ASP平臺下的動態聯盟風險控制模型的研究*

林 維

（貴州大學機械工程學院，貴州貴陽 550003）

ASP平臺下的動態聯盟風險控制模型的研究*

林 維

（貴州大學機械工程學院，貴州貴陽 550003）

為解決ASP平臺下動態聯盟由于外部環境的復雜性導致的風險控制困難的問題，通過TOPSIS方法找到最優方案和最劣方案作為免疫遺傳算法的抗原輸入，每種應對方案作為抗體輸入，計算抗原和抗體之間的親和度從而找出接近最優方案的解。免疫遺傳算法采用實數編碼，把各種風險的應對措施用實數編碼表示，通過變異和交叉操作產生下一代的抗體，保持了個體的先進性，提高了計算速度與精度;TOPSIS方法解決了免疫遺傳算法中抗體在染色體群中濃度過高導致尋優過程早熟收斂的問題并且提高運算速度。風險控制模型的建立使得ASP平臺下的動態聯盟企業可用最低成本來達到有效地預防控制各種風險的目的。

ASP平臺 風險控制模型 免疫遺傳算法 TOPSIS法

ASP（Application Service Provider，應用服務提供商）平臺［1］下的動態聯盟風險是指由于虛擬企業外部環境的不確定性而使各參與方所面臨的各種風險。怎樣用最低的成本來預防或控制風險且達到最好的控制風險效果是風險控制管理策略的關鍵問題。對動態聯盟風險的相關研究方法有基于模糊綜合評判、基于螞蟻系統、基于模糊層次分析、基于遺傳算法等方法［2－4］。以上文獻對動態聯盟的風險相關內容進行了有益的探索，但對動態聯盟的風險過程控制研究較少。因此本文在對ASP平臺下的動態聯盟風險進行分析、識別的基礎上采用TOPSIS算法［3］（Technique for Order Preference by Similarity to Ideal Solution，逼近理想解排序法）和免疫遺傳算法［4－12］建立了ASP平臺下動態聯盟的風險過程控制模型。

表1 ASP平臺下動態聯盟風險控制策略表

表2 ASP平臺下動態聯盟風險應對措施編碼表

溝通風險 采用多種溝通方式A25 25技術銜接風險 統一技術思想和技術標準A26 26技術外泄風險 不同成員僅共享過程信息A27 27信息系統數據質量風險統一信息的輸入/輸出標準A29 29合作風險A28 28信息系統安全風險 數據進行必要的加密組織和管理風險 建立合理組織結構A30 30信用風險 建立監督、檢查機制A31 31流動性風險 利益共享等激勵手段穩定核心成員A32 32激勵風險 制定公正合理的伙伴收益分配方法A33 33戰略柔性風險 培養核心能力高耐久性A34 34財務風險 投資套牢風險 采取分階段支付A35 35投資到位風險 選擇新的合作伙伴A36 36

1 ASP平臺下的動態聯盟的風險控制指標體系的建立

風險因素指標體系的建立是非常重要的，指標體系涵蓋的信息量既要全面，又不能重復。由于ASP平臺下的動態聯盟的風險源變化的無窮性，逐一對每個風險源中的每個風險因素進行考察是不可能的，也是不必要的。因此本文建立了如圖1所示的風險評價指標體系。

2 基于TOPSIS和免疫遺傳算法的風險控制模型

2.1 ASP平臺下的動態聯盟風險管理策略

對付風險的策略方法有以下3方面：（1）化風險為利益：所需費用高，效果好。（2）減小風險發生：所需費用較高，效果一般。（3）減少風險可能損失：所需費用少，但效果較差。針對風險的不同性質，綜合運用這些措施使動態聯盟企業或其項目處于最安全可靠的狀態。這一過程中應盡量消除已知的風險，對不能消除的風險可以改變風險的性質、減小風險發生的概率和可能的損失程度，風險投入費用一定情況下，使企業或項目面臨的整體風險水平最低。對所選擇的各項措施、所需費用、效果打分，滿分10分進行無量綱化處理（如表1）。

表3 ASP平臺下動態聯盟風險應對措施同一趨勢化表

表4 ASP平臺下動態聯盟風險應對措施編碼表

溝通風險 采用多種溝通方式4 4技術銜接風險 統一技術思想和技術標準2 2技術外泄風險 不同成員僅共享過程信息協作風險1 1信息系統數據質量風險統一信息的輸入/輸出標準5 5信息系統安全風險 數據進行必要的加密8 9組織和管理風險 建立合理組織結構10 9.5信用風險 建立監督、檢查機制4 3流動性風險 利益共享等激勵手段穩定核心成員5 5協作風險激勵風險 制定公正合理的伙伴收益分配方法6 7戰略柔性風險 培養核心能力高耐久性9 8投資套牢風險 采取分階段支付投資風險7 7投資到位風險 選擇新的合作伙伴5 5

2.2 目標函數的構造

制定的目標函數要求風險控制的費用最低和評分效果最高，即

其中：C表示風險控制所選的措施費用;P表示評價效果的打分表示該風險應對措施所需費用;表示該風險應對措施下的效果評分。

2.3 編碼方式

本算例采用實數編碼方式，把應對各種風險的措施用實數表示。動態聯盟風險控制應對措施編碼如表2所示。針對風險的不同性質采用了應對措施，所需費用也不相同。

3 TOPSIS和免疫遺傳算法的方案實施

通過TOPSIS法找到的最優方案和最劣方案作為免疫遺傳算法抗原輸入，步驟如下。

步驟1評價指標同一趨勢化。TOPSIS法進行評價時要求所有指標變化方向一致，將低優指標轉化為高優指標。轉化方法用倒數法，即令原始數據中低優指標 Xij（i=1，2，3，…n;j=1，2，3，…，m），通過 Xij'=1/Xij變換而轉化成高優指標，然后建立同一趨勢化后的原始數據表如表3所示。

步驟2對同一趨勢化后的原始數據矩陣進行歸一化處理，并建立相應矩陣。其指標轉換公式為

式中：Xij表示第i個評價對象在第j個指標上的取值，Xij'表示經倒數轉換后的第i個評價對象在第j個指標上的取值。由此得出經歸一化處理后的A矩陣為

4 示意性算例

4.1 建立的原始數據表及同趨勢化矩陣

本算例模擬了ASP平臺下動態聯盟企業在聯合開發新產品時所面臨的各種風險。各種風險的應對措施所需費用及專家打分如表4所示。對同一趨勢化后的原始數據進行歸一化處理建立相應矩陣A即式（4），并根據應對措施對矩陣分塊。

根據公式（3），對同一趨勢化后的原始數據矩陣進行歸一化處理，并建立相應矩陣B即式（5）。

4.2 確定最優方案和最劣方案

確定最優和最劣方案的方法是通過找到每種風險下的應對措施的費用和評價打分的最大值和最小值找出最優方案d+和最劣方案d－。

4.3 計算抗原和抗體之間的親和度

其中：‖·‖表示取范數，c－（t）為到最劣方案距離，c+（t）為到最優方案的距離。E在0與1之間取值，愈接近1表示該評價對象越接近最優水平;反之愈接近0，表示該評價對象越接近最劣水平。

4.4 群體更新和終止條件判別

通過變異和交叉操作產生進入下一代的抗體，隨機挑選的一個抗體和抗原按設定的變異概率進行變異后，相互之間再進行交叉，重復執行直到滿足終止條件為止。可編制相應的程序進行模擬訓練（如圖2）。輸入樣本后，系統根據相應的改進算法來學習，直到誤差EAV滿足預先設定的要求時，系統停止學習。從模擬曲線看出，該算法解決了免疫遺傳算法中抗體在染色體群中濃度過高導致尋優過程早熟收斂的問題，并且提高了運算速度。

5 結語

ASP平臺下的動態聯盟風險控制模型的組合優化存在復雜性，在對風險識別的基礎上提出了用TOPSIS和免疫遺傳算法來建立風險控制模型，結果表明ASP平臺下的動態聯盟風險控制中引入TOPSIS具有先進性、可行性與快速性。免疫遺傳算法從父代到子代的進化就是一種搜索，這種搜索方法與傳統方法的差異在于它不是基于搜索樹的每一點進行擴展，而是從某一狀態集中進行后繼狀態的優化，從而提高了搜索效率。

［1］謝慶生.中國企業網絡化制造的模式與發展策略［J］.數字制造科學，2004（1）：15－32.

［2］黃敏，楊紅梅，王興偉.基于模糊綜合評判的虛擬企業風險評價［J］.模糊系統與數學，2004（6）：65－72.

［3］宣家驥.多目標決策［M］.長沙：湖南科技出版社，1989.

［4］黃敏，楊紅梅，王興偉.電子商務下基于螞蟻系統的虛擬企業風險控制問題［J］.計算機集成制造系統，2005（10）：85－92.

［5］曾志斌，李言，李淑娟.基于模糊層次分析的虛擬企業風險評價［J］.模糊系統與數學，2006（4）：22－28.

［6］邵文武，夏恩君，任培民.虛擬企業的風險控制研究［J］.生產力研究，2006（7）：15－22.

［7］馬軍，張青山，宿愷.采用遺傳算法的企業動態聯盟風險分析與評價研究［J］.商業研究，2004（23）：65 －72.

［8］焦李成，杜海峰，劉芳，等.免疫優化－計算，學習與識別［M］.北京：科學出版社，2006.

［9］云慶夏.進化算法［M］.北京：冶金工業出版社，2005.

［10］Stark R M，Rothkopf M H.Competitive bidding：a comprehensive bibliography［M］.Operational Research，2002：85－92.

［11］F Vernadat.Enterprise modeling and Integration［M］.Chapman and Hall，2001：25 －35.

［12］Mary john，Laura Meade，JamicRogers.Partner selection in the agile environment［M］.5th Annual Agility Forum Conference Proc，2002：65－72.

如果您想發表對本文的看法，請將文章編號填入讀者意見調查表中的相應位置。

Research on the risk management model of dynamic alliance based on ASP

LIN Wei
（College of Mechanical Engineering，Guizhou University，Guiyang 550003，CHN）

To solve the question of risk control difficult of dynamic alliance based on the ASP for the complexity of the external environment，we found the optimal and the worst schemes as the antigen input of immune genetic algorithm through the TOPSIS method.Each solution was inputted as antibody to calculate correlating between antigen and antibody in order to find the optimal solution.Immune genetic algorithm utilizes real number coding，which can keep the advancement of next－generation antibodies that were produced by mutation and crossover operation.It improveed the calculation speed and accuracy.TOPSIS method solved the problem of optimization process premature convergence for antibody excessive concentrations in chromosomes by immune genetic algorithm.Construction risk control model makes that dynamic alliance enterprises based on the ASP can achieve the purpose of prevention and control various risks in least－ cost.

ASP Platform;Risk Control Model;Immune Genetic Algorithm;TOPSIS Method

TPC11

A

* 國家“863”高技術研究發展計劃資助項目（2006AA04Z130）;國家自然科學基金資助項目（50475185，50575047）

林維，男，1972年生，講師，碩士研究生，主要從事制造業信息化的研究。

（編輯 周富榮）（收修改稿日期：2011－01－13）

4110741