论文部分内容阅读
动态联盟是一种新兴的企业组织模式,是信息时代企业生产经营和市场竞争的主要模式。选择一个合适的合作伙伴是企业动态联盟能够成功的关键因素。因此,研究动态联盟中的伙伴选择策略与方法具有很强的理论和现实意义。由于影响伙伴绩效的因素与决策目标多呈非线性关系,传统的评价方法往往很难取得理想的效果。近年来,一些软计算方法相继被引入到候选伙伴绩效评价建模中来。为了充分利用各单项模型所提供的信息,提高预测精度,增强预测的稳定性,本文尝试融合多种软计算方法,建立一种基于极限学习机的非线性组合模型对动态联盟候选伙伴绩效进行智能评价。本文的主要工作如下:(1)以建设项目动态联盟候选伙伴绩效评价为例,概述了动态联盟伙伴绩效的主要影响因素和常用评价方法。为了消除输入数据间的冗余信息,加快计算速度,提高绩效评价效率,通过主成分分析方法对原始数据进行特征提取,消除了指标间的重叠信息。(2)在建设项目动态联盟候选伙伴绩效评价体系和数据预处理的基础上,分别利用多元线性回归、GM(1,N)、RBF神经网络和SVM方法建立了四种建设项目动态联盟候选伙伴绩效评价模型,并进行了计算机仿真实验。(3)基于四种单一模型,尝试建立基于ELM的非线性组合模型对动态联盟候选伙伴绩效进行智能评价,并与多元线性回归模型、GM(1,N)模型、RBF神经网络模型和SVM模型的评价效果进行了比较,实验结果表明了ELM非线性智能组合评价模型的有效性。