàng)新集群的形成和創(chuàng)新績(jī)效的提升。

二、 杭州市高新技術(shù)企業(yè)開放式集群創(chuàng)新模型

企業(yè)技術(shù)創(chuàng)新的模式包括自主創(chuàng)新、引進(jìn)消化吸收再創(chuàng)新和合作創(chuàng)新三大類。傳統(tǒng)企業(yè)的創(chuàng)新模式多為“封閉式創(chuàng)新”，主張技術(shù)創(chuàng)新活動(dòng)集中于組織內(nèi)部。隨著21世紀(jì)知識(shí)經(jīng)濟(jì)和科技的迅猛發(fā)展，企業(yè)所處的競(jìng)爭(zhēng)環(huán)境瞬息萬(wàn)變，創(chuàng)新活動(dòng)要適應(yīng)環(huán)境的變化并力求抓住市場(chǎng)的機(jī)遇，就不能完全依靠?jī)?nèi)部知識(shí)來(lái)提升競(jìng)爭(zhēng)力，封閉式創(chuàng)新很難適應(yīng)企業(yè)發(fā)展的需要，必須采用“開放式創(chuàng)新”來(lái)協(xié)調(diào)組織內(nèi)部和外部資源來(lái)產(chǎn)生新思想和創(chuàng)新成果。Henry Clesbrough在其著作《開放式創(chuàng)新》一書指出:企業(yè)可以利用內(nèi)外部的一切思想和市場(chǎng)渠道，獲取企業(yè)所需的先進(jìn)知識(shí)。開放式創(chuàng)新的特征是打破企業(yè)的邊界，強(qiáng)調(diào)知識(shí)的流動(dòng)與合作創(chuàng)新以及企業(yè)整合各種創(chuàng)新要素的能力。杭州市高新技術(shù)企業(yè)布局分散，企業(yè)規(guī)模偏小，而技術(shù)創(chuàng)新活動(dòng)不但需要大量的研發(fā)資金，還需要大量的專門人才和知識(shí)信息，單一企業(yè)很難成功完成創(chuàng)新活動(dòng)的每一個(gè)環(huán)節(jié)，為了充分發(fā)揮規(guī)模經(jīng)濟(jì)和產(chǎn)業(yè)聚集效應(yīng)的作用，杭州市高新技術(shù)企業(yè)不但要進(jìn)行開放式創(chuàng)新，而且還必須以產(chǎn)業(yè)集群為基礎(chǔ)，提高企業(yè)的整體規(guī)模并加強(qiáng)集群內(nèi)部企業(yè)間的合作與互動(dòng)，必須緊緊依靠集群內(nèi)部的大企業(yè)，以大企業(yè)為核心，其它中小型企業(yè)圍繞在周圍，形成創(chuàng)新集群網(wǎng)絡(luò)，同時(shí)，為了提高創(chuàng)新集群的創(chuàng)新效率和競(jìng)爭(zhēng)力，還必須對(duì)創(chuàng)新集群的網(wǎng)絡(luò)組織結(jié)構(gòu)進(jìn)行優(yōu)化，選擇優(yōu)質(zhì)的企業(yè)作為網(wǎng)絡(luò)節(jié)點(diǎn)來(lái)提高網(wǎng)絡(luò)節(jié)點(diǎn)的質(zhì)量，最后要對(duì)創(chuàng)新資源進(jìn)行最優(yōu)化配置。這樣，以金融機(jī)構(gòu)的資金和政府的扶持政策為支撐，高新技術(shù)企業(yè)從外界環(huán)境吸收創(chuàng)新所需的一切信息和知識(shí)，以企業(yè)研發(fā)部門的自主創(chuàng)新為基礎(chǔ)，引進(jìn)先進(jìn)的技術(shù)，模仿、消化后再創(chuàng)新，與集群內(nèi)外部的聯(lián)盟企業(yè)、高校和科研機(jī)構(gòu)合作，共同從事基礎(chǔ)研究和應(yīng)用研究，創(chuàng)新成果共享并互相反饋，才能形成具有國(guó)際競(jìng)爭(zhēng)力的高新技術(shù)產(chǎn)業(yè)集群。那么，以產(chǎn)業(yè)集群和高度專業(yè)化分工為基礎(chǔ)的杭州高新技術(shù)企業(yè)的產(chǎn)業(yè)集聚空間模型和開放式集群創(chuàng)新模型就分別如圖1、圖2所示。

杭州市高新技術(shù)企業(yè)在地域上圍繞核心集聚區(qū)的核心大企業(yè)進(jìn)行有效集聚，在創(chuàng)新方式上采用開放式集群創(chuàng)新，可以充分共享高校、科研機(jī)構(gòu)和企業(yè)的研發(fā)資源，將基礎(chǔ)研究和應(yīng)用研究并行且互相反饋;有政府政策的扶持，并可以在國(guó)家專利和引進(jìn)技術(shù)方面獲得優(yōu)惠，金融機(jī)構(gòu)的介入能有效解決創(chuàng)新對(duì)研發(fā)資金的巨大需求，集中發(fā)揮各創(chuàng)新機(jī)構(gòu)和要素的作用，推動(dòng)企業(yè)創(chuàng)新能力和技術(shù)水平的跨越式進(jìn)步。同時(shí)，為了提高高新技術(shù)企業(yè)集群的創(chuàng)新能力和創(chuàng)新效率，企業(yè)必須擁有全面的綜合管理與協(xié)調(diào)能力，能夠科學(xué)高效地整合利用創(chuàng)新資源，因此，無(wú)論是各部門間的管理協(xié)調(diào)還是創(chuàng)新活動(dòng)的管理優(yōu)化，還是創(chuàng)新主體和成員的最優(yōu)選擇都亟需完善的網(wǎng)絡(luò)信息系統(tǒng)和智能化的多維度優(yōu)化算法來(lái)輔助企業(yè)科學(xué)決策。

目前，在眾多精確型、啟發(fā)式和人工智能算法中，模擬退火遺傳算法和粒子群算法作為新興智能算法的一個(gè)獨(dú)立分支，在求解多維多目標(biāo)優(yōu)化問題時(shí)具有良好的全局搜索能力和穩(wěn)定性，因此，本文將兩者結(jié)合提出模擬退火遺傳粒子群算法。

三、 標(biāo)準(zhǔn)退火遺傳粒子群優(yōu)化算法

粒子群算法(Particle Swarm Optimization，PSO)最早是由Kennedy和Eberhart于1995年提出的，思想源于對(duì)鳥類群體行為建模和仿真研究成果的啟發(fā)，是介于遺傳算法和進(jìn)化規(guī)劃之間的一種進(jìn)化尋優(yōu)技術(shù)。其原理是由算法產(chǎn)生一組隨機(jī)的粒子(隨機(jī)解)，并通過粒子在解空間中的運(yùn)動(dòng)來(lái)尋找最優(yōu)解。在每次迭代中，每個(gè)粒子都需要通過與其它粒子的交流和自身的經(jīng)驗(yàn)來(lái)判斷下一次搜索的速度和起始位置，通過粒子之間協(xié)作和競(jìng)爭(zhēng)來(lái)實(shí)現(xiàn)在多維空間對(duì)最優(yōu)解的搜索，能夠有效優(yōu)化各種函數(shù)并且收斂速度快。

在D維的目標(biāo)搜索空間中，將每個(gè)粒子看成是空間內(nèi)的一個(gè)點(diǎn)。則第i個(gè)粒子的位置與速度分別為:zi=(zi1，zi2，zi3，…，ziD)，vi=(vi1，vi2，vi3，…，viD);它經(jīng)歷過的歷史最優(yōu)位置與全局最優(yōu)位置分別為pi=(pi1，pi2，pi3，…，pin)和pg=(pg1，pg2，pg3，…，pgD)，在每次迭代中，粒子更新速度和位置的表達(dá)式為:

vid =vkid+c1r1(pid-zkid)+c2r2(pgd-zkid)(1)

zid =zkid+vid(2)

其中:i=1，2，…，m;d=1，2，…，D;k是迭代次數(shù)，r1和r2為[0，1]之間的隨機(jī)數(shù)，c1和c2是學(xué)習(xí)因子，也稱加速因子，能夠使粒子具有自我總結(jié)和向群體中優(yōu)秀個(gè)體的能力。式(1)是粒子根據(jù)它上一次迭代的速度、當(dāng)前位置和自身最好經(jīng)驗(yàn)與群體最好經(jīng)驗(yàn)之間的距離來(lái)更新速度，然后粒子根據(jù)式(2)飛向新的位置。然后通過目標(biāo)函數(shù)來(lái)判定粒子在求解時(shí)的優(yōu)劣，并更新全局信息，如此反復(fù)直到迭代過程結(jié)束。粒子群算法解決高維度復(fù)雜問題具有很大的優(yōu)越性，但當(dāng)遇到具有較多局部極小點(diǎn)的搜索空間時(shí)，搜索效率可能會(huì)大大降低。模擬退火(Simulated Annealing，SA)算法的思想最早是由Metropolis在1953年提出，其思想源于固體物質(zhì)的退火原理，模擬了高溫金屬降溫的熱力學(xué)過程。遺傳算法是模擬生物在自然環(huán)境中遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法，是基于達(dá)爾文“優(yōu)勝劣汰、適者生存”的自然選擇和孟德爾的遺傳變異理論，通過對(duì)生物進(jìn)化的繁殖、變異、競(jìng)爭(zhēng)和選擇進(jìn)行模擬形成的隨機(jī)搜索優(yōu)化技術(shù)。模擬退火遺傳算法就是綜合了模擬退火算法和遺傳算法的算子，整合了兩種算法流程，用模擬退火算法來(lái)控制遺傳變異的代數(shù)，使用遺傳算法中的交叉、變異等算子進(jìn)行遺傳運(yùn)算的綜合性算法。

由于理論上已經(jīng)證明標(biāo)準(zhǔn)粒子群算法并不能保證收斂于最優(yōu)解，所以用所有微粒的當(dāng)前位置與全體最好位置相同時(shí)算法停止作為收斂準(zhǔn)則是有缺陷的。模擬退火遺傳算法是以概率1收斂于全局最優(yōu)解集的，因此，使用模擬退火遺傳算法作為PSO算法的收斂判據(jù)是適宜的。當(dāng)粒子群算法收斂于某一解Pg時(shí)，用Pg作為初始點(diǎn)進(jìn)行搜索，根據(jù)Metropolis準(zhǔn)則接受新解y。如果存在這樣的一個(gè)解y，使得f(y)

為了改善粒子群算法的收斂性能，引入慣性權(quán)重到速度更新公式，即:

vid =wvkid+c1r1(pid-zkid)+c2r2(pgd-zkid)(3)

w為慣性權(quán)重，它是一個(gè)隨時(shí)間線性減少的函數(shù)，其表達(dá)式為:

算法具體流程為:

Step1 初始化算法各參數(shù)，設(shè)置初始溫度?茲0，降溫方式為:?茲t+1=C·?茲t

Step2 隨機(jī)產(chǎn)生一個(gè)種群規(guī)模為N的初始粒子群D0，對(duì)D0進(jìn)行帶慣性權(quán)重因子和收縮因子的粒子群算法(詳見表1)運(yùn)算，得到較優(yōu)的粒子群D1。

Step5 分別計(jì)算母粒子和子粒子的目標(biāo)函數(shù)的適應(yīng)值 f(xi)、f(xj)和f(x*i)、f(x*j)，并將兩者的適應(yīng)值進(jìn)行比較，計(jì)算其增量?駐=f(x*)-f(x)，以概率p用子粒子代替母粒子，當(dāng) ?駐?叟0時(shí)，接受概率p=exp(-?駐/?茲)，否則p=1。

Step6 衰減控制參數(shù)t，使t=Ct，跳至Step3。

Step7 如果未達(dá)到冷卻狀態(tài)，則:?茲←T(t)，轉(zhuǎn)向Step 3;如果已經(jīng)到達(dá)冷卻狀態(tài)，則輸出當(dāng)前最優(yōu)點(diǎn)，計(jì)算結(jié)束。

四、 結(jié)論

杭州市高新技術(shù)企業(yè)以產(chǎn)業(yè)集群為基礎(chǔ)，在地域空間分布上，以大企業(yè)為核心，中小企業(yè)圍繞周圍，有效利用模擬退火遺傳粒子群算法整合優(yōu)化創(chuàng)新資源和政府、高校、金融機(jī)構(gòu)、中介機(jī)構(gòu)和研究院所等創(chuàng)新主體，形成開放式集群的創(chuàng)新網(wǎng)絡(luò)，才能有效提升杭州高新技術(shù)產(chǎn)業(yè)的競(jìng)爭(zhēng)力和創(chuàng)新能力。

參考文獻(xiàn):

1. 克羅吉，顧慶良.長(zhǎng)三角區(qū)域科技創(chuàng)新體系的特點(diǎn)及其啟示.華東經(jīng)濟(jì)管理，2009，(2):24-26.

2. Anna Bergek， Staffan Jacobsson， Bo Carlsson， Sven Lindmark， Annika Richne. Analyzing the functional dynamics of technological innovation systems: Ascheme of analysis. Research Policy，2008，(3):407-429.

3. Von Hippel， E. The sources of Innovat- ion. New York: Oxford University Press，1988.

4. Clesbrough， H.Open Innovation: The New Imperative for Creating and Profiting from Technology. Harvard Business School Press， Cambridge，MA.，2003.

5. Kennedy J， Eberhart R. Particle swarm optimization.Proceedings of IEEE International Conference on Neural Networks， Piscataway: IEEE Service Center，1995:1942-1948.

6. Metropolis N， Rosenbluth M. Equation of state calculations by fast computing machines. Journal of Chemical Physics，1953，(21):1087-1092.

7. 王偉，殷志祥.基于模擬退火算法的可逃逸粒子群算法.計(jì)算機(jī)應(yīng)用研究，2008，(5):1326-1327.

8. Clerc M. The swarm and the queen: Towards a deterministic and adaptive particle swarm optimizatio].Proceedings of the Congress of Evolutionary Computation， Washington，1999:1951-1957.

9. 鄭煥章，孫大為.環(huán)京津區(qū)域創(chuàng)新體系建設(shè)及對(duì)策研究.河北經(jīng)貿(mào)大學(xué)學(xué)報(bào)，2005，(1).

10. 楊大楷，馮體一.長(zhǎng)江三角洲區(qū)域科技創(chuàng)新能力實(shí)證研究.上海財(cái)經(jīng)大學(xué)學(xué)報(bào)，2008，(6).

基金項(xiàng)目:杭州市哲學(xué)社科規(guī)劃項(xiàng)目(B09GL08)。

作者簡(jiǎn)介:劉國(guó)巖，博士，浙江工業(yè)大學(xué)之江學(xué)院工商管理教研室講師。

收稿日期:2009-12-20。