基于改進(jìn)蟻群算法的區(qū)域科技成果轉(zhuǎn)化率預(yù)測研究

摘要：科技成果轉(zhuǎn)化率預(yù)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(dāng)前方法的預(yù)測精度較低，無法達(dá)到預(yù)期效果，所以，提出了基于改進(jìn)蟻群算法的區(qū)域科技成果轉(zhuǎn)化率預(yù)測方法。采用指數(shù)平滑法構(gòu)建區(qū)域科技成果轉(zhuǎn)化率預(yù)測模型，通過調(diào)整信息素在路徑選擇中的影響比例來改進(jìn)蟻群路徑選擇機(jī)制，利用改進(jìn)蟻群算法對(duì)預(yù)測模型參數(shù)優(yōu)化實(shí)現(xiàn)區(qū)域科技成果轉(zhuǎn)化率預(yù)測。經(jīng)實(shí)驗(yàn)證明，設(shè)計(jì)方法預(yù)測標(biāo)準(zhǔn)誤差不超過0.1，預(yù)測與真實(shí)關(guān)聯(lián)度在96%以上，預(yù)測效果好。

關(guān)鍵詞：改進(jìn)蟻群算法 科技成果 轉(zhuǎn)化率預(yù)測 指數(shù)平滑法 路徑選擇機(jī)制

中圖分類號(hào)：F224.9文獻(xiàn)標(biāo)識(shí)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(zhuǎn)化已成為推動(dòng)區(qū)域經(jīng)濟(jì)發(fā)展、提升產(chǎn)業(yè)競爭力的關(guān)鍵因素?？萍汲晒D(zhuǎn)化率的高低直接關(guān)系到科技成果能否有效轉(zhuǎn)化為現(xiàn)實(shí)生產(chǎn)力，進(jìn)而促進(jìn)區(qū)域經(jīng)濟(jì)的持續(xù)增長。然而，由于科技成果轉(zhuǎn)化的復(fù)雜性、不確定性和多變性，如何準(zhǔn)確預(yù)測和評(píng)估科技成果轉(zhuǎn)化率，一直是科技管理和決策領(lǐng)域的重要難題。近年來，國內(nèi)外學(xué)者在科技成果轉(zhuǎn)化率預(yù)測領(lǐng)域進(jìn)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(zhuǎn)化率預(yù)測方法，以四川省地市州區(qū)域?yàn)閷?duì)象，利用數(shù)字模型對(duì)區(qū)域科技成果應(yīng)用數(shù)據(jù)計(jì)算，測算出區(qū)域科技成果轉(zhuǎn)換率；王鍇等人[2]提出了基于知識(shí)可視化圖譜的預(yù)測方法，通過圖形、節(jié)點(diǎn)和邊等方式將知識(shí)進(jìn)行系統(tǒng)化和結(jié)構(gòu)化展示，利用機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等先進(jìn)技術(shù)，對(duì)圖譜中的節(jié)點(diǎn)和邊進(jìn)行深度分析和挖掘，預(yù)測區(qū)域科技成果轉(zhuǎn)化程度。而這些方法往往難以全面考慮科技成果轉(zhuǎn)化的各種影響因素，導(dǎo)致預(yù)測結(jié)果不夠準(zhǔn)確；同時(shí)，這些方法也缺乏對(duì)科技成果轉(zhuǎn)化過程中動(dòng)態(tài)變化的適應(yīng)能力，難以應(yīng)對(duì)科技成果轉(zhuǎn)化過程中的不確定性，為此提出基于改進(jìn)蟻群算法的區(qū)域科技成果轉(zhuǎn)化率預(yù)測方法。

1建立區(qū)域科技成果轉(zhuǎn)化率預(yù)測模型

此次建立區(qū)域科技成果轉(zhuǎn)化率預(yù)測模型采用指數(shù)平滑法，根據(jù)區(qū)域科技成果轉(zhuǎn)化時(shí)間序列預(yù)測科技成果轉(zhuǎn)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(quán)計(jì)算預(yù)測區(qū)域科技成果轉(zhuǎn)化率，構(gòu)建的預(yù)測模型用公式表示為：

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

2 基于改進(jìn)蟻群算法的模型參數(shù)優(yōu)化設(shè)置

2.1蟻群算法改進(jìn)

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

式（2）中，表示位置數(shù)；表示隨機(jī)數(shù)；表示路徑到路徑上的信息素。隨機(jī)數(shù)在路徑選擇中起到了平衡兩個(gè)因素的作用，通過調(diào)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(quán)重比例，可以實(shí)現(xiàn)螞蟻對(duì)路徑選擇的靈活控制[4]。

2.2預(yù)測參數(shù)優(yōu)化

在以上基礎(chǔ)上，利用改進(jìn)蟻群算法對(duì)預(yù)測模型參數(shù)優(yōu)化。以模型預(yù)測偏差最小為目標(biāo)，建立目標(biāo)函數(shù)，其用公式表示為：

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

式（4）中，表示信息素?fù)]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(gè)搜索迭代結(jié)束后，蟻群算法會(huì)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(jì)每條路徑上螞蟻經(jīng)過的次數(shù)（或稱為“強(qiáng)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(qiáng)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(gè)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(huì)減少或被重置為初始值[5]。通過這種方式，改進(jìn)蟻群算法能夠逐漸逼近問題的最優(yōu)解，根據(jù)改進(jìn)蟻群算法輸出對(duì)預(yù)測模型中參數(shù)、設(shè)置，并且將區(qū)域科技成果轉(zhuǎn)化時(shí)間序列代入模型中，即可預(yù)測科技成果轉(zhuǎn)化率，以此實(shí)現(xiàn)基于改進(jìn)蟻群算法的區(qū)域科技成果轉(zhuǎn)化率預(yù)測。

3實(shí)驗(yàn)論證

3.1 實(shí)驗(yàn)準(zhǔn)備與設(shè)計(jì)

選擇8個(gè)區(qū)域2013—2020年科技成果轉(zhuǎn)化數(shù)據(jù)作為實(shí)驗(yàn)樣本，表1為某區(qū)域2013—2020年各年科技成果轉(zhuǎn)化匯總。

3.2 實(shí)驗(yàn)結(jié)果與討論

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

從圖1中3種方法預(yù)測標(biāo)準(zhǔn)偏差曲線可以看出，設(shè)計(jì)方法標(biāo)準(zhǔn)偏差最低，不超過0.11，而基于Super-SBM模型的預(yù)測方法、基于知識(shí)可視化圖譜的預(yù)測方法的標(biāo)準(zhǔn)偏差遠(yuǎn)遠(yuǎn)高于設(shè)計(jì)方法；從表2中數(shù)據(jù)可以看出，設(shè)計(jì)方法預(yù)測與真實(shí)關(guān)聯(lián)度最高，在96%以上，而基于Super-SBM模型的預(yù)測方法與基于知識(shí)可視化圖譜的預(yù)測方法的關(guān)聯(lián)度最高分別為84.15%、85.16%，遠(yuǎn)低于設(shè)計(jì)方法。因此通過以上對(duì)比和統(tǒng)計(jì)，證明了設(shè)計(jì)方法預(yù)測結(jié)果更貼近真實(shí)情況，預(yù)測精度更高，能夠?qū)崿F(xiàn)對(duì)區(qū)域科技成果轉(zhuǎn)化率精準(zhǔn)預(yù)測。

4結(jié)語

本研究通過引入并改進(jìn)蟻群算法，實(shí)現(xiàn)對(duì)科技成果轉(zhuǎn)化率更為精準(zhǔn)和高效的預(yù)測，進(jìn)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(yù)測方法進(jìn)行比較，驗(yàn)證了本研究的預(yù)測準(zhǔn)確性和有效性。能夠有效地應(yīng)對(duì)科技成果轉(zhuǎn)化過程中的不確定性和動(dòng)態(tài)變化。這些預(yù)測結(jié)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(zhuǎn)化的實(shí)踐提供了有益的指導(dǎo)。

參考文獻(xiàn)

[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(zhuǎn)化效率測算與分析[J].競爭情報(bào)，2023，19（6）：41-49.

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

[3]朱敏，胡若海，卞京.基于改進(jìn)蟻群算法的移動(dòng)機(jī)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(jìn)蟻群算法的網(wǎng)絡(luò)緩存資源尋址仿真[J].計(jì)算機(jī)仿真，2024，41（3）：395-398，405.

[5]陳超人，胡明波，夏坊，等.基于改進(jìn)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(shù)與經(jīng)濟(jì)，2024（4）：362-363，367.