基于改進蟻群算法的區(qū)域科技成果轉化率預測研究

摘要：科技成果轉化率預測是區(qū)域科技管理和決策工作中必不可少的環(huán)節(jié)，但是當前方法的預測精度較低，無法達到預期效果，所以，提出了基于改進蟻群算法的區(qū)域科技成果轉化率預測方法。采用指數(shù)平滑法構建區(qū)域科技成果轉化率預測模型，通過調整信息素在路徑選擇中的影響比例來改進蟻群路徑選擇機制，利用改進蟻群算法對預測模型參數(shù)優(yōu)化實現(xiàn)區(qū)域科技成果轉化率預測。經(jīng)實驗證明，設計方法預測標準誤差不超過0.1，預測與真實關聯(lián)度在96%以上，預測效果好。

關鍵詞：改進蟻群算法 科技成果 轉化率預測 指數(shù)平滑法 路徑選擇機制

中圖分類號：F224.9文獻標識碼：A

Research on the Conversion Rate Prediction of Regional Scientific and Technological Achievements Based on the Improved Ant Colony Algorithm

LIU Yingli

Institute of Scientific and Technological Achievement Transformation， University of Science and Technology Beijing， Beijing， 100083 China

Abstract： Conversion rate prediction of scientific and technological achievements is an essential link in regional scientific and technological management and decision-making. However， the prediction accuracy of current methods is low， and the expected results cannot be achieved. Therefore， a regional scientific and technological achievements conversion rate prediction method based on improved Ant Colony algorithm is proposed. Exponential Smoothing method is used to build a regional scientific and technological achievements conversion rate prediction model， and the ant colony path selection mechanism is improved by adjusting the influence ratio of pheromones in path selection. The improved ant colony algorithm is used to optimize the parameters of the prediction model to realize the regional scientific and technological achievements conversion rate prediction. The experimental results show that the standard error of prediction by the design method is less than 0.1， and the correlation between prediction and truth is above 96%， and the prediction effect is good.

Key Words： Improved Ant Colony algorithm; Scientific and technological achievements; Conversion rate prediction; Exponential Smoothing method; Path selection mechanism

在科技日新月異的今天，科技成果的轉化已成為推動區(qū)域經(jīng)濟發(fā)展、提升產(chǎn)業(yè)競爭力的關鍵因素?？萍汲晒D化率的高低直接關系到科技成果能否有效轉化為現(xiàn)實生產(chǎn)力，進而促進區(qū)域經(jīng)濟的持續(xù)增長。然而，由于科技成果轉化的復雜性、不確定性和多變性，如何準確預測和評估科技成果轉化率，一直是科技管理和決策領域的重要難題。近年來，國內(nèi)外學者在科技成果轉化率預測領域進行了大量的研究，取得了豐碩的成果。

吳佳玲等人[1]提出了基于Super-SBM模型的科技成果轉化率預測方法，以四川省地市州區(qū)域為對象，利用數(shù)字模型對區(qū)域科技成果應用數(shù)據(jù)計算，測算出區(qū)域科技成果轉換率；王鍇等人[2]提出了基于知識可視化圖譜的預測方法，通過圖形、節(jié)點和邊等方式將知識進行系統(tǒng)化和結構化展示，利用機器學習、數(shù)據(jù)挖掘等先進技術，對圖譜中的節(jié)點和邊進行深度分析和挖掘，預測區(qū)域科技成果轉化程度。而這些方法往往難以全面考慮科技成果轉化的各種影響因素，導致預測結果不夠準確；同時，這些方法也缺乏對科技成果轉化過程中動態(tài)變化的適應能力，難以應對科技成果轉化過程中的不確定性，為此提出基于改進蟻群算法的區(qū)域科技成果轉化率預測方法。

1建立區(qū)域科技成果轉化率預測模型

此次建立區(qū)域科技成果轉化率預測模型采用指數(shù)平滑法，根據(jù)區(qū)域科技成果轉化時間序列預測科技成果轉化趨勢。此次將一次平滑指數(shù)法和二次平滑指數(shù)法整合，通過加權計算預測區(qū)域科技成果轉化率，構建的預測模型用公式表示為：

式（1）中，、分別表示一次平滑權重系數(shù)和二次平滑權重系數(shù)；表示年區(qū)域科技成果轉化率；表示年區(qū)域科技成果轉化率；表示二次平滑指數(shù)參數(shù)。以上建立的預測模型中，參數(shù)、為未知模型參數(shù)，因此要想應用預測出區(qū)域科技成果轉化率，需要精準確定模型參數(shù)、。

2 基于改進蟻群算法的模型參數(shù)優(yōu)化設置

2.1蟻群算法改進

在蟻群算法中，路徑選擇是一個核心環(huán)節(jié)，它決定了螞蟻如何根據(jù)當前環(huán)境信息來決定下一步的移動方向[3]。為了優(yōu)化這一過程，通過調整信息素在路徑選擇中的影響比例來實現(xiàn)，因此路徑選擇概率計算公式為：

式（2）中，表示位置數(shù)；表示隨機數(shù)；表示路徑到路徑上的信息素。隨機數(shù)在路徑選擇中起到了平衡兩個因素的作用，通過調整的取值或引入其他參數(shù)來控制信息素和路徑長度在路徑選擇中的權重比例，可以實現(xiàn)螞蟻對路徑選擇的靈活控制[4]。

2.2預測參數(shù)優(yōu)化

在以上基礎上，利用改進蟻群算法對預測模型參數(shù)優(yōu)化。以模型預測偏差最小為目標，建立目標函數(shù)，其用公式表示為：

式（3）中，表示區(qū)域科技成果轉化率平均值；表示區(qū)域科技成果轉化率均方差。通過算法對以上目標函數(shù)迭代計算，得到預測偏差最小情況下模型參數(shù)值，其計算過程如下。

式（4）中，表示信息素揮發(fā)系數(shù)。將公式（4）代入公式（2）中，選擇螞蟻下一次迭代選擇的路徑。在每個搜索迭代結束后，蟻群算法會根據(jù)螞蟻在搜索過程中積累的信息來更新最佳路徑和最差路徑，并且統(tǒng)計每條路徑上螞蟻經(jīng)過的次數(shù)（或稱為“強度”），并據(jù)此更新路徑上的信息素濃度。那些被更多螞蟻選擇的路徑（即強度更高的路徑）將獲得更高的信息素濃度，從而在下一次迭代中吸引更多的螞蟻。在每個迭代后，最佳路徑的信息素濃度將得到增加，而最差路徑的信息素濃度可能會減少或被重置為初始值[5]。通過這種方式，改進蟻群算法能夠逐漸逼近問題的最優(yōu)解，根據(jù)改進蟻群算法輸出對預測模型中參數(shù)、設置，并且將區(qū)域科技成果轉化時間序列代入模型中，即可預測科技成果轉化率，以此實現(xiàn)基于改進蟻群算法的區(qū)域科技成果轉化率預測。

3實驗論證

3.1 實驗準備與設計

選擇8個區(qū)域2013—2020年科技成果轉化數(shù)據(jù)作為實驗樣本，表1為某區(qū)域2013—2020年各年科技成果轉化匯總。

3.2 實驗結果與討論

選擇吳佳玲等人[1]提出的基于Super-SBM模型的預測方法、王鍇等人[2]提出的基于知識可視化圖譜的預測方法作為對比方法，通過對比三種方法預測標準偏差和關聯(lián)度，檢驗本文所提方法性能。圖1、表2給出了3種方法預測標準偏差和關聯(lián)度。

從圖1中3種方法預測標準偏差曲線可以看出，設計方法標準偏差最低，不超過0.11，而基于Super-SBM模型的預測方法、基于知識可視化圖譜的預測方法的標準偏差遠遠高于設計方法；從表2中數(shù)據(jù)可以看出，設計方法預測與真實關聯(lián)度最高，在96%以上，而基于Super-SBM模型的預測方法與基于知識可視化圖譜的預測方法的關聯(lián)度最高分別為84.15%、85.16%，遠低于設計方法。因此通過以上對比和統(tǒng)計，證明了設計方法預測結果更貼近真實情況，預測精度更高，能夠實現(xiàn)對區(qū)域科技成果轉化率精準預測。

4結語

本研究通過引入并改進蟻群算法，實現(xiàn)對科技成果轉化率更為精準和高效的預測，進而為區(qū)域科技管理和決策提供有力的數(shù)據(jù)支持。通過與其他預測方法進行比較，驗證了本研究的預測準確性和有效性。能夠有效地應對科技成果轉化過程中的不確定性和動態(tài)變化。這些預測結果不僅為區(qū)域科技管理部門提供了重要的決策參考，也為科技成果轉化的實踐提供了有益的指導。

參考文獻

[1]吳佳玲，丁奕芳，李亞丹.基于Super-SBM模型的四川省地市州科技成果轉化效率測算與分析[J].競爭情報，2023，19（6）：41-49.

[2]王鍇，李抒清，陳柯羽，等.基于知識可視化圖譜的中國醫(yī)療器械科技成果轉化研究[J].中國醫(yī)療設備， 2023，38（5）：136-142.

[3]朱敏，胡若海，卞京.基于改進蟻群算法的移動機器人路徑規(guī)劃[J].現(xiàn)代制造工程，2024（3）：38-44.

[4]蔣成，郭向坤.基于改進蟻群算法的網(wǎng)絡緩存資源尋址仿真[J].計算機仿真，2024，41（3）：395-398，405.

[5]陳超人，胡明波，夏坊，等.基于改進蟻群算法的電力變壓器繞組故障智能檢測方法[J].電氣技術與經(jīng)濟，2024（4）：362-363，367.