张 丽

（西北工业大学 人文与经法学院，西安710072）

0 引言

随着时代的发展，人们逐渐认识到事物的复杂性很难用精确的数学模型或数学公式来处理，从而转换为希望用一种能如同人的学习、推理和思考的人工智能方式来处理事物的复杂性，同样，在对战略性新兴产业进行评价的过程中，基于精确数学模型的评价方法已经不能完全适应社会发展的需要，基于人类经验、人类语言表述和人类思维领域的人工智能驱动下的评价方式，应该是未来决策领域的主要发展趋势。本文根据战略性新兴产业中存在的不确定性和复杂下，提出集结个人经验和模糊语言的战略性新兴产业评价模型，并利用遗传算法的智能搜索求解过程来实现对战略性新兴产业的评价。

1 战略新兴产业评价指标体系构建

1.1 战略新兴产业评价指标分析

本文对现有关于战略性新兴产业评价指标进行分析，并根据实际情况设计问卷，通过对调查问卷数据的整理和分析，并结合战略性新兴产业选择和评价的实际需要，最终得到影响战略性新兴产业的主要因素包含以下几个方面：

战略性新兴产业评价是一个复杂的系统工程，也是不断更新和改进的过程，在对其评价指标的选择过程中，应该根据时代的发展，不断将最新的思想和观念引入其中，本文在对现有评价指标研究成果的分析上，引入了知识管理能力和产业内外部协同水平这两个指标。

1.2 基于模糊层次分析法评价指标权重的确定

考虑到评价过程中人的意识的不确定性和模糊性，因此采用模糊层次分析法[1]来确定战略性新兴产业评价指标的权重。即对任意两个战略性新兴产业评价指标的重要性进行比较，并利用如表2所示的模糊互补比较标度构建

表1 战略性产业评价指标体系

模糊互补判断矩阵，设最终构造的模糊互补判断矩阵为：

模糊互补判断矩阵R满足加性一致性条件，则模糊互补判断矩阵的元素与战略性新兴产业评价指标权重W=(w1，…，w6)的关系为

在模糊互补判断矩阵权值导出计算过程中，有很多的指标权重计算方法，最常用的是模糊互补判断矩阵排序的中转法(MTM)，其指标权重的计算公式为[1]：

通过该公式，即可计算出战略性新兴产业各指标的权重，从而得到评价指标权重向量：

表2 0.1-0.9模糊互补比较标度

2 模糊信息下战略性新兴产业评价模型构建

2.1 基本定义[1]

2.2 不确定信息下战略性新兴产业评价模型的构建

在对战略性新兴产业进行评价的标度选择过程中，应该结合专家评价习惯和实际评价的不确定性，选择模糊数作为评价标度，为了能统一评价标度，因此，在专家评价过程中，采用模糊语言进行评价，并将模糊语言转换成模糊三角数的形式，一般语言评价标度与模糊三角数之间的对应关系见表3。

表3 语言评语与模糊三角数对应关系

对区域内的战略性新兴产业评价过程中，一般是聘请多方专家共同参与评价，设分别从不同方面聘请m个人组成评审专家组，对某区域内的战略性新兴产业进行评价，评价标度采用模糊三角数评价标度，即先用语言评语进行评价，最后根据表2转换成模糊三角数，最终得到m个专家的对该区域内的某战略性新兴产业评价矩阵为：

战略性新兴产业评价过程虽然存在不确定性，但是客观上，对某战略性新兴产业某个评价指标下的评价值是一个确定的数值 yi(i=1，2，…，6)，结合上述利用模糊层次分析法确定的指标权重向量W=(w1，w2，…，w6)，战略性新兴产业综合评价应该是

同理，虽然每个专家给出的评价值是模糊三角数，但是也存在一个专家给出的客观值xij，这样在确定客观评价值 yi(i=1，2，…，6)的过程中，认为 yi(i=1，2，…，6)应该与 xij(i=1，2，…，m;j=1，2，…，6)尽可能地靠近，即要 求 向 量 Y=(y1，y2，…，y6) 与 向 量 Xi=(xi1，xi2，…，xi6)(i=1，2，…，m)的范数尽可能的小，从而得到如下的模型

每个专家给出的客观评价值xij应该是专家所给模糊数中使得模糊隶属度最大的一个数，因此，在确定专家客观评价值的时候，一般要求满足条件：

综合以上的两个要求，得到确定战略性新兴产业评价群体客观评价值yi(i=1，2，…，6)的模型为：

根据定理1，得到最终的战略性新兴产业群体客观评价值计算模型为(i=1，2，…，m;j=1，2，…，6)。给定参数 p 即可确定在相应p范数下的战略性新兴产业群体客观评价值。该计算模型是一个非线性约束模型，在其计算过程中可以利用智能搜索算法---遗传算法[2]对其进行求解，下面给出该模型基于遗传算法求解的算法设计。

2.3 基于遗传算法的战略性新兴产业评价模型求解算法设计

以上所建立的战略性新兴产业群体客观评价值计算模型是一个非线性约束模型，直接求解存在一定的难度，遗传算法在处理非线性约束模型的求解问题上具有很强的优势，遗传算法的求解流程图见图1所示。

图1 遗传算法求解过程

针对战略性新兴产业群体客观评价值模型，基于遗传算法的关键设计为：

（3）终止条件：设定迭代代数，根据计算结果调整迭代代数。

通过遗传算法确定出战略性新兴产业群体客观评价值 y1，y2，y3，y4，y5，y6，即可得到战略性新兴产业的客观综合评价值η，接着计算η隶属于模糊三角数的隶属度，根据最大隶属度原则即可得到最终战略性新兴产业水平。

3 算例分析

对西部地区的战略性新兴产业发展水平进行定期评估和筛选，是提升战略性新兴产业创新能力和竞争力的主要方式和手段，为实现对西部区域内某战略性新兴产业发展水平和现状的了解，对某战略性新兴产业状况进行评价，聘请五个专家构成评审专家组，对该战略性新兴产业状况进行评价，采用模糊三角数作为评价标度，得到评价矩阵为：

利用中转法得到六个评价指标的权重向量为：

W=(0.1492 0.1322 0.1797 0.1831 0.2237 0.1322)

将式(15)带入式(14)中，并设定范数参数 p=3，种群个数为50，终止迭代代数1000，变异率为0.08，交叉概率为0.95，利用遗传算法对战略性新兴产业群体客观评价值计算模型进行求解，最终得到群组专家给出的客观评价值为Y=(85.0669 73.9994 86.8513 81.6876 74.7255 92.2047)

则最终得到群体专家对该战略性新兴产业综合评价值为：

战略性新兴产业综合评价值带入模糊三角数中计算隶属度，得到结果见表4。

表4 战略性新兴产业综合评价隶属度

根据最大隶属度原理，可以看出，该战略性新兴产业综合评价结果应该是“很好”，说明选择该产业作为带动本地区经济发展的战略性新兴产业是可行的。

[1]殷春武.模糊多准则群决策方法研究[D].西安理工大学，2007

[2]缪朝炜，杨凤，徐东升等.越库转运问题的自适应遗传算法研究[J].管理科学学报，2011，（6）.