導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇家鄉(xiāng)小吃，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

溫嶺市澤國(guó)小學(xué)

四六班

盧佳菀

每個(gè)地方都有各自的小吃，小吃剛好代表了這里的特色。吃小吃就能吃出這個(gè)地方的風(fēng)味。

嵌糕就是家鄉(xiāng)小吃的一種。太陽(yáng)剛升起來(lái)，街上就有人開(kāi)始擺攤。一張桌子上，放著各種各樣的餡料，旁邊堆著一大段糕，用塑料布遮得嚴(yán)嚴(yán)實(shí)實(shí)的。不一會(huì)兒，就有人來(lái)買(mǎi)了。只見(jiàn)賣(mài)主打開(kāi)塑料布，迅速切下一小段糕，把塑料布再蓋回來(lái)。再用手把糕放在桌子上搓成長(zhǎng)條狀，用手按壓，壓成一個(gè)糕包，尾部粘起來(lái)，再根據(jù)客人的要求放上餡，接著把旁邊都粘起來(lái)，只剩下一個(gè)口子，澆上湯，就很好吃了。又香又韌又柔，回到家鄉(xiāng)一定要吃一個(gè)，才有回家的感覺(jué)。

炊圓也是家鄉(xiāng)的小吃。但只在有喜事的時(shí)候才能吃的。炊圓做工精細(xì)，先是把糯米粉摻上水，和成一大團(tuán)，再使勁的揉幾下，直到已經(jīng)有點(diǎn)韌性時(shí)就可以了。再取出一小塊，揉成圓形，用大拇指在中間按壓一個(gè)窩。接著在窩里放已經(jīng)炒好的餡料，再把窩口封住就好了。然后放進(jìn)籠里蒸。這可大有講究，如果不按指定時(shí)間蒸好，汁就會(huì)溢出來(lái)。

篇2

鉛山快樂(lè)作文培訓(xùn)學(xué)校二年級(jí)

黃思怡

我的家鄉(xiāng)鉛山是個(gè)江南古鎮(zhèn)，這里環(huán)境優(yōu)美，物產(chǎn)豐富，尤其是小吃種類(lèi)繁多，遠(yuǎn)近聞名。我要夸夸家鄉(xiāng)的小吃——肉絲粉。

先介紹它的制作過(guò)程吧。第一步，把米磨成米漿，水弄干以后揉成團(tuán)，放在又細(xì)孔的木榨當(dāng)中壓榨出又細(xì)又長(zhǎng)白白凈凈的米粉絲。 第二步做粉湯。把新鮮的豬肉切成絲，放進(jìn)鹽、醬油、拌上紅署粉，再放進(jìn)肉骨湯里燙熟。第三步，把米粉，放進(jìn)開(kāi)水中燙熱裝在大碗里，澆上肉絲骨頭湯，放點(diǎn)蔥、生姜末、就可以吃了。

肉絲粉又細(xì)又滑、柔嫩可口，味道鮮美，人人都愛(ài)吃，它成了我們?cè)绮偷氖走x。許多外地客人來(lái)鉛山都會(huì)品嘗一下它的美味，勤勞聰明的鉛山人也把小吃店開(kāi)到全國(guó)各地。因此，它的名氣也越來(lái)越大。

篇3

魚(yú)香肉絲是我們這兒著名的風(fēng)味小吃。

魚(yú)香肉絲的味道好，看相也不錯(cuò)。一個(gè)盤(pán)子中有綠油油的青椒，紅艷艷的蘿卜，黃澄澄的肉絲格外顯眼，再澆上火紅的辣湯，真令人垂涎三尺。

魚(yú)香肉絲的做法很簡(jiǎn)單，把肉，胡蘿卜。青椒都切成絲備用。在鍋內(nèi)倒入少許油，放入肉絲炒熟，讓后倒在盤(pán)子里，再往鍋里放入生姜，蔥，辣椒，番茄醬，料酒等調(diào)料爆炒片刻，然后放入蘿卜，青椒，翻炒，幾分鐘后一盆色香味俱全的魚(yú)香肉絲便做成了。

篇4

我親愛(ài)的媽媽在廿里鎮(zhèn)的紅塔超市上班，鎮(zhèn)上有我最最喜歡吃的大烤餅。我喜歡吃又圓又大的烤餅，但不喜歡吃那種長(zhǎng)長(zhǎng)的烤餅?？撅炗袃蓚€(gè)品種，兩種口味。一種是里面放了霉干菜的，味道有點(diǎn)甜，風(fēng)味獨(dú)特；另外一種里面是榨菜餡的，我也挺喜歡吃。

剛做出的烤餅很香很香，大老遠(yuǎn)都能聞到香氣，聞一聞就會(huì)流口水。所以，每次經(jīng)過(guò)烤餅店時(shí)，我都會(huì)讓媽媽買(mǎi)一個(gè)嘗嘗。

有機(jī)會(huì)的話(huà)，我希望其它地方的小朋友能來(lái)我家鄉(xiāng)玩，嘗嘗這兒的烤餅吧！

篇5

怡園小池雖然簡(jiǎn)單，卻很美。在小池旁邊有一座小小的假山，假山上有兩個(gè)大大的字——怡園；小池周?chē)幸粋€(gè)密密的小樹(shù)林，樹(shù)林長(zhǎng)得郁郁郁蔥蔥的，隱隱約約可以看見(jiàn)幾張用石有關(guān)當(dāng)局做成的桌子和凳子，正好和小池旁邊用鵝卵石鋪成的小路相映襯。

彎彎曲曲的小路包圍著小池。小池的水清清的，一眼就能看見(jiàn)池底那各色各樣的鵝卵石，有的像星星，有的像月亮，有的像小鳥(niǎo)……可惜沒(méi)有魚(yú)，少了一點(diǎn)生機(jī)。

站在水邊突起的石塊上能感覺(jué)到一絲絲涼意，突然，一顆石子落到水中，就濺起了小小的水花，水花像珍珠般閃亮，照出了紅、黃、綠、藍(lán)、紫、白等光，五顏六色，美麗極了。

篇6

【關(guān)鍵詞】 普通高校;武術(shù)教育;價(jià)值功能

一、前言

正確認(rèn)識(shí)武術(shù)教育的價(jià)值功能事關(guān)普通高校武術(shù)教育的發(fā)展方向。武術(shù)教育伴隨時(shí)代的變遷而發(fā)展變化，不同時(shí)期有著不同的發(fā)展目標(biāo)。在新的國(guó)際形勢(shì)下，在實(shí)現(xiàn)中華民族偉大復(fù)興中國(guó)夢(mèng)的征程中，武術(shù)教育能為實(shí)現(xiàn)中國(guó)夢(mèng)增強(qiáng)文化軟實(shí)力，在多元化的信息時(shí)代，普通高校武術(shù)教育價(jià)值功能的研究應(yīng)放眼于全人類(lèi)的高度，呈現(xiàn)出多樣化的發(fā)展態(tài)勢(shì)，高校武術(shù)教育的價(jià)值功能要承載世界范圍內(nèi)的普及與推廣、文化的傳承、保衛(wèi)國(guó)家利益、培育民族精神的功能，高于體育本身。

二、堅(jiān)持高校武術(shù)教育的正確價(jià)值導(dǎo)向

1、武術(shù)教育的定位應(yīng)重文化教育，絕非體育教育本身

武術(shù)源于中國(guó)，源遠(yuǎn)流長(zhǎng)，它是在中國(guó)幾千年的歷史和文化中孕育形成和發(fā)展起來(lái)的，蘊(yùn)含著中華民族深厚的文明歷史和燦爛的文化，武術(shù)之所以能經(jīng)久不衰，有驚人的生命力，不僅僅是因?yàn)槲湫g(shù)具有強(qiáng)身健體和技擊價(jià)值，更重要的原因在于武術(shù)的文化魅力。主要體現(xiàn)在禮儀、武德、和諧，“未曾學(xué)藝先學(xué)禮， 未曾習(xí)武先明德”。古代時(shí)，要想學(xué)習(xí)武術(shù)首先要學(xué)禮儀，在現(xiàn)代，武術(shù)界的“抱拳禮”依然體現(xiàn)著武術(shù)以禮為先的文化特性。禮儀潛移默化的影響大學(xué)生要尊師重道，構(gòu)建公正、正義、公道的道德準(zhǔn)則。武德是在傳統(tǒng)倫理道德基礎(chǔ)上形成和發(fā)展起來(lái)的，它不僅僅對(duì)習(xí)武者有制約機(jī)制，更重要的是通過(guò)習(xí)武的錘煉過(guò)程，培養(yǎng)大學(xué)生遵紀(jì)守法、奮發(fā)進(jìn)取、勇敢頑強(qiáng)、心胸寬闊、不怕困難、敢于競(jìng)爭(zhēng)、勇于奉獻(xiàn)等良好的修養(yǎng)，能以寬厚的德行看待世界。加強(qiáng)他們以弘揚(yáng)民族精神、傳承民族文化為己任的責(zé)任心和民族自豪感?！昂椭C”觀的構(gòu)建是武術(shù)追求的又一境界。自我身心和諧、人際間和諧及人與自然的和諧?！昂椭C”觀能引領(lǐng)大學(xué)生珍愛(ài)生命，提高生命價(jià)值、而不僅限于生活質(zhì)量，實(shí)現(xiàn)人與自然、人與社會(huì)的和諧健康發(fā)展。因此，普通高校武術(shù)教育要改變以往的以傳習(xí)技能為主的教育模式，注重文化教育。

2、面向全世界，普及與推廣中華武術(shù)

優(yōu)秀的文化應(yīng)該屬于世界，被世界人民分享。武術(shù)作為我國(guó)優(yōu)秀的傳統(tǒng)文化體育項(xiàng)目，至今還沒(méi)有被列入奧運(yùn)會(huì)的正式比賽項(xiàng)目，作為高校武術(shù)教育應(yīng)面向世界，加強(qiáng)武術(shù)的普及與推廣工作。學(xué)校教育是武術(shù)發(fā)展的重要陣地?？v觀日本的柔道和空手道，韓國(guó)的跆拳道民族體育項(xiàng)目，它們的傳播都是先通過(guò)學(xué)校教育的普及與推廣，逐步滲透至社會(huì)層面，最終成為世界人民共享的體育文化財(cái)富。大學(xué)生是祖國(guó)未來(lái)建設(shè)的主力軍，人群龐大，具有較高的道德、文化素養(yǎng)，是文化傳播的重要力量，因此，普通高校武術(shù)教育不僅要從技術(shù)層面普及與推廣武術(shù)，而且要教育大學(xué)生在武術(shù)的國(guó)際化發(fā)展、推廣武術(shù)文化方面發(fā)揮重要的作用。

3、傳承武術(shù)文化，融合世界優(yōu)秀文化，符合世界文化發(fā)展方向

武術(shù)在中國(guó)道教、佛教、儒家思想傳統(tǒng)文化的影響下，融合了哲學(xué)、倫理學(xué)美學(xué)、中醫(yī)學(xué)、兵法等，具有獨(dú)特的文化形式。隨著世界經(jīng)濟(jì)、文化的全球化發(fā)展，在新時(shí)期世界文化交流，優(yōu)秀文化共享的背景下，武術(shù)技能和文化傳承教育相結(jié)合是當(dāng)今高校武術(shù)教育的發(fā)展方向。這對(duì)于大學(xué)生強(qiáng)化民族精神，弘揚(yáng)民族正能量，內(nèi)化人格魅力，構(gòu)建正確的人生觀、世界觀和價(jià)值觀等具有重要的意義。在世界文化發(fā)展中，各國(guó)文化共同發(fā)展，也相互沖撞。武術(shù)不僅具有民族性，而且與世界上任何體育項(xiàng)目一樣，具有世界性，武術(shù)的民族性和世界性是對(duì)立統(tǒng)一，不可分割的，武術(shù)文化的傳承離不開(kāi)世界性，要讓世界人民了解和接受中國(guó)武術(shù)，了解武術(shù)文化魅力，就必須處理好武術(shù)文化與世界文化之間的關(guān)系，把握世界人民的文化需求，符合世界文化發(fā)展方向，融合國(guó)外優(yōu)秀文化。高校武術(shù)教育要注重對(duì)大學(xué)生在中國(guó)武術(shù)文化與世界優(yōu)秀民族文化方面的教育，使他們獲得全面、豐富的知識(shí)，有利于與世界人民溝通、相互學(xué)習(xí)與交流，有利于武術(shù)文化的傳承。

4、國(guó)家利益為重，弘揚(yáng)民族精神

中國(guó)傳統(tǒng)社會(huì)中，由于家庭本位和國(guó)家一體制，群體價(jià)值高于個(gè)體價(jià)值，家庭、國(guó)家高于個(gè)體的絕對(duì)價(jià)值，使中國(guó)文化形成了群體本位價(jià)值觀。這種傳統(tǒng)觀念對(duì)武術(shù)產(chǎn)生了很大的影響。習(xí)武者展現(xiàn)出的是一種民族精神氣概，不計(jì)較個(gè)人得失，維護(hù)國(guó)家和集體利益、團(tuán)結(jié)和諧的民族向心力。隨著社會(huì)主義市場(chǎng)經(jīng)濟(jì)的發(fā)展，人們的需求也隨之提高，不僅要得到一定的物質(zhì)需求，而且還需要得到一定的精神滿(mǎn)足，不可避免會(huì)使一些人價(jià)值觀迷失，信仰偏差，喪失了正確的理想和信念，物質(zhì)、欲望、金錢(qián)沖昏了頭腦，拜金主義、實(shí)用主義、功利主義吞噬著他們的心靈。高校大學(xué)生正處在人生觀、價(jià)值觀、世界觀形成的不穩(wěn)定階段，更易于導(dǎo)致價(jià)值取向的扭曲，迷失正確的人生發(fā)展方向，目前高校存在著部分大學(xué)生追求實(shí)惠，貪圖享樂(lè)，以個(gè)人利益為重，不關(guān)心國(guó)家發(fā)展，以自我為中心，嚴(yán)于批評(píng)別人，不善于反思自己的現(xiàn)象。在當(dāng)前國(guó)際形勢(shì)復(fù)雜、多變，各國(guó)間競(jìng)爭(zhēng)激烈的國(guó)際形勢(shì)下，中國(guó)作為發(fā)展中的大國(guó)，正處在突飛猛進(jìn)的快速發(fā)展時(shí)期，在世界舞臺(tái)上發(fā)揮著重要的作用。大學(xué)生作為未來(lái)國(guó)家發(fā)展建設(shè)的重要力量，肩負(fù)著非常重要的任務(wù)。武術(shù)“內(nèi)外兼修”的獨(dú)特性，不僅自身具備健身、技擊價(jià)值，它滲透著傳統(tǒng)文化的基本精神，其中包括以國(guó)家利益為重，國(guó)家利益超越個(gè)人利益，民族積極奮進(jìn)的精神價(jià)值觀，因此，高校要通過(guò)武術(shù)教育，構(gòu)建學(xué)生積極向上的正確人生觀、價(jià)值觀、世界觀，教育他們把國(guó)家利益放在首位，為國(guó)家和社會(huì)發(fā)展樹(shù)立遠(yuǎn)大的理想和抱負(fù)，繼承和發(fā)揚(yáng)中華民族精神，并世代傳承。

三、結(jié)論

青年一代，事關(guān)國(guó)家未來(lái)興衰，高校人口數(shù)量龐大，在復(fù)雜多變的國(guó)際形勢(shì)下，在我國(guó)政治、經(jīng)濟(jì)、文化大發(fā)展的新時(shí)期，武術(shù)作為中國(guó)優(yōu)秀傳統(tǒng)文化體育項(xiàng)目，要迎合國(guó)家、社會(huì)的需要，正確定位高校武術(shù)教育應(yīng)承載的主要功能，面向世界，構(gòu)建超越體育本身固有的健身功能大教育觀，即注重武術(shù)的文化教育;面向世界，普及與推廣武術(shù)的使命感;武術(shù)文化與世界優(yōu)秀文化相融合，傳承武術(shù)文化，與世界人民共享、共發(fā)展;國(guó)家利益高于一切，甚至不惜犧牲自己的生命，弘揚(yáng)民族精神，使高校武術(shù)教育能更好的體現(xiàn)出多元的社會(huì)化價(jià)值。

【參考文獻(xiàn)】

[1] 顏世亮.文化傳承視域下學(xué)校武術(shù)教育管窺[J].體育科技，2014（1）163-164.

[2] 關(guān)博，楊兆山.武術(shù)教育的文化性探析[J].體育與科學(xué)，2014（3）83-87.

[3] 楊紹勇，孫健.學(xué)校武術(shù)教育與立德樹(shù)人研究[J].搏擊?武術(shù)科學(xué)，2014（4）27-30.

篇7

1 堅(jiān)持價(jià)值思維和效益導(dǎo)向，要從解放思想入手 

思想是行動(dòng)的先導(dǎo)，電力企業(yè)的干部職工通過(guò)多年的實(shí)踐已經(jīng)充分認(rèn)識(shí)到，作為企業(yè)來(lái)說(shuō)，創(chuàng)造價(jià)值、謀求效益是其存在的根本目標(biāo)之一。必須把思想意識(shí)統(tǒng)一到堅(jiān)持價(jià)值思維和效益導(dǎo)向上來(lái)，行動(dòng)自覺(jué)融入到各個(gè)崗位、每項(xiàng)工作中，心往一處想，勁往一處使，形成一股無(wú)堅(jiān)不摧的合力，才能將各項(xiàng)工作不斷推向前進(jìn)。 

在解放思想、凝聚共識(shí)的過(guò)程中，干部職工首先要強(qiáng)化思想引領(lǐng)和作風(fēng)建設(shè)?？陀^分析形勢(shì)，從思想上杜絕浮、夸、虛的作風(fēng);堅(jiān)決擺脫國(guó)企職工的優(yōu)越感，走出等、怨、要的怪圈。主動(dòng)適應(yīng)市場(chǎng)需求、分析市場(chǎng)形勢(shì)、應(yīng)對(duì)市場(chǎng)變化、掌控市場(chǎng)發(fā)展，真正站在市場(chǎng)競(jìng)爭(zhēng)的高度去思考、解決問(wèn)題，徹底摒棄不良習(xí)氣和依賴(lài)心理，切實(shí)增強(qiáng)危機(jī)意識(shí)、責(zé)任意識(shí)，立足于當(dāng)前正確審視面臨的困難，將困難當(dāng)作一種考驗(yàn)，磨練我們的意志、鍛煉我們的能力，著眼于大局認(rèn)真思考解決問(wèn)題的方法，對(duì)外積極開(kāi)拓市場(chǎng)，增強(qiáng)創(chuàng)收能力;對(duì)內(nèi)節(jié)約挖潛，控制關(guān)鍵成本。全員堅(jiān)定信心、同心同德，以思想的轉(zhuǎn)變帶動(dòng)觀念的更新，以觀念的更新推動(dòng)行動(dòng)上作為，進(jìn)而變風(fēng)險(xiǎn)為機(jī)遇，實(shí)現(xiàn)壓力與責(zé)任的“雙重傳遞”，從而使全員上下同欲、同心，共同應(yīng)對(duì)嚴(yán)峻挑戰(zhàn)。 

大唐集團(tuán)公司在深刻領(lǐng)會(huì)“價(jià)值思維和效益導(dǎo)向”的精神實(shí)質(zhì)和客觀要求的同時(shí)，針對(duì)電力企業(yè)生產(chǎn)經(jīng)營(yíng)實(shí)際，提出了一系列行之有效的思路、方法和措施。開(kāi)展的“三效三責(zé)”效益責(zé)任行動(dòng)、“實(shí)現(xiàn)價(jià)值從我做起”手寫(xiě)征文、“雙提升”大家談等活動(dòng)，可以從各個(gè)方面、各個(gè)崗位全方位剖析樹(shù)立價(jià)值思維效益導(dǎo)向的極端重要性，闡述如何立足本職、多做貢獻(xiàn)，從而營(yíng)造出“一切為了效益、一切服務(wù)效益、一切創(chuàng)造效益”的良好氛圍。 

2 堅(jiān)持價(jià)值思維和效益導(dǎo)向，要從務(wù)實(shí)創(chuàng)新切入 

創(chuàng)新是事業(yè)發(fā)展的催化劑，務(wù)實(shí)是事業(yè)成功的強(qiáng)心針。十報(bào)告中提出，要“實(shí)施創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略”。而創(chuàng)新，也必將成為電力企業(yè)轉(zhuǎn)方式、調(diào)結(jié)構(gòu)、強(qiáng)管理、增效益的動(dòng)力之源。但是創(chuàng)新不能只是空中樓閣，更重要的是要有務(wù)實(shí)的舉措和實(shí)實(shí)在在的方法。務(wù)實(shí)創(chuàng)新，光靠勇氣不行，還要有善創(chuàng)實(shí)干的能力。能力的提高，也需要不斷學(xué)習(xí)新知識(shí)，關(guān)注新形勢(shì)，多思考研究深化企業(yè)發(fā)展中出現(xiàn)的復(fù)雜問(wèn)題，想出新辦法，拿出新舉措，改出新氣象，開(kāi)出新天地。 

一是創(chuàng)新觀念，把價(jià)值思維和效益導(dǎo)向的理念貫穿到企業(yè)工作的每一個(gè)環(huán)節(jié)當(dāng)中，通過(guò)管理的強(qiáng)化、制度的完善、素質(zhì)的提升，以市場(chǎng)為導(dǎo)向，轉(zhuǎn)變觀念、深化改革，采取有效措施，加大工作力度，把經(jīng)濟(jì)效益作為一切工作的檢驗(yàn)標(biāo)準(zhǔn)和評(píng)價(jià)依據(jù)。二是加強(qiáng)學(xué)習(xí)，全面加強(qiáng)學(xué)習(xí)型組織建設(shè)，在學(xué)習(xí)內(nèi)容的時(shí)效性、實(shí)用性上下功夫，圍繞“經(jīng)濟(jì)效益這一中心”出實(shí)招，將工作的重心轉(zhuǎn)移到引導(dǎo)、動(dòng)員廣大干部職工“創(chuàng)效”上來(lái)，杜絕搞轟轟烈烈的形式主義，只求實(shí)實(shí)在在的業(yè)績(jī)效果，為企業(yè)中心工作服務(wù)。三是強(qiáng)化作風(fēng)，加強(qiáng)黨的領(lǐng)導(dǎo)和黨員作風(fēng)建設(shè)，對(duì)表現(xiàn)優(yōu)秀的黨員進(jìn)行重點(diǎn)宣傳并進(jìn)行培養(yǎng)，營(yíng)造濃厚的爭(zhēng)先氛圍，確保黨員在關(guān)鍵時(shí)期、關(guān)鍵時(shí)刻、關(guān)鍵崗位、關(guān)鍵任務(wù)中承擔(dān)起責(zé)任、發(fā)揮出作用。四是以人為本，加強(qiáng)對(duì)黨員干部和職工群眾的思想、學(xué)習(xí)、工作和生活各個(gè)方面的人文關(guān)懷，加強(qiáng)信息的傳遞和掌握，使全員全面掌握適應(yīng)當(dāng)前電力市場(chǎng)競(jìng)爭(zhēng)的新知識(shí)、新理念，打造適合企業(yè)當(dāng)前需要的創(chuàng)效人才。五是文化引領(lǐng)，努力調(diào)動(dòng)職工積極性，廣大干部黨員率先垂范，細(xì)化責(zé)任和任務(wù)，出實(shí)招、辦實(shí)事、求實(shí)效，抓住重點(diǎn)工作、重點(diǎn)目標(biāo)、重點(diǎn)任務(wù)不放松，用先進(jìn)的文化理念引導(dǎo)全員凝心聚力、同心攻堅(jiān)。 

務(wù)實(shí)創(chuàng)新，需要有“敢向自己開(kāi)刀”的勇氣，更需要“敢為天下先”的膽識(shí)。結(jié)合實(shí)際在創(chuàng)新上下工夫，在創(chuàng)新中破解發(fā)展難題、提升發(fā)展水平。根據(jù)分管工作和生產(chǎn)經(jīng)營(yíng)指標(biāo)，對(duì)各個(gè)方面、各個(gè)專(zhuān)業(yè)、各個(gè)層面的事項(xiàng)進(jìn)行梳理盤(pán)點(diǎn)，全力挖掘創(chuàng)效“造血點(diǎn)”，積極完善各項(xiàng)管理制度，激發(fā)了基層職工務(wù)實(shí)創(chuàng)新、奮勇拼搏的積極性。 

3 堅(jiān)持價(jià)值思維和效益導(dǎo)向，要從真抓實(shí)干開(kāi)始 

堅(jiān)持“價(jià)值思維和效益導(dǎo)向”，不僅是當(dāng)前一個(gè)時(shí)期電力企業(yè)發(fā)展的必然要求，同時(shí)也是企業(yè)未來(lái)發(fā)展的科學(xué)定位。電力企業(yè)職工要把對(duì)“中國(guó)夢(mèng)”的期待轉(zhuǎn)化為一項(xiàng)項(xiàng)具體措施，落實(shí)到一件件實(shí)事之中，就必須把“價(jià)值思維和效益導(dǎo)向”貫穿至生產(chǎn)經(jīng)營(yíng)的每一項(xiàng)工作當(dāng)中，采取有效措施，加大工作力度，千方百計(jì)想辦法、創(chuàng)效益，確保工作任務(wù)和經(jīng)營(yíng)目標(biāo)的扎實(shí)推進(jìn)。在實(shí)際工作中，把經(jīng)濟(jì)效益作為工作的檢驗(yàn)標(biāo)準(zhǔn)和評(píng)價(jià)依據(jù)，通過(guò)管理的強(qiáng)化、制度的完善、素質(zhì)的提升，使企業(yè)由內(nèi)而外、強(qiáng)基固本、煥發(fā)生機(jī)。每名電力職工，都應(yīng)爭(zhēng)做最好的自己，對(duì)自己負(fù)責(zé)，把對(duì)企業(yè)的深深熱愛(ài)轉(zhuǎn)化為拼搏進(jìn)取、盡責(zé)履職、敬業(yè)奉獻(xiàn)的實(shí)際行動(dòng)。實(shí)現(xiàn)“中國(guó)夢(mèng)”在于行動(dòng)，在于實(shí)干。唯有真抓，才能直面問(wèn)題攻堅(jiān)克難;唯有實(shí)干，才能持續(xù)實(shí)現(xiàn)“中國(guó)夢(mèng)”的堅(jiān)實(shí)腳步。 

堅(jiān)持“價(jià)值思維和效益導(dǎo)向”，要強(qiáng)化責(zé)任意識(shí)和憂(yōu)患意識(shí)。將效益提升作為企業(yè)的中心任務(wù)和頭等大事，將其提升到企業(yè)生存與發(fā)展的高度來(lái)認(rèn)識(shí)，使其成為應(yīng)對(duì)嚴(yán)峻挑戰(zhàn)的根本需求和最大保證。實(shí)現(xiàn)壓力的層層傳遞，增強(qiáng)執(zhí)行力，把全部精力集中到工作上，對(duì)各個(gè)方面、各個(gè)專(zhuān)業(yè)、各個(gè)層面的事項(xiàng)進(jìn)行梳理盤(pán)點(diǎn)，全力找出、找全有可能增加企業(yè)效益的事項(xiàng)，對(duì)相關(guān)事項(xiàng)制定科學(xué)、有效、得力的實(shí)施方案，確保各項(xiàng)目標(biāo)務(wù)期必成。 

外部形勢(shì)無(wú)法改變，能夠改變的唯有自我提升。根據(jù)市場(chǎng)波動(dòng)及時(shí)調(diào)整戰(zhàn)略方針和經(jīng)營(yíng)方向，也要做好工作中每一個(gè)細(xì)節(jié)。充分利用財(cái)務(wù)管理系統(tǒng)的管控功能，強(qiáng)化費(fèi)用事先審批程序，嚴(yán)格按照分解預(yù)算進(jìn)行每一項(xiàng)成本費(fèi)用的審批，加強(qiáng)成本費(fèi)用的事先控制。認(rèn)真分析研究新《安全生產(chǎn)法》、《環(huán)保法》，嚴(yán)格執(zhí)行國(guó)家法律法規(guī)，持續(xù)優(yōu)化環(huán)保生產(chǎn)指標(biāo)，認(rèn)真落實(shí)節(jié)能減排行動(dòng)計(jì)劃。通過(guò)指標(biāo)預(yù)警管理，日分析、周點(diǎn)評(píng)、月總結(jié)，進(jìn)一步加大環(huán)保運(yùn)行方式調(diào)整、指標(biāo)監(jiān)控力度。萬(wàn)涓成河，千流入海，只要認(rèn)真從有利于企業(yè)的每一件小事做起，就會(huì)有收獲、有成績(jī)，就會(huì)促進(jìn)企業(yè)的蓬勃發(fā)展。 

篇8

1.南寧阿里媽媽燒烤（含烤肉腌漬料、燒烤油、海鮮燒烤秘方）

2.河南安陽(yáng)“孟記炒雞”秘方（含炒雞醬及炒雞粉秘方）

3.飄香雞（含復(fù)合飄香粉料配方）、八寶布袋雞

4.河南靈寶“傻妹包子”（含骨頭湯熬制、香料汁煮制、紅薯粉條漲發(fā)工藝配方）

5.14種火爆熱賣(mài)特色爆米花

6.正宗長(zhǎng)沙桔香手撕鴨（含特制桔香鹵水、桔香油配方）

7.溫州鄉(xiāng)骨里香雞香巴佬熟食（含料水、香料、老湯、醬雞湯等核心配方）

8.百度烤肉

9.天津百餃園水餃餡料經(jīng)典調(diào)制秘方

10.重慶德莊清一色火鍋技術(shù)（包括底料、鮮湯、味碟、兌鍋配方）

11.農(nóng)夫烤雞、黃泥巴烤雞

12.價(jià)值萬(wàn)元瘋狂烤翅絕密配方

13.上海香嫩里脊炸串

14.正宗河間張果老驢肉火燒

15.濟(jì)南劉氏鍋貼（含肉湯料、海鮮湯、香料油秘方）

16.北京錦州飯店“錦州烤魚(yú)”秘制燒烤醬料、腌料、油料、干料配方

17.西安張氏特色烤面筋配方工藝

18.山東臨沂王小二炒雞（含秘制炒雞粉配方）

19.傷心涼粉、開(kāi)心涼粉、冰粉（含三種味汁調(diào)制配方）

20.全國(guó)連鎖“永和豆?jié){”油條

21.正宗西安涼皮（料粉、香料水、油潑辣子秘制配方 ）

22.筋頭巴腦牛一鍋火鍋（秘制醬料、底油、鹵肉醬湯配方及操作工藝）

23.正宗東北“高壓嘎巴鍋”（醬料、油料、香料配方及鍋型制作）

24.魔石咕嚕魚(yú)（含湯料配方、醬料配方）

25.價(jià)值2萬(wàn)元武漢周黑鴨絕密配方

26.河北邯鄲圣旨骨酥魚(yú)（含酥魚(yú)滋補(bǔ)料18種配料用量核心配方）

27.金牌烤全兔

28.北京“勝利玉林烤鴨店”精品酥香烤鴨（獨(dú)家關(guān)鍵秘技、玉林面醬配方）

29.北京豬腳巷風(fēng)味烤豬蹄（秘制烤蹄鹵水、醬料、蘸料配方）

30.金棗果疏香不膩烤鴨（含疏香汁、脆皮水、鴨醬及二次風(fēng)吹冷凍等5大技術(shù)配方）

31.李廚相思鴨配方工藝

32.山西一絕“驢肉香”醬驢肉（含老湯配方調(diào)制）

33.成都耗子洞張鴨子（含香辛藥料配方）

34.安徽無(wú)為醬鴨（附秘制醬湯配方）

35.澳門(mén)豆撈

36.山東“石蛤蟆”水餃

37.湖南韶山毛家紅燒肉（9大制作關(guān)鍵）

38.絕味香辣熏雞架、烤雞架

39.云南沾益龔氏辣子雞

40.武大郎燒餅、潘金蓮咸菜、王婆南瓜粥 41.一品飄香砂鍋米線(xiàn)、砂鍋面、砂鍋粉、砂鍋土豆粉等加盟店全套配方技術(shù)（含秘制麻辣料、鮮湯、醬鹵配方）

42.湖南如意樓水晶酸辣粉

43.功夫麻辣燙

44.內(nèi)蒙古小肥羊連鎖火鍋

45.貴州花溪王記牛肉粉

46.正宗土家醬香餅

47.大連鐵板魷魚(yú)（絕密燒烤醬配方 ）

48.河南開(kāi)封小籠灌湯包

49.鄉(xiāng)村大媽鐵鍋燴菜

50.李連貴熏肉大餅（含香料包配方）

51.正宗麥多餡餅

52.長(zhǎng)沙龔得包連鎖店灌湯包

53.重慶諸葛烤魚(yú)加盟店配方

54.干鍋辣鴨頭

55.啤酒烤鴨（含腌料鹵水、飄香料機(jī)密配方）

56.正宗十三香龍蝦（含十三香麻辣醬、秘制麻辣型、濃香型十三香粉絕密配方）

57.忽必烈烤羊排（含專(zhuān)用鹵水及自制孜然香粉配方）

58.正宗公婆餅

全套資料10萬(wàn)字，所有配方技術(shù)真實(shí)可靠，確保正宗，毫無(wú)保留，詳細(xì)易懂簡(jiǎn)單好學(xué)，并有專(zhuān)業(yè)老師免費(fèi)提供技術(shù)指導(dǎo)，僅收編輯成本費(fèi)488元，前100名訂購(gòu)388元，款到一律用快遞免費(fèi)發(fā)出！

匯款地址：武漢市洪山區(qū)書(shū)城路40號(hào)洪山經(jīng)濟(jì)開(kāi)發(fā)區(qū) CBI動(dòng)漫產(chǎn)業(yè)孵化基地902室

收款人：《創(chuàng)富指南》雜志讀者服務(wù)部（收） 郵編：430071 聯(lián)系人：堯老師

篇9

ス丶詞:

序貫最小優(yōu)化；雙邊加權(quán)模糊支持向量機(jī)；支持向量機(jī)；模糊支持向量機(jī)

ブ型擠擲嗪: TP301.6 文獻(xiàn)標(biāo)志碼:A

Abstract: High computational complexity limits the applications of the BilateralWeighted Fuzzy Support Vector Machine (BWFSVM) model in practical classification problems. In this paper, the Sequential Minimal Optimization (SMO) algorithm,which firstly decomposed the overall Quadratic Program (QP) problem into the smallest possible QP subproblems and then solved these QP subproblems analytically, was proposed to reduce the computational complexity of the BWFSVM model. A set of experiments were conducted on three real world benchmarking datasets and two artificial datasets to test the performance of the SMO algorithm. The results indicate that compared with the traditional interior point algorithm, the SMO algorithm can reduce significantly the computational complexity of the BWFSVM model without influencing the testing accuracy, and makes it possible for the BWFSVM model to be applied to practical classification problems with outliers or noises.

Key words: Sequential Minimal Optimization (SMO); BilateralWeighted Fuzzy Support Vector Machine (BWFSVM); Support Vector Machine (SVM); Fuzzy Support Vector Machine (FSVM)

0 引言

支持向量機(jī)(Support Vector Machine,SVM)是模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域的一種很重要的分類(lèi)和非線(xiàn)性函數(shù)估計(jì)方法，其主要的缺點(diǎn)是標(biāo)準(zhǔn)的支持向量機(jī)模型對(duì)噪聲和孤立點(diǎn)是敏感的［1］。針對(duì)這一問(wèn)題，Lin等人［2］在2002年提出了模糊支持向量機(jī)(Fuzzy Support Vector Machine,FSVM)，Jayadeva等人［3］在2005年提出了模糊近邊界支持向量機(jī)，Tao等人［4］在2004年提出了一種基于加權(quán)間隔的模糊支持向量機(jī)。

模糊支持向量機(jī)的關(guān)鍵是如何設(shè)置訓(xùn)練樣本的模糊隸屬度。針對(duì)這個(gè)問(wèn)題，2005年，Lin等人［5］通過(guò)引入置信因子和無(wú)用因子提出了模糊隸屬度的自動(dòng)生成方法。2006年，Jiang等人［6］基于高維特征空間樣本與類(lèi)中心的距離提出了一種新的模糊隸屬度函數(shù)。2004年，基于模糊C均值聚類(lèi)和模糊ifthen規(guī)則，Leski［7］提出了Е弄Ъ涓舴竅咝苑擲嗥骼唇餼齟孤立點(diǎn)或噪聲點(diǎn)的分類(lèi)問(wèn)題，并提出了迭代設(shè)置樣本權(quán)重和集成學(xué)習(xí)的策略。

在以上提出的模型中，模糊隸屬度si是對(duì)應(yīng)樣本點(diǎn)屬于某一類(lèi)的程度，而1-si是無(wú)意義的程度?？紤]到在實(shí)際的分類(lèi)問(wèn)題中，同一個(gè)樣本點(diǎn)可能屬于多個(gè)類(lèi)，Wang等人［8］分別提出了雙邊加權(quán)模糊支持向量機(jī)模型和它的最小二乘版本［9］來(lái)評(píng)估信貸風(fēng)險(xiǎn)。2008年，Jilani等人［10］將雙邊加權(quán)模糊支持向量機(jī)應(yīng)用在多分類(lèi)問(wèn)題中。對(duì)于一個(gè)具有l(wèi)Ц鲅本點(diǎn)的訓(xùn)練集，雙邊加權(quán)模糊支持向量機(jī)模型需要解2lЦ霰淞康畝次規(guī)劃問(wèn)題。在先前的研究中，這個(gè)模型運(yùn)用傳統(tǒng)的優(yōu)化算法來(lái)求解，其計(jì)算復(fù)雜度為O(8l3)。У毖盜費(fèi)本上萬(wàn)時(shí)，如果計(jì)算機(jī)沒(méi)有足夠的內(nèi)存，用傳統(tǒng)的優(yōu)化算法來(lái)求解雙邊加權(quán)模糊支持向量機(jī)模型是不現(xiàn)實(shí)的，這就限制了其在實(shí)際中的應(yīng)用。目前，如何降低計(jì)算復(fù)雜度是雙邊加權(quán)模糊支持向量機(jī)模型的關(guān)鍵問(wèn)題之一。在本文中，我們主要處理這個(gè)問(wèn)題。

在支持向量機(jī)領(lǐng)域中，分解算法是處理實(shí)際分類(lèi)問(wèn)題的主要算法之一［11-13］。其中序貫最小優(yōu)化(Sequential Minimal Optimization,SMO)算法的應(yīng)用最廣泛［14］。SMO算法將整個(gè)二次規(guī)劃問(wèn)題分解成一系列規(guī)模為2的二次規(guī)劃子問(wèn)題，然后解這些二次規(guī)劃子問(wèn)題，這使得SMO算法解決大規(guī)模分類(lèi)問(wèn)題成為可能。目前，SMO算法在大規(guī)模的分類(lèi)問(wèn)題中已有應(yīng)用［15-20］。為了降低計(jì)算復(fù)雜度，本文用SMO算法求解雙邊加權(quán)模糊支持向量機(jī)(BilateralWeighted Fuzzy Support Vector Machine,BWFSVM)模型，使得該模型在實(shí)際分類(lèi)問(wèn)題中的應(yīng)用成為可能。

1 雙邊加權(quán)模糊支持向量機(jī)模型

對(duì)于二分類(lèi)問(wèn)題，給定如下的訓(xùn)練數(shù)據(jù)集

T={(x1,y1),(x2,y2),…,(xl,yl)}(1)

2005年，Wang等人［8］將訓(xùn)練集擴(kuò)展如下：

Tb={(x1,+1,m1),(x1,-1,1-m1),(x2,+1,m2),(x2,-1,1-m2),…,(xl,+1,ml),(xl,-1,1-ml)}(2)

其中輸入數(shù)據(jù)xn∈Rp，對(duì)應(yīng)的類(lèi)標(biāo)yn∈{-1,+1}，mn是xn屬于+1類(lèi)的模糊隸屬度。オ

基于訓(xùn)練集Tb，雙邊加權(quán)模糊支持向量機(jī)的原問(wèn)題［8］如下：

И┆minw,b,ξn,ξn′12w2+C∑ln=1(mnξn+(1-mn)ξn′)(3)

s.t.w•φ(xn)+b≥1-ξn； n=1,2,…,l,И

w•φ(xn)+b≤-1+ξn′； n=1,2,…,l,

Е為n,ξn′≥0； n=1,2,…,l,И

式中:w是超平面的法向量，b是偏項(xiàng)，φ(xn)是將xnв成淶礁呶特征空間的非線(xiàn)性映射，Е為n，ξn′是松弛變量，C是控制模型復(fù)雜性和訓(xùn)練誤差的正則化常數(shù)。

原始優(yōu)化問(wèn)題的對(duì)偶問(wèn)題為：

И┆minαi,αi′12∑ln=1∑lt=1(αn-αn′)(αt-αt′)k(xn,xt)-

∑ln=1(αn+αn′)(4)

s. t.Аln=1(αn-αn′)=0,И

0≤αn≤Cmn；n=1,2,…,l,И

0≤α′n≤C(1-mn)；n=1,2,…,l,И

其中k(xn,x)=(φ(xn),φ(x))是Mercer核函數(shù)。

求解上面的優(yōu)化問(wèn)題，從而可以得到如下的決策函數(shù)。

f(x)=∑ln=1(αn-αn′)k(xn,x)+b(5)

從對(duì)偶問(wèn)題(4)可知，對(duì)于lЦ鲅本的訓(xùn)練集，雙邊加權(quán)模糊支持向量機(jī)模型需要求解2lЦ霰淞康畝次規(guī)劃問(wèn)題。如果用傳統(tǒng)的優(yōu)化算法來(lái)求解此模型，其計(jì)算復(fù)雜度O(8l3)限制了其在實(shí)際分類(lèi)問(wèn)題中的應(yīng)用。在后邊的研究中，考慮到SMO算法在實(shí)際分類(lèi)問(wèn)題中的廣泛應(yīng)用，我們給出求解對(duì)偶問(wèn)題的SMO算法。

2 BWFSVM模型的SMO算法

本章首先給出對(duì)偶問(wèn)題(4)的最優(yōu)條件，其次給出選擇工作集的策略，然后給出更新拉格朗日乘子的公式，最后給出SMO算法的步驟。

2.1 對(duì)偶問(wèn)題的最優(yōu)條件

對(duì)偶問(wèn)題(4)的拉格朗日函數(shù)如下：

LD(αn,αn′,β,πn,ψn,δn,ηn)=

12∑ln=1∑lt=1(αn-αn′)(αt-αt′)k(xn,xt)-

∑ln=1(αn+αn′)+β∑ln=1(αn-αn′)-∑ln=1πnαn-∑ln=1ψnαn′-

∑ln=1δn(Cmn-αn)-∑ln=1ηn［C(1-mn)-αn′］(6)

式中：Е, πn≥0, ψn≥0, δn≥0和ηn≥0是拉格朗日乘子。オ

令

Fn=-∑lt=1(αt-αt′)k(xt,xn)；n=1,2,…,l(7)

對(duì)偶問(wèn)題(4)的最優(yōu)條件如下

ИLD(αn,αn′,β,πn,ψn,δn,ηn)鄲聯(lián)n=

-Fn-1+β-πn+δn=0 (8)

ИLD(αn,αn′,β,πn,ψn,δn,ηn)鄲聯(lián)n′=

Fn-1-β-ψn+ηn=0 (9)

Е歇nαn=0；n=1,2,…,l(10)

Е轉(zhuǎn)nαn′=0；n=1,2,…,l(11)

Е莫n(Cmn-αn)=0；n=1,2,…,l(12)

Е仟n［C(1-mn)-αn′］=0；n=1,2,…,l(13)

0≤αn≤Cmn；n=1,2,…,l(14)

0≤αn′≤C(1-mn)；n=1,2,…,l(15)

Е歇n≥0,ψn≥0,δn≥0,ηn≥0；n=1,2,…,l(16)

為了方便討論，先給出下面的定理。

定理1

當(dāng)對(duì)偶問(wèn)題取得最優(yōu)解時(shí)，集合{n|αn=0,│聯(lián)n′=0)}，{n|αn=0,0

證明

假設(shè)集合{n|αn=0,αn′=0)}Х強(qiáng)鍘S墑(8)，(9)，(12)，(13)，(16)可得：

-Fn-1+β≥0 (17)

Fn-1-β≥0(18)

由式(17)，(18)可得

Fn+1≤Fn-1(19)

這是不可能的。故{n|αn=0,αn′=0)}是空集。

同理可證{n|αn=0,0

接下來(lái)，簡(jiǎn)要討論mn=0, mn=1和 0

1)mn=0。由式(14)可知，αn=0，對(duì)于不同的αn′，в啥耘嘉侍獾淖鈑盤(pán)跫可得:

У寶聯(lián)n′=0時(shí)，F(xiàn)n-1≥β；

當(dāng)αn′=C時(shí)，F(xiàn)n-1≤β；

當(dāng)0

Fn-1≥β,αn′=0【取等？

或Fn-1≤β,αn′=C【取等？

或Fn-1=β,0

2)mn=1。由式(15)可得，αn′=0，Ф雜諶〔煌值的Е聯(lián)n，Э梢緣玫階鈑盤(pán)跫為：

У寶聯(lián)n=0時(shí)，F(xiàn)n+1≤β；

當(dāng)αn=C時(shí)，F(xiàn)n+1≥β；

當(dāng)0

Fn+1≤β,αn=0【取等？

或Fn+1≥β,αn=C【取等？

或Fn+1=β,0

3)0

У寶聯(lián)n=0,αn′=C(1-mn)時(shí)，F(xiàn)n+1≤β；

當(dāng)αn=Cmn,αn′=0時(shí)，F(xiàn)n-1≥β；

當(dāng)αn=Cmn,αn′=C(1-mn)時(shí)，-1≤Fn-β≤1；

當(dāng)αn=Cmn,0

當(dāng)0

Fn+1≤β,αn=0,αn′=C(1-mn)

或Fn-1≥β,αn=Cmn,αn′=0

或-1≤Fn-β≤1,αn=Cmn,αn′=C(1-mn)

或Fn-1=β,αn=Cmn,0

或Fn+1=β,0

定義下面的指標(biāo)集

I01={n|αn=0,αn′=0,mn=0}

I02={n|αn=0,0

I03={n|αn=C,αn′=0,mn=1}

I04={n|0

I05={n|αn=0,αn′=C,mn=0}

I06={n|αn=Cmn,αn′=0,0

I07={n|αn=0,αn′=0,mn=1}

I08={n|αn=0,αn′=C(1-mn),0

I1={n|αn=Cmn,αn′=C(1-mn),0

I2={n|αn=Cmn,0

I3={n|0

設(shè)

ИFn=Fn+1, n∈I03∪I04∪I1∪I3Fn-1, n∈I01∪I02∪I06∪I2

Fn=Fn+1, n∈I04∪I07∪I08∪I3Fn-1, n∈I02∪I05∪I1∪I2 オ

那么，最優(yōu)條件可以改寫(xiě)為

Е隆塥Fn,n∈I01∪I02∪I03∪I04∪I06∪I1∪I2∪I3

β≥Fn,n∈I02∪I04∪I05∪I07∪I08∪I1∪I2∪I3 オ

設(shè)

b┆up=min{Fn,n∈I01∪I02∪I03∪I04∪I06∪I1∪I2∪I3}

b┆low=max{Fn,n∈I02∪I04∪I05∪I07∪I08∪I1∪I2∪I3}オ

則最優(yōu)條件滿(mǎn)足當(dāng)且僅當(dāng)

b┆low≤b┆up(20)オオ

2.2 選擇工作集

設(shè)滿(mǎn)足下面的兩個(gè)條件之一的訓(xùn)練樣本對(duì)為(i,j)オ

i∈I01∪I02∪I03∪I04∪I06∪I1∪I2∪I3,j∈I02∪I04∪I05∪I07∪I08∪I1∪I2∪I3 并且 ИFi

i∈I02∪I04∪I05∪I07∪I08∪I1∪I2∪I3,j∈I01∪I02∪I03∪I04∪I06∪I1∪I2∪I3 并且 ИFi>Fj (22)

那么這樣的訓(xùn)練樣本對(duì)(i,j)Фㄒ辶艘桓雒盾對(duì)。

設(shè)

i_up=argmin{Fn,n∈I01∪I02∪I03∪I04∪I06∪I1∪

I2∪I3}(23)オ

i_low=argmax{Fn,n∈I02∪I04∪I05∪I07∪I08∪I1∪

I2∪I3}(24)お

并且 b┆low>b┆up(25)

那么訓(xùn)練樣本對(duì)(i_low,i_up)Фㄒ辶艘桓鱟畬蟮拿盾對(duì)，為了提高優(yōu)化過(guò)程的速度，我們采取兩個(gè)策略來(lái)挑選工作集：一個(gè)是最大矛盾對(duì)策略，也就是說(shuō)將式(23)和(24)定義的最大矛盾對(duì)(i_low,i_up)挑選到工作集內(nèi)進(jìn)行優(yōu)化，另一個(gè)策略是全部違反策略，將所有滿(mǎn)足式(21)或(22)的矛盾對(duì)都放到工作集里進(jìn)行優(yōu)化［21］。

2.3 更新拉格朗日乘子Е聯(lián)i,αi′,αj和 αj′オ

由指標(biāo)集的定義可知，由于i和j屬于不同的集合，這樣就有九種集合的組合方法來(lái)確定要優(yōu)化的變量對(duì)，具體組合見(jiàn)表1。

由表1可知，在優(yōu)化過(guò)程中，僅僅需要優(yōu)化其中的4個(gè)變量對(duì)(αi,αj),(αi′,αj′),(αi′,αj)和(αi,αj′)。オ

設(shè)

(αi-αi′)+(αj-αj′)=(α┆oldi-α┆oldi′)+

(α┆oldj-α┆oldj′)=γ (26)

Е=k(xi,xi)+k(xj,xj)-2k(xi,xj)(27)

Е摘t=∑ln=1(α┆oldn-α┆oldn′)k(xn,xt)+b； t=1,2,…,l(28)

Sw={i, j}(29)

將式(4)的目標(biāo)函數(shù)12∑ln=1∑lt=1(αn-αn′)(αt-αt′)k(xn,xt)-∑ln=1(αn+αn′)д箍可得

12∑ln=1∑lt=1(αn-αn′)(αt-αt′)k(xn,xt)-

∑ln=1(αn+α′n)=12(αi-αi′)2η+

(αi-αi′)[(φi-φj)-η(α┆oldi-α┆oldi′)]-

∑n∈Sw(αn+αn′)+C1(30)

其中C1是常數(shù)。

如果待優(yōu)化的變量對(duì)是(αi,αj)和(αi′,αj′)，設(shè)定s=1，否則s=-1，由式(30)可知，對(duì)偶問(wèn)題(4)等價(jià)于下面的優(yōu)化問(wèn)題：オ

Иmin12(αi-αi′)2η+(αi-αi′)[(φi-φj)-

η(α┆oldi-α┆oldi′)]-(αi+αi′)(1-s)(31)お

s. t.Е聯(lián)i∈[L,H],αi′∈[L′,H′]お

其中:H和L分別是αi的上、下界，H′和L′分別是αi′的上、下界。關(guān)于αi和αi′У奈拊際最小優(yōu)化問(wèn)題如表2。

オЕ聯(lián)i和αi′的最終的計(jì)算公式分別如下：オ

Е聯(lián)┆newi=

H,α┆unconstrainedi≥H

α┆unconstrainedi,L

L,α┆unconstrainedi≤L (32)

Е聯(lián)┆newi′=

H′,α┆unconstrainedi′≥H′

α┆unconstrainedi′,L′

L′,α┆unconstrainedi′≤L′ (33)オ

基于式(26)，我們能夠計(jì)算Е聯(lián)i和αi′ё鈧盞鬧怠＊

2.4 確定Е聯(lián)i和αi′У納舷陸紿

由等式(14)、(15)、(26)可以得到待優(yōu)化的變量對(duì)與其對(duì)應(yīng)的上下界的關(guān)系如表3。

要優(yōu)化的變量對(duì)變量對(duì)對(duì)應(yīng)的上下界

(αi,αj)L=max(0,γ+αi′+αj′-Cmj),H=min(γ+αi′+αj′,Cmi)

(αi,αj′)L=max(0,γ+αi′-αj),H=min(γ+αi′-αj+C(1-mj),Cmi)

(αi′,αj)L′=max(0,-γ+αi-αj′),H′=min(-γ+αi-αj′+Cmj,C(1-mi))

(αi′,αj′)L′=max(0,-γ+αi+αj-C(1-mj)),H′=min(-γ+αi+αj,C(1-mi))

2.5 更新Fnオ

在優(yōu)化過(guò)程中，每一步優(yōu)化之后，F(xiàn)n需要進(jìn)行更新，更新FnУ墓式如下：

F┆newn=F┆oldn-∑t∈Sw［α┆newt-α┆oldt-(α┆newt′-α┆oldt′)］k(xt,xn)；

n=1,2,…,l(34)

2.6 雙邊加權(quán)模糊支持向量機(jī)的SMO算法

基于上面的分析，我們給出雙邊加權(quán)模糊支持向量機(jī)的SMO算法如下：

步驟1

輸入訓(xùn)練數(shù)據(jù)集和超參數(shù)的值

步驟2

設(shè)定拉格朗日乘子Е聯(lián)n和αn′的初始值，n=1,2,…,l。オ

步驟3

利用式(23)和(24)，計(jì)算i_low，i_up。オ

步驟4

檢查i_low和i_up是否違背式(25)，如果違背了，就優(yōu)化對(duì)應(yīng)的拉格朗日乘子αi_low,αi_low′,αi_up和αi_up′，然后返回步驟3；否則繼續(xù)。オ

步驟5

遍歷所有的訓(xùn)練樣本i，Ю用式(21)和(22)檢查是否存在與i匹配的j，如果存在，優(yōu)化對(duì)應(yīng)的拉格朗日乘子Е聯(lián)i,αi′,αj和 αj′，Х禱夭街3。如果所有的訓(xùn)練樣本都不違背式(21)和(22)，就轉(zhuǎn)到步驟6。

步驟6 輸出支持向量和對(duì)應(yīng)的拉格朗日乘子。

對(duì)于雙邊加權(quán)模糊支持向量機(jī)的對(duì)偶優(yōu)化問(wèn)題，SMO算法在每一步優(yōu)化中僅僅挑選兩個(gè)拉格朗日乘子去優(yōu)化，解析地求解這兩個(gè)拉格朗日乘子，避開(kāi)了整體優(yōu)化數(shù)值二次規(guī)劃；另外，SMO算法也不需要額外存儲(chǔ)矩陣，這些優(yōu)良的特征使得雙邊加權(quán)模糊支持向量機(jī)在帶噪聲和孤立點(diǎn)的分類(lèi)問(wèn)題中的應(yīng)用成為可能。雙邊加權(quán)模糊支持向量機(jī)模型中涉及到2l個(gè)變量，因此其時(shí)間復(fù)雜度為O((2l)2.2)［14］。И

3 數(shù)值實(shí)驗(yàn)和討論

在三個(gè)實(shí)際數(shù)據(jù)集和兩個(gè)人工數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)來(lái)測(cè)試SMO算法的性能。為了比較雙邊加權(quán)模糊支持向量機(jī)模型和標(biāo)準(zhǔn)支持向量機(jī)模型的性能，我們也用SMO算法［18］求解標(biāo)準(zhǔn)的支持向量機(jī)模型。為了表明SMO算法大大降低了計(jì)算復(fù)雜性，給出了利用預(yù)測(cè)―校正算法(Predictorcorrector algorithm,PrCo)［22］即傳統(tǒng)的內(nèi)點(diǎn)算法來(lái)求解雙邊加權(quán)的模糊支持向量機(jī)模型的結(jié)果。

3.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集

實(shí)驗(yàn)中，采用高斯核函數(shù)，通過(guò)網(wǎng)格剖分方法來(lái)尋找近似的最優(yōu)超參數(shù)，剖分的網(wǎng)格為Е=［2-4,2-3,2-2,…,25］和C=［20,21,22,…,29］，С絳蛟誦械撓布環(huán)境是擁有英特爾雙核處理器、最大內(nèi)存3.25@GB，CPU為3.16@GHz的PC，軟件環(huán)境是Windows XP，編程語(yǔ)言是C++，編譯器是VC++6.0。

Letter和Statlog數(shù)據(jù)集來(lái)自于hpp://archive.ics.uci.edu/ml，并經(jīng)過(guò)了如下的預(yù)處理使之變?yōu)槎?lèi)數(shù)據(jù)集：Letter是一個(gè)26類(lèi)的數(shù)據(jù)集，將類(lèi)標(biāo)為{A,B,…,M}的看成正類(lèi)，類(lèi)標(biāo)為{N,O,…,Z}看成負(fù)類(lèi);Statlog是一個(gè)6類(lèi)的數(shù)據(jù)集，將類(lèi)標(biāo)為{1,2,5}的看成正類(lèi)，類(lèi)標(biāo)為{3,4,6}看成負(fù)類(lèi)。數(shù)據(jù)集的其他詳細(xì)信息如表4。

3.2 產(chǎn)生模糊隸屬度

數(shù)據(jù)集Ripley，人工數(shù)據(jù)集1，人工數(shù)據(jù)集2的模糊隸屬度利用下面的方法設(shè)置。

設(shè)在高維特征空間中正類(lèi)和負(fù)類(lèi)的中心分別為

Е摘+(x)=1l+∑l+i=1φ(xi)

φ-(x)=1l-∑l-i=1φ(xi)お

其中l(wèi)+和l-Х直鷂正負(fù)類(lèi)的樣本數(shù)。

訓(xùn)練獲得的分類(lèi)超平面為

w•φ(x)+b=0И

其中w=(φ+(x)-φ-(x)),b=[-(φ+(x)-φ-(x))×(φ+(x)+φ-(x))]/2。オ

如果yi=+1，那么

mi=min(0.5×(1+w•φ(xi)+bw•φ+(x)+b),1.0)お

否則mi=max(0.5×(1-w•φ(xi)+bw•φ-(x)+b),0.0)。オ

如果mi1，那么就刪除訓(xùn)練集中對(duì)應(yīng)的樣本點(diǎn)。オ

對(duì)于Letter和Statlog數(shù)據(jù)集，用Keller和Hunt提出的策略產(chǎn)生模糊隸屬度［24］。

mi=

0.5×(1+exp(C0(d-(xi)-d+(xi))/d)-exp(-C0)exp(C0)-exp(-C0))

yi=+1

0.5×(1-exp(C0(d+(xi)-d-(xi))/d)-exp(-C0)exp(C0)-exp(-C0))

yi=-1 (35)

其中d+(xi)=φ(xi)-φ+(x)，d-(xi)=φ(xi)-│摘-(x),d=φ+(x)-φ-(x)。C0是控制隸屬度函數(shù)的參數(shù)。在實(shí)驗(yàn)中，通過(guò)在網(wǎng)格C0=［-100,-90,…,90,100］中搜索尋找到最優(yōu)值C0=-100。オ

3.3 實(shí)驗(yàn)結(jié)果和分析

為了評(píng)估SMO算法的性能，表5列出了SMO算法、PrCo算法和標(biāo)準(zhǔn)的SVM模型的測(cè)試精度、訓(xùn)練時(shí)間和對(duì)應(yīng)的最優(yōu)超參數(shù)。

由表5可知，與PrCo算法相比，SMO算法大大降低了雙邊加權(quán)支持向量機(jī)模型的計(jì)算復(fù)雜度，例如，對(duì)于Statlog和Letter數(shù)據(jù)集，所提出SMO算法僅僅分別花費(fèi)46.625@s和634.969@s。然而對(duì)于Statlog數(shù)據(jù)集，PrCo算法用了118B708.203@s，對(duì)于Letter數(shù)據(jù)集，由于沒(méi)有足夠的內(nèi)存從而不能進(jìn)行訓(xùn)練。另一方面，如果模糊隸屬度設(shè)置得合理，雙邊加權(quán)模糊支持向量機(jī)模型比標(biāo)準(zhǔn)的SVM模型能獲得更好的性能。例如，對(duì)于數(shù)據(jù)集Ripley、Statlog、人工數(shù)據(jù)集1和人工數(shù)據(jù)集2，雙邊加權(quán)支持向量機(jī)模型的測(cè)試精度高于標(biāo)準(zhǔn)的SVM模型；對(duì)于Letter數(shù)據(jù)集，雙邊加權(quán)支持向量機(jī)模型的測(cè)試精度與標(biāo)準(zhǔn)的SVM模型的測(cè)試精度一樣。

4 結(jié)語(yǔ)

對(duì)于雙邊加權(quán)模糊支持向量機(jī)模型的高計(jì)算復(fù)雜度問(wèn)題，本文運(yùn)用SMO算法來(lái)求解。實(shí)驗(yàn)結(jié)果表明：與PrCo算法相比，SMO算法大大降低了模型的計(jì)算復(fù)雜度，使得雙邊加權(quán)支持向量機(jī)模型在帶噪聲和孤立點(diǎn)的實(shí)際分類(lèi)問(wèn)題中的應(yīng)用成為可能。盡管SMO算法只在二分類(lèi)問(wèn)題上進(jìn)行了實(shí)驗(yàn)，但是它也能夠很容易應(yīng)用到多分類(lèi)問(wèn)題中。

在以后的工作中，需要繼續(xù)探索設(shè)置雙邊加權(quán)模糊支持向量機(jī)模型的隸屬度的算法，進(jìn)一步研究SMO算法在實(shí)際分類(lèi)問(wèn)題中的應(yīng)用。

げ慰嘉南:

[1] ZHANG X G.Using classcenter vectors to build support vector machines［C］// Proceedings of the 1999 IEEE Signal Processing Society Workshop. New York: IEEE, 1999:3-11.

[2] LIN C F,WANG S D. Fuzzy support vector machines［J］. IEEE Transactions on Neural Networks,2002,13(2):464-471.

[3] JAYADEVA A, KHEMCHANDANI R, CHANDRA S. Fast and robust learning through fuzzy linear proximal support vector machines［J］. Neurocomputing, 2004(61):401-411.

[4] TAO QING.WANG JUE. A new fuzzy support vector machine based on the weighted margin［J］. Neural Processing Letters,2004,20(3):139-150.

[5] LIN C F,WANG S D. Fuzzy support vector machines with automatic membership setting［C］// Studies in Fuzziness and Soft Computing. Berlin:Springer,2005:233-254.

[6] JIANG X F,YI Z, LV J C. Fuzzy SVM with a new fuzzy membership function［J］. Neural Computing and Applications, 2006,15(3/4):268-276.

[7] LESKI J K. An εmargin nonlinear classifier based on fuzzy ifthen rules［J］. IEEE Transactions on Systems, Man, and Cybernetics Part B: Cybernetics,2004,34(1):68-76.

[8] WANG Y Q,WANG S Y, LAI K K. A new fuzzy support vector machine to evaluate credit risk［J］. IEEE Transactions on Fuzzy Systems,2005, 13(6):820-831.

[9] HUANG W, LAI K K,YU L, et al. A least squares bilateralweighted fuzzy SVM method to evaluated credit risk［C］// Proceedings of the 4th International Conference on Natural Computation.Washington, DC:IEEE Computer Society, 2008：13-17.

[10] JILANI T A，BURNEY S M A. Multiclass bilateralweighted fuzzy support vector machine to evaluate financial strength credit rating［C］// International Conference on Computer Science and Information Technology. Washington, DC: IEEE Computer Society, 2008: 342-348.

[11] DONG J X, KRZYZAK A，SUEN C Y. Fast SVM training algorithm with decomposition on very large data sets［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(4)：603-618.

[12] JOACHIMS T. Making largescale SVM learning practical［C］// Advances in Kernel MethodsSupport Vector Learning. Cambridge: MIT Press, 1998:169-184.

[13] OSUNA E, FREUND R, GIROSI F. Training support vector machines: an application to face detection［C］// Proceedings of 1997 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 1997:130-136.

[14] PLATT J C. Sequential minimal optimization: a fast algorithm for training support vector machines［C］// Advances in Kernel Methods. Cambridge: MIT Press, 1998:185-208.

[15] CHEN P H, FAN R E, LIN C J. A study on SMOtype decomposition methods for support vector machines［J］. IEEE Transactions on Neural Networks,2006, 17(4): 893-908.

[16] KEERTHI S S,GILBERT E G. Convergence of a generalized SMO algorithm for SVM classifier design［J］. Machine Learning, 2002, 46(1/3):351-360.

[17] KEERTHI S S,SHEVADE S K. SMO algorithm for leastsquares SVM formulations［J］. Neural Computation, 2003, 15(2): 487-507.

[18] KEERTHI S S, SHEVADE S K, BHATTACHARYYA C,et al. Improvements to Platts SMO algorithm for SVM classifier design［J］. Neural Computation,2001,13(3):637-649.

[19] KNEBEL T, HOCHREITER S, OBERMAYER K. An SMO algorithm for the potential support vector machine［J］. Neural Computation, 2008,20(1):271-287.

[20] LIN C J. Asymptotic convergence of an SMO algorithm without any assumptions［J］. IEEE Transactions on Neural Networks,2002,13(1), 248-250.

[21] SHEVADE S K, KEERTHI S S, BHATTACHARYYA C,et al. Improvements to SMO algorithm for SVM regression［J］. IEEE Transactions on Neural Networks,2000,11(5):1188-1193.

[22] MEHROTRA S. On implementation of a primaldual interior point method［J］. SIAM Journal on Optimization,1992, 2(4):575-601.

篇10

（泰安職業(yè)技術(shù)學(xué)院財(cái)經(jīng)系，山東 泰安271000）

摘要：將粗集－遺傳支持向量機(jī)模型運(yùn)用到供應(yīng)鏈績(jī)效評(píng)價(jià)中，首先利用粗集理論剔除影響供應(yīng)鏈績(jī)效評(píng)價(jià)的冗余因素，獲得核心影響因素，再采用支持向量機(jī)對(duì)于提取得到的核心影響因素預(yù)測(cè)供應(yīng)鏈績(jī)效所處的級(jí)別。在支持向量機(jī)分類(lèi)過(guò)程中，利用遺傳算法對(duì)支持向量機(jī)算法的參數(shù)進(jìn)行尋優(yōu)，獲得最佳參數(shù)模型，而后預(yù)測(cè)得到供應(yīng)鏈績(jī)效評(píng)價(jià)級(jí)別。最后，實(shí)例運(yùn)用此模型進(jìn)行了預(yù)測(cè)，并與只運(yùn)用粗集－支持向量機(jī)進(jìn)行預(yù)測(cè)的結(jié)果進(jìn)行對(duì)比。結(jié)果表明，利用粗集－遺傳支持向量機(jī)方法對(duì)供應(yīng)鏈績(jī)效評(píng)價(jià)級(jí)別的預(yù)測(cè)準(zhǔn)確率更高，預(yù)測(cè)結(jié)果更符合實(shí)際，是一種科學(xué)可行的方法。

關(guān)鍵詞 ：供應(yīng)鏈；績(jī)效評(píng)價(jià)；粗集理論；支持向量機(jī)；遺傳算法

中圖分類(lèi)號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：0439－8114（2015）03－0733-05

隨著經(jīng)濟(jì)全球化，企業(yè)的經(jīng)營(yíng)環(huán)境發(fā)生了巨大的變化。越來(lái)越多的企業(yè)管理者已經(jīng)意識(shí)到，未來(lái)的企業(yè)競(jìng)爭(zhēng)將是供應(yīng)鏈（Supply Chain，簡(jiǎn)稱(chēng)SC）與供應(yīng)鏈之間的競(jìng)爭(zhēng)，而不是企業(yè)之間的競(jìng)爭(zhēng)。企業(yè)為了在市場(chǎng)競(jìng)爭(zhēng)中始終處于有利地位，獲得長(zhǎng)期競(jìng)爭(zhēng)優(yōu)勢(shì)及利益，就必須建立高效、安全、可靠的供應(yīng)鏈系統(tǒng)，供應(yīng)鏈系統(tǒng)可以各種輔助手段實(shí)現(xiàn)其一體化過(guò)程。

所謂供應(yīng)鏈?zhǔn)侵笇a(chǎn)品和服務(wù)提供給最終消費(fèi)者的所有環(huán)節(jié)的企業(yè)所構(gòu)成的上下游產(chǎn)業(yè)一體化的體系。供應(yīng)鏈管理是從系統(tǒng)的觀點(diǎn)出發(fā)，通過(guò)對(duì)采購(gòu)、制造、分銷(xiāo)直至消費(fèi)者的整個(gè)過(guò)程中的資金流、物流、信息流的協(xié)調(diào)，通過(guò)此種管理模式來(lái)滿(mǎn)足消費(fèi)者的要求及需求。然而只有對(duì)供應(yīng)鏈系統(tǒng)中的各成員供應(yīng)鏈績(jī)效評(píng)價(jià)理論及其重要性的認(rèn)識(shí)統(tǒng)一，才能讓他們將對(duì)整個(gè)供應(yīng)鏈系統(tǒng)的貢獻(xiàn)度作為自己的考核目標(biāo)，并將這些具體指標(biāo)達(dá)成情況作為利益分配及任務(wù)分配的依據(jù)，如此才能使供應(yīng)鏈的整體績(jī)效切實(shí)得到提高。目前，將粗集－遺傳支持向量機(jī)（GA－SVM）方法應(yīng)用到供應(yīng)鏈績(jī)效評(píng)價(jià)領(lǐng)域的研究并不多見(jiàn)，本研究主要利用粗糙集理論剔除供應(yīng)鏈績(jī)效評(píng)價(jià)的冗余因素及指標(biāo)，提取獲得影響供應(yīng)鏈績(jī)效評(píng)價(jià)的核心因素，再運(yùn)用對(duì)于小樣本具有良好泛化能力的支持向量機(jī)來(lái)進(jìn)行評(píng)價(jià)，支持向量機(jī)的評(píng)價(jià)過(guò)程中通過(guò)遺傳算法來(lái)進(jìn)行相關(guān)參數(shù)尋優(yōu)操作［1，2］。

1粗集理論

波蘭學(xué)者Pawlak于1982年提出了粗糙集（RoughSet）理論，粗糙集理論就是在無(wú)需提供問(wèn)題需要處理數(shù)據(jù)之外的任何其他先知信息，而是僅根據(jù)已知的數(shù)據(jù)剔除冗余信息，獲得本質(zhì)信息，分析得到知識(shí)的不完整程度，生成決策或分類(lèi)的相關(guān)規(guī)則及準(zhǔn)則，實(shí)現(xiàn)通過(guò)分類(lèi)準(zhǔn)則或規(guī)則對(duì)已知數(shù)據(jù)進(jìn)行精簡(jiǎn)或約減，對(duì)于處理未確知和模糊數(shù)據(jù)具有良好的效果［3－5］。

1．1信息系統(tǒng)

一個(gè)信息系統(tǒng)S通過(guò)下式表示：S＝（U，A，V，f），其中U為論域，（U＝｛x1，x2，……，xn｝）由有限個(gè)研究對(duì)象組成；A＝C∪D為屬性集，其中C是條件屬性集，D是決策屬性集；V是值域；f是映射，對(duì)a∈A，x∈U，實(shí)現(xiàn)關(guān)于屬性a的值。

1．2不可區(qū)分關(guān)系

粗糙集理論將知識(shí)和分類(lèi)緊密聯(lián)系起來(lái)，知識(shí)是對(duì)客觀數(shù)據(jù)進(jìn)行分類(lèi)的能力，分類(lèi)就是將差別的數(shù)據(jù)對(duì)象分析成為一類(lèi)，它們之間的關(guān)系稱(chēng)之為不可分辨關(guān)系或等價(jià)關(guān)系，其中知識(shí)庫(kù)可以用K＝（U，R）表示，其中U是非空有限集，稱(chēng)之為論域，R是U上的一族等價(jià)關(guān)系。UΠR為R的所有等價(jià)類(lèi)族。［X］R表示包含元素x∈U的R的等價(jià)類(lèi)。若yyPR且P≠?椎，則P中全部等價(jià)關(guān)系的交集也是一種等價(jià)關(guān)系，稱(chēng)為P上的不可區(qū)分關(guān)系，記為ind（p），

1．3屬性約簡(jiǎn)與核

定義1：假設(shè)S＝（U，R）為信息系統(tǒng)，R是U上的等價(jià)關(guān)系族，x∈R，若U／IND（R）＝U／IND（R－r），則稱(chēng)是R中可以被約簡(jiǎn)掉的知識(shí)，否則不可被約簡(jiǎn)掉。

定義2：對(duì)于任意r∈P（PR），若其中的P都是不可被約簡(jiǎn)的，則其等價(jià)關(guān)系族P是獨(dú)立的，否則認(rèn)為P是相關(guān)的。

定義3：假定S＝（U，R）為信息系統(tǒng)，如果子族PR滿(mǎn)足下列條件：IND（P）＝IND（R），而且P是獨(dú)立的，則稱(chēng)P是R的一個(gè)約簡(jiǎn)。

如果P是R的約簡(jiǎn)，則P必須滿(mǎn)足以下條件：①P獨(dú)立；②P與R有相同的分類(lèi)能力，即IND（P）＝IND（R）。

定義4：假定S＝（U，R）為信息系統(tǒng)，如果其中R不可約去的屬性，則稱(chēng)做R是核屬性，所有核屬性構(gòu)成的集合稱(chēng)為核集，記作Core（R），稱(chēng)Core（R）為R的核。

1．4粗集的上、下近似及邊界

定義1：給定知識(shí)庫(kù)K＝（U，R），XU，稱(chēng)y（X）＝｛x｜［x］RX，x∈U｝為集合X的下近似，也稱(chēng)（X）是X的R正域，記做POSR（X）；顯然，X的R正域POSR（X）是由U中完全屬于X的元素構(gòu)成的集合。（X）是一個(gè)確定性集合，它是由完全包含在X中的那些R的等價(jià)類(lèi)（中的元素）構(gòu)成的集合。即X的R正域 POSR（X）中的元素可被正確分類(lèi)。

定義2：稱(chēng)BNR（X）＝（X）－（X）為X的R邊界域，稱(chēng)NEGR（X）＝U－（X）為X的負(fù)域。顯見(jiàn)，負(fù)域中的元素由不能確定是否屬于X的元素組成。

1．5決策表的簡(jiǎn)化

對(duì)于決策表的條件屬性進(jìn)行化簡(jiǎn)，也就是對(duì)決策表的簡(jiǎn)化，簡(jiǎn)化的決策表具有與之前的決策表相同的決策等功能，不影響其核心功能的體現(xiàn)，只不過(guò)是簡(jiǎn)化后的決策表具有更少的條件屬性，這樣會(huì)提高決策和評(píng)價(jià)效率。因此，決策表的簡(jiǎn)化在實(shí)際應(yīng)用領(lǐng)域中占有相當(dāng)分量。換言之，在更少的條件下，獲得同樣的決策，使得利用一些相對(duì)之前更為簡(jiǎn)單的手段或條件就可以獲得同樣的決策或結(jié)果。決策表的簡(jiǎn)化步驟如下：（1）對(duì)決策表的條件屬性進(jìn)行約簡(jiǎn)，獲得核心因素，也就是消去決策表中的某些列；（2）約簡(jiǎn)掉決策表中重復(fù)的某些行消去重復(fù)的行；（3）約簡(jiǎn)掉屬性的冗余值。

本研究主要通過(guò)以上3個(gè)步驟對(duì)決策表進(jìn)行屬性約簡(jiǎn)，以期得到影響供應(yīng)鏈績(jī)效評(píng)價(jià)的主要因素或指標(biāo)，約簡(jiǎn)掉冗余因素或指標(biāo)，為下一步的供應(yīng)鏈支持向量機(jī)評(píng)價(jià)奠定一個(gè)良好的基礎(chǔ)。

2遺傳－支持向量機(jī)回歸模型

2．1支持向量機(jī)基本原理

SVM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的方法，由于其是一個(gè)凸二次優(yōu)化問(wèn)題，從而保證能找到一個(gè)全局最優(yōu)解，而且其能夠較好地解決小樣本、非線(xiàn)性、高維數(shù)等實(shí)際問(wèn)題，問(wèn)題的復(fù)雜程度不再簡(jiǎn)單地取決于維數(shù)高低，并且具有良好的泛化能力［6－8］。對(duì)于其凸二次優(yōu)化問(wèn)題，可以應(yīng)用標(biāo)準(zhǔn)的拉格朗日乘子法進(jìn)行優(yōu)化求解。

假設(shè)訓(xùn)練樣本為｛（x1，y1），……（xi，yi）｝，其中（xi∈Rm）是第i個(gè)學(xué)習(xí)樣本的輸入值，且為m維列向量，yi∈R為對(duì)應(yīng)的目標(biāo)值。可以建立如下形式的回歸函數(shù)：

式（1）中，｛｝表示內(nèi)積運(yùn)算，wi描述了函數(shù)fi（t）的復(fù)雜度，bi為常數(shù)?？紤]到函數(shù)的復(fù)雜度和擬合誤差，函數(shù)擬合問(wèn)題等價(jià)于滿(mǎn)足如下約束條件時(shí)

最小化代價(jià)泛函

式（3）中，C為懲罰因子，?孜i為松弛變量。對(duì)于這個(gè)尋優(yōu)問(wèn)題，可以建立以下函數(shù)

式（4）中，（αi）l為L(zhǎng)agrange乘子。考察式（2）所給函數(shù)極值存在條件，可以獲得求解所有參數(shù)的一個(gè)方程組，并最終得到回歸函數(shù)（1）的表達(dá)式為

式（5）中，Ki（t，tl）為滿(mǎn)足Mercer條件的支持向量機(jī)核函數(shù)。廣泛應(yīng)用一種核函數(shù)為徑向基核函數(shù)

式（6）中，i為xi的標(biāo)準(zhǔn)偏差。

當(dāng)每個(gè)訓(xùn)練數(shù)據(jù)所對(duì)應(yīng)的回歸函數(shù)fi（t）均被確定后，可以得到回歸函數(shù)為

支持向量機(jī)回歸模型中具有多個(gè)參數(shù)，易陷入局部最優(yōu)，因此本研究利用具有全局尋優(yōu)能力的遺傳算法對(duì)其參數(shù)進(jìn)行尋優(yōu)。

2．2遺傳算法基本原理

遺傳算法和傳統(tǒng)搜索算法不同，它首先隨機(jī)產(chǎn)生一組初始解，即“種群（Population）”，種群中的每一個(gè)個(gè)體，即問(wèn)題的一個(gè)解向量，稱(chēng)為“染色體（Chromosome）”，開(kāi)始搜索過(guò)程。這些染色體在后續(xù)迭代中不斷進(jìn)化，生成的下一代染色體稱(chēng)為“后代（Offspring）”。每一代中染色體的好壞可通過(guò)染色體的適應(yīng)值（Fitness）來(lái)評(píng)價(jià)：適應(yīng)值大的染色體被選擇的幾率高，相反，適應(yīng)值小的染色體被選擇的可能性小，被選擇的染色體通過(guò)交叉（Crossover）和變異（Mutation）產(chǎn)生新的染色體，即后代；經(jīng)過(guò)若干代之后，算法收斂于最好的染色體，該染色體很可能就是問(wèn)題的最優(yōu)解或近似最優(yōu)解。遺傳算法的運(yùn)行步驟如下［9－15］：（1）隨機(jī)產(chǎn)生初始種群popk；（2）以適應(yīng)度函數(shù)對(duì)染色體進(jìn)行評(píng)價(jià)；（3）按適應(yīng)值高低選擇染色體形成新種群newpopk；（4）通過(guò)交叉、變異操作產(chǎn)生新的染色體即后代offspring；（5）不斷重復(fù)步驟（2）－（4），直到獲得預(yù)定進(jìn)化代數(shù)。

其迭代流程見(jiàn)圖1所示。由上述步驟可看出，遺傳算法主要由遺傳運(yùn)算（交叉和變異）和進(jìn)化運(yùn)算（選擇）組成。

交叉運(yùn)算是最主要的遺傳運(yùn)算，遺傳算法的性能在很大程度上取決于所采用的交叉運(yùn)算的性能。交叉運(yùn)算同時(shí)對(duì)兩個(gè)染色體操作，組合兩者的特性產(chǎn)生新的后代。變異則是一種基本運(yùn)算，它在染色體上自發(fā)產(chǎn)生隨機(jī)變化。變異可以提供初始種群中不含有的基因，或找回選擇過(guò)程中丟失的基因，為種群提供新的內(nèi)容。

3實(shí)證分析

設(shè)計(jì)任何評(píng)價(jià)指標(biāo)體系都應(yīng)遵循一些基本原則，因此，本研究結(jié)合供應(yīng)鏈績(jī)效評(píng)價(jià)的概念，根據(jù)目的性原則、科學(xué)性原則、系統(tǒng)性原則、經(jīng)濟(jì)性原則、定量與定性相結(jié)合的原則和通用性與發(fā)展性相結(jié)合原則這六個(gè)原則初步確定一個(gè)比較廣泛的供應(yīng)鏈績(jī)效評(píng)價(jià)指標(biāo)體系（表1）。同時(shí)，對(duì)評(píng)價(jià)指標(biāo)代號(hào)及指標(biāo)類(lèi)型進(jìn)行了標(biāo)定。其中，極大型指標(biāo)是指標(biāo)值越大越好的指標(biāo)，又稱(chēng)正向指標(biāo)；極小型指標(biāo)是指標(biāo)值越小越好的指標(biāo)，又稱(chēng)逆向指標(biāo)。本研究應(yīng)用這一指標(biāo)體系對(duì)河北、山東、天津等地區(qū)的14條供應(yīng)鏈進(jìn)行調(diào)研，調(diào)查的實(shí)際數(shù)據(jù)請(qǐng)相關(guān)專(zhuān)家進(jìn)行評(píng)分，其評(píng)分結(jié)果將作為支持向量機(jī)評(píng)價(jià)結(jié)果進(jìn)行訓(xùn)練和檢驗(yàn)，同時(shí)也作為和只運(yùn)用支持向量機(jī)所得出的訓(xùn)練結(jié)果進(jìn)行比較（表2）［1，2］。

3．1粗集屬性約簡(jiǎn)

把實(shí)測(cè)數(shù)據(jù)輸入，把這些指標(biāo)作為條件屬性。對(duì)于供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果根據(jù)所處情況分為五類(lèi)（很好，較好、一般、不好、很不好），作為決策屬性記為D｛1，2，3，4，5｝，

對(duì)決策表進(jìn)行屬性約簡(jiǎn)，根據(jù)粗集理論可以求出哪些是核心屬性，哪些是冗余屬性，由于屬性約簡(jiǎn)算法比較復(fù)雜，采用VB6．0編程進(jìn)行屬性約簡(jiǎn)。屬性約簡(jiǎn)后的指標(biāo)體系見(jiàn)表2。此指標(biāo)體系由于約簡(jiǎn)了冗余屬性，提取了核心屬性，為下一步利用支持向量機(jī)進(jìn)行回歸識(shí)別提供了比較好的基礎(chǔ)。

把通過(guò)實(shí)際調(diào)研的數(shù)據(jù)輸入約簡(jiǎn)后的決策表（表3）。

3．2遺傳－支持向量機(jī)回歸模型的學(xué)習(xí)

支持向量機(jī)學(xué)習(xí)算法如下：

1）獲取學(xué)習(xí)樣本（xi，yi），i＝1，2，……l，其中xi∈Rm，yi∈｛1，－1｝l對(duì)樣本進(jìn)行預(yù)處理。

2）選擇進(jìn)行非線(xiàn)性變換的核函數(shù)及對(duì)錯(cuò)分（誤差）進(jìn)行懲罰的懲罰因子C。

3）形成二次優(yōu)化問(wèn)題用優(yōu)化方法。對(duì)于此優(yōu)化問(wèn)題中參數(shù)尋優(yōu)，通過(guò)遺傳算法獲得，具體步驟如下：①確定遺傳算法編碼方式。采用十進(jìn)制整數(shù)編碼的遺傳算法的群體中模式的數(shù)目，低階并且適應(yīng)度值在群體平均適應(yīng)度值以上的模式在遺傳算法迭代過(guò)程中將按指數(shù)增長(zhǎng)率被采樣。②生成初始種群。初始染色體的多少對(duì)遺傳算法的搜索有影響，對(duì)支持向量機(jī)算法具有顯著影響，為了優(yōu)化模型往往需要對(duì)染色體參數(shù)進(jìn)行適當(dāng)優(yōu)化。根據(jù)采集數(shù)據(jù)情況，確定初始種群染色體數(shù)目。③計(jì)算每個(gè)染色體的適應(yīng)度值f（xi），xi為種群中第i個(gè)染色體；④累加所有染色體的適應(yīng)度值sum＝∑f（xi），同時(shí)記錄對(duì)于每一個(gè)染色體的中間累加值S－mid，其中S為總數(shù)目；⑤產(chǎn)生一個(gè)隨機(jī)數(shù)N，0＜N＜sum；⑥選擇其對(duì)應(yīng)的中間累加值S－mid≥N的第一個(gè)染色體進(jìn)入交換集；⑦重復(fù)步驟⑤、⑥操作，直到交換集中包含足夠多的染色體為止；⑧對(duì)于步驟⑦產(chǎn)生的染色體中任意選擇兩個(gè)染色體，染色體進(jìn)行單點(diǎn)雜交和兩點(diǎn)雜交獲得一個(gè)或多個(gè)基因，得到新的兩個(gè)染色體，來(lái)產(chǎn)生新的優(yōu)良品種；⑨變異運(yùn)算利用各種偶然因素引起的基因突變，以給定的概率隨機(jī)地改變遺傳基因的值。⑩通過(guò)步驟①到步驟⑨獲得支持向量機(jī)算法的懲罰系數(shù)、松弛變量等參數(shù)，遺傳算法尋優(yōu)結(jié)束。

4）獲得αi以及b的值，代入方程中，獲得函數(shù)擬合的支持向量機(jī)。

5）將需預(yù)測(cè)或分類(lèi)的數(shù)據(jù)代入支持向量機(jī)方程中獲得結(jié)果。

本研究中所選評(píng)價(jià)指標(biāo)作為供應(yīng)鏈評(píng)價(jià)因素集，供應(yīng)鏈績(jī)效評(píng)價(jià)等級(jí)分為5級(jí)，目標(biāo)輸出對(duì)應(yīng)以下5類(lèi)：1、2、3、4、5。

利用表2中的前10數(shù)據(jù)作為訓(xùn)練樣本，對(duì)于數(shù)據(jù)采用以下公式進(jìn)行歸一化處理，以減少各個(gè)因子不同量級(jí)對(duì)于回歸效果的影響，并利用Matlab軟件得出回歸結(jié)果（圖2）。

由圖2可以看出擬合效果非常好，從而可以對(duì)剩下的4個(gè)進(jìn)行識(shí)別，并與采用BP神經(jīng)網(wǎng)絡(luò)對(duì)10到14的樣本進(jìn)行評(píng)判的結(jié)果進(jìn)行對(duì)比（表4）。

通過(guò)表4可見(jiàn)，基于粗集的支持向量機(jī)識(shí)別等級(jí)與支持向量機(jī)識(shí)別的等級(jí)除了編號(hào)12之外都一樣，通過(guò)對(duì)編號(hào)12的數(shù)據(jù)進(jìn)行進(jìn)一步分析可以得出此供應(yīng)鏈績(jī)效等級(jí)更趨近于一般等級(jí)。

4結(jié)論

本研究首先利用粗集理論提取出影響供應(yīng)鏈績(jī)效評(píng)價(jià)的核心因素，再使用支持向量機(jī)的方法進(jìn)行模式識(shí)別，模式識(shí)別過(guò)程中，利用遺傳算法對(duì)相關(guān)參數(shù)進(jìn)行尋優(yōu)操作，取得了良好的效果。由于支持向量機(jī)是基于小樣本的分類(lèi)及預(yù)測(cè)的模型。所以，在本研究實(shí)例所給樣本極少的情況下做出了較好的預(yù)測(cè)。由于支持向量機(jī)方法是建立在有限樣本下進(jìn)行機(jī)器學(xué)習(xí)的通用方法，因此它在供應(yīng)鏈績(jī)效評(píng)價(jià)和分析中有廣泛的應(yīng)用前景。

參考文獻(xiàn)：

［1］ 王德財(cái)．基于支持向量機(jī)的供應(yīng)鏈績(jī)效評(píng)價(jià)方法研究［D］．長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2006．

［2］ 蔡煒凌．企業(yè)供應(yīng)鏈項(xiàng)目的綜合評(píng)價(jià)方法研究［D］．河北保定：華北電力大學(xué)，2007．

［3］ 曹慶奎，任向陽(yáng)，劉琛，等．基于粗集－未確知測(cè)度模型的企業(yè)技術(shù)創(chuàng)新能力評(píng)價(jià)研究［J］．系統(tǒng)工程理論與實(shí)踐，2006，9（4）：67－72．

［4］ 張文修，吳偉志．粗糙集理論與方法［M］．北京：科學(xué)出版社，2003．

［5］ 柯孔林，馮宗憲．基于粗糙集與遺傳算法集成的企業(yè)短期貸款違約判別［J］．系統(tǒng)工程理論與實(shí)踐，2008，9（4）：27－34．

［6］ BANERJEE M， CHAKRABORTY M K．A category for rough sets［J］．Foundations of Computing and Decision Sciences，1993，18（3－4）：167－180．

［7］ 李順國(guó)，盧新元．基于粗糙集和SVM的工程項(xiàng)目投標(biāo)風(fēng)險(xiǎn)研究［J］．計(jì)算機(jī)工程與應(yīng)用，2008，44（17）：224－227．

［8］ 蘇懷智，溫志萍，吳中如．基于SVM理論的大壩安全預(yù)警模型研究［J］． 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2009，17（1）：40－47．

［9］ 趙洪波，馮夏庭．非線(xiàn)性位移時(shí)間序列預(yù)測(cè)的進(jìn)化——支持向量機(jī)方法及應(yīng)用［J］．巖土工程學(xué)報(bào)，2003，25（4）：468－471．

［10］ PETLEY D N， MANTOVANI F， BULMER M H， et al． The use of surface monitoring data for the interpretation of landslide movement patterns［J］． Geomorphology， 2005，66（1－4）：133－147.

［11］ VALLEJO L E， SHETTIMA M． Creep crack propagation and the progressive failure of slopes［A］． In： Deformation and progressive failure in geomechanics［C］． London： Pergmon Press， 1997．

［12］ BETTEN J． Creep mechanics［M］． 2nd ed． Berlin： Springer， 2005．

［13］ MANDIC D P， GOLZ M， KUH A， et al． Signal processing techniques for knowledge extraction and information fusion［M］． Berlin：Springer，2007．