yvette0112
《战略解码》解事、解人、解心、助力战略落地 案例导入： 国内某上市公司，制定了三年的战略规划，战略规划经过了一系列的宣传，老板也很重视和强调，然而在企业实际执行过程中，发生了偏差，老板觉得我讲了很多遍为什么你们听不懂，还是按照惯性在运作，下面觉得战略离实际太远，和现实脱节，同时也不知道从哪里做老板能满意。 问题1：为什么即便做了战略宣传，执行还是会发生很多偏差？你知道根据调研，能够成功实施战略的企业比例是多少吗？ 问题2：你觉得企业战略难以落地的障碍有哪些？试着结合你得工作经验总结一下。 问题3：下面的人为什么会觉得战略离实际太远，和现实脱节？你有什么办法可以调动员工积极性？让他们做到有效执行力？ 问题4：假设该公司现在要做一场战略解码来解决上述问题，老板把这个任务派给了人力资源部门，你有什么思路？ 一：有战略无执行：战略落地之痛 1.1从战略到落地，差了一个ofo的距离 战略解码是什么？它和战略是什么关系？ 战略解决的是企业未来三到五年的方向问题，而战略解码不是给企业来制定战略，战略解码的重在于解码这两个字，英文名叫做decoding。 战略我们认为它是一个coding的过程，是一个从无到有的过程，就像一个程序员编写程序一样。而战略解码考虑更多的是怎么样进行decoding，它考虑更多的是战略落地的问题，注重怎么样把企业的战略转化成行动。 在2007年到2008年的时候，所有的地产商都会谈到未来的老龄化是一个方向，所以养老地产一定是地产发展方向。但如今，所有的地产商都在研究一个话题叫做产业地产，也就是说怎么样能够更好地进行产业价值链的打造，去打造产业圈层。 在和银行家交谈的时候，大家讨论的最多的是零售转型，中间业务和互联网金融。在某家城商行他们谈战略，天天一群人开会谈来谈去改来改去也就这三个点，有人就问高管，说你们谈的这些战略竞争对手能不能想到，高管们想了半天，说竞争对手估计定出的和我们差不多。 所以，我们看满大街的摩拜，满大街的ofo，以及层出不穷的这种共享模式，共享雨伞也好，共享汽车也好，共享充电器也好，都是一种商业模式出来，马上就能被快速复制。 那你说今天的中国，蓝海在哪里？所以说蓝海有没有，有，但你要找到蓝海已经越来越难了，这主要是因为当今社会信息越来越透明化，企业学习的速度越来越快。 在中国，你吭哧吭哧研究了半天，好不容易发现一个蓝海，心想赶紧跳下去游个泳吧！结果，你刚把衣服脱了跳下去，不一会就听到扑通扑通，周围的人全都跳下来了。好嘛，成澡堂了。这也就是说，很快无数人都跟进，复制，把蓝海变成红海，这就是中国非常残酷的竞争现状。 推荐书籍： 1）《蓝海战略》哈佛商学院出版 《蓝海战略》讲的是只要你能够发现战略的蓝海，找到客户的需求，而这个需求是别人满足不了的或者是没有想到的，就能极大程度提高战略成功的可能性。《蓝海战略》讲的是如何追求创造性的战略办法。 2）《竞争战略》迈克尔·波特著 《竞争战略》瞄准的是在竞争环境下，企业如何进行对抗，来制定它相应的战略，怎么样去跟竞争对手进行竞争。 1.2：任正非谈华为改革：先推行，再平冤！ 既然战略越来越同质化，那么企业比什么呢？就是比执行。 所以有个公式叫做 “企业的成功=成功的战略X成功的执行” 。为什么“乘以”呢？因为无论是“成功的战略”还是“执行”，只要有一个为零，成功就等于零，企业就不能成功。 在美国，出CEO最多的学校并不是哈佛，也是MIT（麻省），而是西点军校。因为，商场如战场，执行力对于一个企业来说是非常重要的竞争力。尤其是在中国今天蓝海越来越难找，大家越来越陷入同质竞争的这样一个情况下。 马玉和孙正义曾经探讨过一个问题，一流的点子加上三流的执行力，与三流的点子加上一流的执行力，哪个更重要？彼此探讨了半天，最后得出了一致的答案，后者远比前者要更加重要。 再举个HR的例子，在华为做体系的事情，遇到了非常大的阻力，因为人力资源改革带来的是关键利益相关者的利益上的变动，格局上的重新变化。当时的改革遇到很多阻力，任正非先生当年就讲了一句非常重要的话，叫做“先推行再平冤，先僵化后优化再固化”，就是强调不管多么好的体系，如果没有强大的执行力，强有力的推动这么一个过程，这样的体系是永远都落不了地的。 为什么战略执行会这么难，比我们想象中的可能还要难？曾经一家机构做过一个调研，究竟有多少企业认为自己是有效的执行了战略规划？根据统计，只有10%到15%的公司认为自己是很好地执行了战略。然而大家要知道，调研的群体相对来说已经是比较优秀的公司了。 【知识扩充】 任正非先生提出的“先僵化，后优化，再固化”。 僵化：站在巨人的肩膀上；僵化是有阶段性的，是指一种学习方式，僵化不是妄自菲薄，更不是僵死。 优化：掌握自我批判武器；优化分为两块：国外引进、自我创造。国外引进，除了要注意不能耍小聪明还没学会就要改进之外，还要注意不在优化时全盘推翻，坚持的优化原则是改良主义。自我创造，则要防止故步自封和缺少自我批判精神。只有认真地自我批判，才能在实践中不断吸收先进，优化自己。优化就是改进，就是创新。持续的管理进步需要持续的改进创新。 固化：例行化、规范化，固化阶段是管理进步的最重要一环。例行化(制度化)，规范化(模板化)，两化的结果是固化也是简化。有了固化和简化，就可以使我们在进一步夯实的管理平台上，再建一层楼，使企业核心竞争力获得持续的，有质量的提升。 僵化式学习、优化式创新、固化式提升。 1.3：落地障碍（上）：高管不懂、员工不爱 战略执行最重要的有四个障碍 1.3.1远景障碍 什么是远景障碍呢？这里的远景不是愿景，它主要是指企业的高层对于企业的战略缺乏共识。 所谓的战略就是方向以及如何走到这个方向的问题，而战略重点是企业未来几年或者未来一年实实在在要做的这些重要的事情。按理说，企业的高层对公司的战略重点应该是有一致的认识，然后事实并非如此。 其实，不管企业的战略是否够清楚，有没有刚刚做过战略，通过以下实验，我们可以很快的了解，企业的战略是否一致： 一个企业七八个高管，我们给每个高管发一个小黄帖。 询问“企业战略清楚吗？”大家都说很清楚； 再问“那你们认为要去的方向是否清楚？知道吗？”大家都说很知道； 那OK，请你们在小黄帖上写下未来一年公司必须打赢的几场关键战役是什么？每个人最低写三条。 结果怎么样呢？最后，你会发现拿到的答案有好多条，甚至几十条。说明这些企业的高管，他们对于战略虽然是理解的，但是对于战略重点的认识，却是不一致的。 尽管企业的战略已经制定出来，但是战略的重点，也就是我们说的远景是存在障碍的。试想一下，如果大家对战略是有共识的，但是大家对于要做什么事情是没有共识的，大家是偏离的，前提都不存在，那么我们怎么相信企业能够将战略很好的落地呢？ 1.3.2行动障碍 在很多企业中，员工并没有参与到战略行动分解的过程，而只有少数高层参与了关键行动计划的分解。对于一个新的战略而言，在刚开始实施的时候，是会有相当多的人产生各种疑虑的，而新的一个战略，往往也确实要把人们带入到一个新的境界，如果员工们、中层们他们对新战略没有充分的认识和理解，这个战略的落地就不会得到大家的拥护和支持。因此，战略的实施是一个发动广大员工的过程。 某消费品企业，面临着非常重要的互联网转型，也就是怎么样通过小批量的客户定制、小批量的生产、小批量的采购，利用互联网的思维去满足客户的需求。而在这个过程中，尽管在公司的董事长，CEO层面，在公司的高管层面都达到了充分的认识，然而在互联网部门，在采购部门，在产品管理部门和制造部门当中，矛盾重重。 尽管高层之间大家都非常理解，但在中层层面和主管层面缺产生了非常多的摩擦，效率反而变慢了。为什么？ 因为，这样在小批量生产制定的过程中，对采购部门、产品管理部门和制造部门带来了很多很多的麻烦，大家不理解公司为什么要这样做。大家都从自己工作的方便程度出发，从自己工作习惯出发去理解这件事情的话，那么这件事情就会碰到很多的阻力。 最根本的原因其实是因为大多数的员工或者说中层没有参与到企业进行战略分解落地的过程中来，所以他没有办法去理解日常工作的变化，对企业来说，对他个人来说意味着什么？ 某一家企业进行销售人员的固浮比改革，这个改革的重点是什么呢？ 很简单，就是增加销售员的目标浮动工资。但你会发现，非销售人员会觉得不爽，因为他们觉得公司是在帮销售人员变相加工资，凭什么你给销售人员加工资而不给我们加工资呢？销售人员也不爽，因为他们觉得你给我增加浮动部分就是给我更多压力。 所以，你看同样一件事情，大家都看到了这件事情的反面，没有看到正面，没有看到积极的那个层面。这个改变就碰到了很大的阻力，尽管高层是理解的，但底下的员工全都感到非常的不爽，除了高层以外的员工都不理解，所以就对改革落地带来了非常大的障碍。 1.3.3人员障碍 人员障碍，主要是指人员能力不够，人员能力没有及时转型给企业带来的战略落地的障碍，这里的人员能力包括了在新的战略下所需要的领导能力和专业能力的变化。 一家高科技企业，在战略上，强调一切要面向客户转型，这样的转型带来了组织运行方式的调整——企业必须从职能制的结构转向流程性的结构。简单来说，这家企业需要很多的产品经理，当然这也是现在很多制造型企业的一个重要的转型方向。 这些产品经理需要能够去影响和带动跨部门的力量来为客户提供产品和解决方案，但是在这个组织当中，过去内部最大的产品经理就是老板，企业在内部根本找不到合适的产品经理，在市场上也很难找，所以，现在的转型和落地就变得非常困难。 华为当年要向客户为中心进行转型，但是发现企业的项目经理不了解客户需求，于是华为就建立了业内著名的“铁三角”模式，它不再通过单一的产品运营，而是通过“铁三角”来提升团队的整理作战能力。 所以，如果人员的能力无法跟上企业战略落地的需要，那么企业就要考虑有没有可能换一种方式来实现目标。通常来说，要么是提升组织的能力，要么就去发挥团队作战的能力，来使得战略能够很好的落地。 【知识扩充】 1）华为铁三角精髓：面向客户、聚焦目标、推拉结合。 2）华为铁三角经典：让听得见炮声的人来决策；以客户经理、解决方案专家、交付专家组成的工作小组，形成面向客户的“铁三角”作战单元；一线的作战，要从客户经理的单兵作战转变为小团队作战。 3）铁三角构成体系：项目铁三角团队、系统部铁三角组织。 4）铁三角核心角色：AR客户经理、SR解决方案经理、FR交付经理。 5）铁三角如何落地：责任到位、赋权到位、独立经营、贴近客户、角色转换。 1.3.4制度障碍 制度障碍就是，你会发现只有少数的公司能够将组织和人力资源管理体系真正地去与战略有紧密的联结。 某一家银行客户，在战略方面讲得非常清楚，说我们就是要从对公业务区向零售业务转型。什么叫对公业务呢？就是对企业的业务。什么叫零售业务？就是对大众消费者的业务。 这家银行要从为企业服务，也就是企业客户占了它绝大多数的业务占比，向提升零售业务客户的占比来进行转型。但是，你会发现业务考核中，零售业务的业绩指标仅仅占了分支行考核10%的权重。 表面上这是一个权重有没有搞清楚的问题实际上反映出来这家企业的管理层对战略方向不坚定。当时里面有一些人就说我们这里是搞转型的人不搞考核，搞考核的人不搞转型。这样的一个考核制度明显是跟企业的战略严重脱节的。 而另一家企业号称要去提高客户响应速度，在总部层面设置了二十多个部门，这些部门的职责和分工都没有讲得很清楚，它的分公司，子公司在向上审批的时候，甚至不知道什么事情要去找哪个部门，那很明显它的组织职责和架构跟提高客户响应速度的战略重点也是南辕北辙的。 所以，你可以看到在很多企业尽管战略喊得很响，我们要往哪里走，但是它的制度体系和战略本身是非常脱节的。 我们回顾一下，企业为什么战略执行这么难？存在四个障碍： 一是远景障碍，就是公司高层对企业的战略重点缺乏共识，未能达到“一个远景、一个声音”。 二是行动障碍，在企业当中只有少数的员工能够理解自己的日常工作和战略之间的联系。 三是人员障碍，大部分的管理者缺乏战略所需要的素质和技能，而且他们也没有办法根据战略来运用这些素质和技能，有效地管理和辅导员工。 四是制度障碍，企业是不是能够将他的组织和人力资源体系真正地区和战略相结合。 这四个障碍是战略落地难、战略执行难的根本原因。 待续： 《战略解码》 解人解事解心：如何将战略解码【学习笔记】
没油什么大不了
ETF是英文Exchange-traded funds的缩写，从字面上翻译是交易所交易基金。什么是股票换手率，很少有人可以清晰对它进行说明。80%的股民都会产生一个错误的认知，觉得换手率高就是出货的意思，这样理解并不全面。股票投资中很重要的一个指标是换手率，假如还搞不清楚，很有可能会吃亏，所以盲目跟庄的话就会产生大额的损失。在讲股票换手率之前，先来看看我为大家准备的小福利，新鲜出炉的牛股榜单已经整理好了，千万不要错过：【3只牛股推荐】：或将迎来井喷式大行情！一、股票换手率是什么意思？怎么计算？有一种等价交易是商品从一个人手里买入或者是卖出到另一个人手中，叫做换手，那很容易就能理解到，在一定时间内市场中股票转手买卖的频率就是股票换手率，是反映股票流通性强弱的指标其中一项。股票换手率可以这样计算：换手率=(成交量/当时的流通股股数)×100%假设，一只股票总股本是一亿股，在某一天，这只股票在市场上交易了两千万股，计算可得，当天这只股票的换手率为20%。二、股票换手率高或低说明什么情况？上面的定义都说的很清楚，所以我们可以得出，股票换手率高的话，那么也就是说这只股票有着很好的流动性；那么换手率低的话，也就说明股票不具备较强的流动性，就不会有很多人去关注它，成交不活跃。例如大盘银行股就流动性就非常差，因为大部分的持股者都是机构，能够实际参与交易的筹码其实很少，普遍不会比1%高。放眼整个市场，只有10%到15%的股票，换手率达到3%，所以，这个3%就成为了市场衡量一只股票活跃程度的一个比较重要指标。各位在确定要买入的股票时，首先考虑的是比较活跃的股票，想买买不了，想卖卖不了的情况这样才不会出现。所以，获取市场及时信息的能力就显得很重要了。我经常用它来查看股市方面的信息，每时每刻都会更新最新的股市信息，在这里可以找到你想要的一手信息，大家可以看看：【正在直播】实时解读股市行情，挖掘交易良机三、怎么通过换手率来判断个股是否值得投资呢？那股票换手率正常多少比较好呢？是不是越大才越有利呢？不是哦！情况不一样，操作就不一样。给大家讲个小技巧，利用下面这张图你可以大概辨别出出换手率的水平如何，可以为我们如何操作提供了更好的帮助。这样看来，这个换手率的分界线就是3%，要是低于3%的股票我们暂时不要考虑购买。每当超过3%的换手率并且还在渐渐升高，便可明确判断出这只股票开始有资金渐渐介入了，3%到5%这个数值时我们可以少量资金进场。进入5%-10%，如果股票价位处于底部，这就是在告诉我们这只股票将会上涨的概率是很大的，也许就要进入一个起飞的阶段了，仓位上可以大举介入。然后10%到15%，差不多进入一个加速阶段。不低于15%，就值得大家多加关注！要明白换手不是越高越不错，当价格居高不下的时候出现高换手率，这时就意味着主力已经在出货，假如你在这个时候下单，那就要准备好接盘，慢慢等慢慢熬吧。倘若你还是学不会怎么分析，别害怕！这个买卖点提示法宝很不错，它会智能辨认出庄家动向和主力资金流向，可以实时提醒你应该在哪个点进行买入卖出，进行快速布局，有兴趣的朋友可以点链接：实时提示股票信号，一眼看清买卖点应答时间：2021-09-23，最新业务变化以文中链接内展示的数据为准，请点击查看
沅希Angela8
基于动态双种群粒子群算法的柔性工作车间调度摘 要: 针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO) ·DPSO 算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息·该算法提高了全局寻优能力,有效地避免了早熟收敛的发生·将以DPSO 算法为基础的排序算法和启发式分配算法(HA) 相结合形成了解决柔性工作车间调度问题的新方法(DPSO2HA) ·通过对算例的研究和与其他方法的比较表明,该方法是有效可行的·A Dynamic Double2Population Particle Swarm OptimizationAlgorithm for Flexible Job2Shop SchedulingL I Dan , GA O L i2qun , MA Jia , L I Yang( School of Information Science & Engineering , Northeastern University , Shenyang 110004 , China.Correspondent : L I Dan , E2mail : lidanneu @163. com)Abstract : A dynamic double2population particle swarm optimization ( DPSO) algorithm ispresented to solve the problem that the standard PSO algorithm is easy to fall into a locallyoptimized point , where the population is divided into two sub2populations varying with their ownevolutionary learning st rategies and the information exchange between them. The algorithm thusimproves it s solvability for global optimization to avoid effectively the precocious convergence.Then , an ordering algorithm based on DPSO is integrated with the heuristic assignation ( HA)algorithm to form a new algorithm DPSO2HA so as to solve the flexible job2shop schedulingproblem (FJ SP) . The new algorithm is applied to a set of benchmark problems as instances , andthe simulation result s show the effectiveness and feasibility of DPSO2HA algorithm for the flexiblejob2shop scheduling.Key words : double population ; PSO(particle swarm optimization) ; learning st rategy ; DPSO2HAalgorithm; flexible job2shop scheduling柔性工作车间调度问题( flexible job2shopscheduling problem , FJ SP) 是经典工作车间调度问题的一个延伸,它允许工件被给定的有处理能力的任何机器处理·柔性工作车间调度问题由于减少了机器约束,扩大了可行解的搜索范围,提高了问题的复杂性,所以与传统工作车间调度问题相比更加接近实际生产环境的模拟·相对于传统工作车间调度,关于柔性工作车间调度问题的文献还比较少·目前所采用的方法主要有分枝定界法[1 ] 、多项式算法、分等级法和传统进化算法( EA) [2 ]等,在近几年中,很多研究者使用禁忌搜索和遗传算法对FJ SP 进行求解[3 - 4 ]·本文提出一个新的求解柔性工作车间调度问题的方法———基于动态双种群粒子群优化的分阶段方法·本方法的主要思想是:将柔性工作车间调度问题分解成两个有时间顺序的子问题来考虑,首先考虑工序排序子问题,在获得可行的排序后再考虑机器分配子问题·本文首先利用动态双种群粒子群优化算法为工序进行排序,使其满足约束条件从而获得一个可行解,然后利用文中所提出的分配算法为每道工序分配合适的机器,形成可行的调度方案·本文所考虑的优化目标是最小化最大完工时间(makespan) ·1 柔性工作车间调度问题描述柔性工作车间调度问题可描述为将n 个加工顺序不同的工件在m 台机器上加工完成·每个工件使用同一台机器可以多于一次,每道工序的加工过程不允许中断·机器的集合用U 来表示,每个工件J 包含nj 道工序,各工序之间的顺序不允许改变·Oij表示工件J 的第i 道工序,它可以在有处理能力的任何一台机器上被加工·Ti , j , k表示工序Oij用机器Mk 来加工所需要的时间, 可用集合T ={ Ti , j , k| 1 ≤j ≤N ;1 ≤i ≤nj ;1 ≤k ≤M}表示, N 为工件的数量, M 为机器的数量·例如表1 即是一个实际的柔性工作车间调度加工时间表·表1 柔性工作车间调度加工时间表Table 1 Proce ssing schedule for FJ SP工件工序M1 M2 M3 M4J1O1 ,1 1 3 4 1O2 ,1 3 8 2 1O3 ,1 3 5 4 7J2O1 ,2 4 1 1 4O2 ,2 2 3 9 3O3 ,2 9 1 2 2J3O1 ,3 8 6 3 5O2 ,3 4 5 8 1在柔性工作车间调度问题中, 应满足以下假设:(1) 所有的机器在时间t = 0 时都是可以使用的,每个工件都可以在t = 0 时开始加工;(2) 在给定的时间内, 一台机器只能加工一道工序,直到加工完此工序后方可加工其他工序,这就是所谓的资源约束;(3) 对于每个工件的各道工序只能按照事先给定的顺序加工,这就是所谓的优先约束·对于每一道工序Oi , j , 本文用ri , j来表示其最早开始加工时间, 对不同的工序分别用下式进行计算:ri , j =0 , 1 ≤ j ≤ N ;ri - 1 , j +γi , j , 2 ≤ i ≤ nj ,1 ≤ j ≤ N ·式中,γi , j = mink ( Ti , j , k) ,1 ≤i ≤nj ;1 ≤j ≤N·对于FJ SP 来说一般存在两个难题:第一个是如何为每道工序选择合适的机器;第二个是如何计算每道工序的开始加工时间t i , j和结束加工时间tf i , j·本文所要研究的FJ SP 的优化目标是,在满足上述优先约束和资源约束的条件下寻找最优调度方案,使全部工件的最大完工时间(Makespan)最短·2 排序算法———动态双种群粒子群优化算法2. 1 标准粒子群优化算法粒子群优化(particle swarm optimization ,简称PSO) 算法是由Kennedy 和Eberhart 在1995年提出·在PSO 系统中,每个潜在解被称为一个粒子,多个粒子共存、合作寻优,每个粒子根据它自身的经验在目标搜索空间中向更好的位置飞行,搜索最优解·由文献[ 5 ]可知,每个粒子根据如下的公式来更新自己的速度和在解空间的位置·v ( t +1)id = w v ( t)id + c1 r1 p ( t)id - x ( t)id +c2 r2 p ( t)gd - x ( t)id , (1)x ( t +1)id = x ( t)id + v ( t +1)id · (2)其中, d = 1 ,2 , ⋯, n , i = 1 ,2 , ⋯, m , m 为种群规模; t 为当前进化代数; r1 和r2 为均匀分布于[0 ,1]的随机数; w 为惯性权重, 其值由下式来确定[6 ] :w = w max -w max - w minitermax×iter · (3)式中, w max , w min分别是w 的最大值和最小值;iter ,itermax分别是当前迭代次数和最大迭代次数·2. 2 粒子群优化算法的学习策略由标准粒子群优化算法可知,粒子通过跟踪自己迄今为止所找到的最优解和种群迄今为止所找到最优解这两个极值来更新自己的速度,从而更新自己的位置·这种行为也可以理解为,粒子在借鉴自身和整个群体所取得的成功经验,通过对以往的成功经验的学习获得有用的信息,指导自己下一步的行动策略·但人们也常说“失败乃成功之母”“, 吃一堑,长一智”,可见从一些失败的尝试中也可以获得有用的信息,基于这一点,提出了新的粒子群优化算法学习策略,这就是从以往的失败中获得有价值的信息,使粒子远离粒子本身和整个群体所找到的最差的位置,从而更新粒子的速度和位置·粒子在搜索过程中的失败可以表现为搜索到的具有较差适应值的位置,记第i 个粒子迄今为止搜索到的最差位置为si = ( si1 , si2 ,⋯, sin) ,整个粒子群迄今为止搜索到的最差位置为sg = ( sg1 , sg2 , ⋯, sg n) ,则第i 个粒子的速度和位置更新公式如下:v ( t +1)id = w v ( t)id + c1 r1 x ( t)id - s ( t)id +c2 r2 x ( t)id - s ( t)gd , (4)x ( t +1)id = x ( t)id + v ( t +1)id · (5)如果只是利用上述的位置和速度更新公式更新粒子,也就是说只是从失败中获取经验,这与实际经验不符·一般来说,还是更多地从成功的经历中获取信息,而从失败的经历中获得相对少的信息,基于这一点本文的算法同时从成功和失败的经历中获取信息来更新粒子·2. 3 动态双种群粒子群优化算法由上面的叙述可以知道粒子群中的粒子可以按照不同的学习策略进行学习,对速度和位置作出更新·所以本文将一个种群分成两个子种群,每个子种群选用不同的学习策略,即第一个子种群中的粒子选用从成功经历中获得学习信息的策略,更新自己;第二个子种群中的粒子选用从失败的经历中获得学习信息的策略进行进化·本文可以设置一个比例系数ρ来控制两个子种群中粒子的个数·ρ =m1m2, m1 + m2 = m · (6)式中, m 为粒子群中的粒子总数; m1 为第一个子种群中的粒子个数; m2 为第二个子种群中的粒子个数·为了使每个粒子都能从自身和群体的经历中获得充分的学习, 本文规定两个子种群中的粒子是不断变化的, 即每隔一定的代数后将整个种群按照比例系数ρ重新随机划分成两个子种群·从粒子群优化算法的进化过程中知道在优化的初期粒子的位置比较分散, 得到较优值和较差值的机会相差不多,所以此时采用上述两种不同学习策略的粒子的个数应大致相等·在优化搜索的后期粒子将聚集在最优值的附近,这时将很难出现比历史最差值更差的值了,第二个子种群将从失败经历中得不到太多的有价值的信息·此时第二个子种群中的粒子数应该远远小于第一个子种群中的粒子个数,直至完全采用跟踪最优值来更新粒子,即第二个子种群消亡·基于上述原因将ρ设为一个线性变化的量,其值由下式确定:ρ = ρmax -ρmax - ρmin018 ×itermax×iterc · (7)式中,ρmax和ρmin分别是ρ的最大值和最小值;iterc 和itermax分别是种群重新划分时的进化代数和最大进化代数·动态双种群粒子群优化算法的实现步骤如下:(1) 设PSO 种群规模为m , 加速常数为c1和c2 ,惯性权重的最大值和最小值为w max , w min ,比例系数ρ的最大值和最小值为ρmax ,ρmin ,种群重新划分代数iterc ,最大进化代数为Tmax·将当前进化代数置为t = 1 ;(2) 在解空间中初始化粒子的速度和位置;(3) 将种群按照比例系数ρ划分为两个子种群;(4) 按式(3) 更新惯性权重w , 按式(7) 更新比例系数ρ, 第一个子种群按式(1) 和(2) 更新粒子速度和位置,第二个子种群按式(4) 和(5) 更新子种群中的粒子,从而产生新种群Xt ;(5) 评价种群Xt·将第i 个粒子当前点适应值与该粒子迄今找到的最优位置pi (最差位置si) 的适应值进行比较, 若更优(差) , 则更新pi( si) ,否则保持pi ( si) 不变,再与种群迄今找到的最优位置pg (最差位置sg) 的适应值进行比较,若更优(差) ,则更新pg ( sg) ;否则保持pg ( sg) 不变;(6) 检查是否满足寻优结束条件, 若满足则结束寻优, 求出最优解; 否则, 置t = t + 1 , 转至(3) ;结束条件为寻优达到最大进化代数Tmax·2. 4 基于动态双种群粒子群优化算法的工序排序2. 4. 1 粒子的编码和解码根据第1 节对柔性工作车间调度问题的描述,本文定义所有工件的总工序数L = 6nj =1nj ,把一个粒子表示为一个L 维的向量·对所有工序进行连续编号,即为每道工序指定一个固定的编号·例如可以对表1 所给出的例子中的工序进行编号,如表2 所示,则粒子的位置向量x [ L ]就是由一组连续的自然数组成的L 维的向量,自然数的顺序决定了工序调度的顺序·xi = [1 ,7 ,2 ,4 ,8 ,3 ,5 ,6 ]就表示了一个满足优先约束的可行的工序排序·表2 工序编号Table 2 Serial numbers of operations工序O1 ,1 O2 ,1 O3 ,1 O1 ,2 O2 ,2 O3 ,2 O1 ,3 O2 ,3编号1 2 3 4 5 6 7 82. 4. 2 位置向量和速度向量的更新对每个粒子, 粒子的速度向量可以用v [ L ]表示·按照上面所述的更新公式对x [ L ] , v [ L ]进行更新·由于粒子群优化算法经常用在连续空间上,而柔性工作车间调度问题为整数规划问题而且有工序先后顺序约束,所以将粒子群算法用于柔性工作车间调度问题时,在速度和位置更新方式上要做如下的修改:令粒子i 的当前的位置为xi = [1 , 7 , 2 , 4 , 8 , 3 , 5 , 6 ] , 在经过一次迭代以后位置向量变为xi = [ 2. 5 , 6. 7 , 3. 6 , 5. 9 , 8. 5 ,112 ,4. 1 ,7. 6 ]·位置向量里存放的是工序的编号,很明显不能为小数, 本文对迭代后的位置向量进行如下的处理:将更新后的位置向量中各分量的值按照由小到大的顺序进行排列, 并为其进行重新编号:1. 2 (1) < 2. 5 (2) < 3. 6 (3) < 4. 1 (4) < 5. 9(5) < 6. 7 (6) < 7. 6 (7) < 8. 5 (8) ,式中括号内的数字为该分量的编号, 然后位置向量中各分量用其获得的相应的编号代替·例如,第一个分量2. 5 用编号2 代替,第二个分量6. 7 用编号6 代替等等,此时位置向量变为xi = [2 , 6 , 3 , 5 , 8 , 1 , 4 , 7 ]·但是这个工序排序不满足优先约束,还要对其进行调整,使其满足约束条件·例如第一个分量2 代表的是工序O21 ,第6 个分量1 代表的是工序O11 ,工序O21应在工序O11之后进行加工, 所以要对其进行调整·调整的方法为:对属于同一个工件的工序调换其相应先后位置使其满足约束, 对每个工件都做相似的处理, 则可以得到满足优先级约束的位置向量: xi = [1 ,4 ,2 ,5 ,7 ,3 ,6 ,8 ]·3 启发式分配算法通过上一节介绍的排序算法本文可以获得一个满足工序优先约束的可行的工序序列·这一节通过一个启发式算法为这一工序序列中的每一工序分配一台合适的机器对其进行加工·本文所采用的分配算法的主要思想是:选择一台能使本道工序获得最小完工时间的机器分配给待加工的工序·可以用如下公式表示选择机器Mk 分配给待加工的工序以使本道工序的完工时间最短:tf i , j = min k ( ri , j + Ti , j , k) ,ri , j = max ( rpfk , ropf) ·式中, tf i , j 为工序Oi , j 的完工时间; ri , j 为工序的开始加工时间; Ti , j , k为工序用机器k 加工消耗的时间; rpfk为机器Mk 当前状态下所加工的最后一个工件的完工时间; ropf为待加工工序紧前工序的完工时间·利用排序算法和分配算法就可以获得一个满足优先约束和资源约束的可行的调度方案, 并且利用分配算法还可以得到目标函数———全部工件的最大完工时间的值·将前面介绍的排序算法和分配算法综合起来便形成本文所采用的处理柔性工作车间调度优化问题的方法,记为DPSO2HA·该方法将柔性工作车间调度问题分解为两个子问题———排序问题和分配问题,在每一次迭代中首先通过动态双种群粒子群算法获得一个可行的工序序列, 然后利用分配算法给该序列分配合适的机器并计算目标函数值,直至达到最大进化代数·4 算例仿真4. 1 仿真研究1本文选用文献[ 7 ]中的一个10 ×10 (10 个工件,10 台机器) ,30 道工序的柔性工作车间调度问题来计算最大完工时间·实验参数如下:粒子群的种群规模为m = 30 , c1 = c2 = 2 ,ρmax = 015 ,ρmin =0 ,每隔5 代重新划分种群,最大迭代次数Tmax =150·实验中采用本文所提出的算法运行10 次,和传统的GA 方法、文献[8 ]中采用的MSA 算法相比较,比较结果如表3 所示·表3 实验结果比较Table 3 Comparison of te sting re sults方 法最优值平均值标准偏差GA 8 11. 5 2. 67MSA 7 7. 9 0. 97DPSO2HA 7 7. 1 0. 32从表3 中可以看出DPSO2HA 求得的平均值和标准偏差都明显优于GA 和VEGA , 这说明DPSO2HA 的精度与稳定性明显优于GA 和VEGA 算法·实验中所获得的一个较优的调度方案的甘特图如图1 所示·图中方框内的数字“i . j”表示第j 个工件的第i 道工序·,（不好意思，图粘贴不下来，要不你告我邮箱）图1 柔性工作车间调度优化结果Fig. 1 Optimization solution to the problem10 ×10 with 30 operations4. 2 仿真研究2为了进一步对本文提出的算法的性能加以验证,选用文献[ 9 ]中所给出的实验数据,利用本文提出的算法进行求解,并将调度结果与文献[ 9 ]及文献[ 10 ]中所提算法的调度结果加以比较·比较结果如表4 所示·表4 不同方法的调度结果比较Table 4 Comparison of different scheduling re sults算例描述Brandimarte GENACE DPSO2HAMK1 10 ×6 42 41 40MK2 10 ×6 32 29 28MK4 15 ×8 81 67 61MK5 15 ×4 186 176 173MK6 10 ×15 86 68 62MK7 20 ×5 157 148 141MK8 20 ×10 523 523 523MK9 20 ×10 369 328 307MK10 20 ×15 296 231 207由上述的比较结果可以看出,本文所提出的DPSO2HA 方法对上述算例的求解结果较另外两种方法有了较大的提高·5 结 论本文提出了一种动态双种群粒子群优化算法(DPSO) ·DPSO 将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息·该算法在保持PSO 算法高效简单的基础上提高了全局寻优能力·将以DPSO 算法为基础的排序算法和启发式分配算法相结合形成了解决柔性工作车间调度问题的新方法·通过对算例的研究和与其他方法的比较表明,该方法是有效可行的·参考文献:[ 1 ] Carlier J , Pinson E. An algorithm for solving the job2shopproblem[J ] . Management Science , 1989 ,35 (2) :164 - 176.[ 2 ] Reynolds R G. An introduction to cultural algorithms[ C] ‖Proceedings of the Third Annual Conference on EvolutionaryProgramming. River Edge : World Scientific , 1994 : 131 -139.[ 3 ] Mastrolilli M , Gambardella L M. Effective neighborhoodfunctions for the flexible job shop problem[ J ] . Journal ofScheduling , 2002 ,3 (1) :3 - 20.[ 4 ] Kacem I , Hammadi S , Borne P. Pareto2optimality approachfor flexible job2shop scheduling problems : hybridization ofevolutionary algorithms and fuzzy logic[J ] . Mathematics andComputers in Simulation , 2002 ,60 (3) :245 - 276.[ 5 ] Kennedy J , Eberhart R. Particle swarm optimization [ C] ‖Proceedings of IEEE International Conference on NeuralNetworks. Perth : IEEE Press , 1995 :1942 - 1948.[ 6 ] Shi Y, Eberhart R C. Empirical study of particle swarmoptimization [ C ] ‖Proceedings of the 1999 Congress onEvolutionary Computation. Washington , 1999 : 1945 -1950.[ 7 ] Xia WJ , Wu Z M. An effective hybrid optimization approachfor multi2objective flexible job2shop scheduling problems[J ] .Computers & Indust rial Engineering , 2005 ,48 (2) :409 -425.[ 8 ] Najid N M , Stephane D P , Zaidat A. A modified simulatedannealing method for flexible job shop scheduling problem[C]‖Proceedings of the IEEE International Conference onSystems , Man and Cybernetics. Hammamet : IEEE Press ,2002 :89 - 94.[ 9 ] Brandimarte P. Routing and scheduling in a flexible job shopby tabu search[J ] . A nnals of Operations Research , 1993 ,41(3) :158 - 183.[ 10 ] Ho N B , Tay J C. GENACE: an efficient cultural algorithmfor solving the flexible job2shop problem[C] ‖Proceedings ofthe IEEE Congress on Evolutionary Computation. Portland :IEEE Press , 2004 :1759 - 1766.（do you know）
misskissfion
MTM动量指标就是通过观察股价波动的速度，衡量股价波动的动能，从而揭示股价反转的规律，为投资者正确地买卖股价提供重要的参考。当MTM曲线和MTMMA曲线经过长时间的中低位整理后，一旦MTM曲线开始向上突破MTMMA曲线时，说明股价的上涨动能已经相当充分，股价的中长期向上趋势已经形成，这是MTM 指标发出的中长期买入信号，特别是对于那些股价已经突破中长期均线压力、并且伴随较大的成交量配合的股票，这种买入信号则更可确认。此时，投资者应坚决地全仓买入股票。2、当MTM曲线和MTMMA曲线都在高位盘整时，一旦MTM曲线向下突破MTMMA曲线，则表明股价上升动能已经衰竭而下降的动能开始积聚，股价的长期上升趋势已经结束，而长期下降趋势开始形成，这是MTM指标发出的中长期卖出信号，特别是对于那些股价已经突破中短期均线的股票，这种信号更加明显。此时，投资者应及时地逢高卖出卖出股票。PSY指标是研究投资者对股市涨跌产生心理波动的情绪指标。计算公式1.PSY=N日内上涨天数/N*100 2.PSYMA=PSY的M日简单移动平均 。.当PSY曲线和PSYMA曲线同时向上运行时，为买入时机；相反，当PSY曲线与PSYMA曲线同时向下运行时，为卖出时机。而当PSY曲线向上突破PSYMA曲线时，为买入时机；相反，当PSY曲线向下跌破PSYMA曲线后，为卖出时机。当PSY曲线向上突破PSYMA曲线后，开始向下回调至PSYMA曲线，只要PSY曲线未能跌破PSYMA曲线，都表明股价属于强势整理。一旦PSY曲线再度返身向上时，为买入时机；当PSY曲线和PSYMA曲线同时向上运行一段时间后，PSY曲线远离PSYMA曲线时，一旦PSY曲线掉头向下，说明股价上涨的动能消耗较大，为卖出时机。当PSY曲线和PSYMA曲线再度同时向上延伸时，投资者应持股待涨；当PSY曲线在PSYMA曲线下方运行时，投资者应持币观望。当PSY曲线和PSYMA曲线始终交织在一起，于一个波动幅度不大的空间内运动时，预示着股价处于盘整的格局中，投资者应以观望为主。MCST揭示持股人的平均成本。计算公式1.公式源代码：MCST:DMA(AMOUNT/(100*VOL),VOL/CAPITAL); 2.公式释义：市场成本=以成交量(手)/当前流通股本(手)为权重成交额(元)/(100*成交量(手))的动态移动平均。当股价在MCST曲线下方翻红时应关注，若向上突破MCST曲线应买入；.当MCST曲线的下降趋势持续超过30日时，若股价在MCST曲线上方翻红应买入。
优质英语培训问答知识库
