基于改进蚁群算法的区域科技成果转化率预测研究

摘要：科技成果转化率预测是区域科技管理和决策工作中必不可少的环节，但是当前方法的预测精度较低，无法达到预期效果，所以，提出了基于改进蚁群算法的区域科技成果转化率预测方法。采用指数平滑法构建区域科技成果转化率预测模型，通过调整信息素在路径选择中的影响比例来改进蚁群路径选择机制，利用改进蚁群算法对预测模型参数优化实现区域科技成果转化率预测。经实验证明，设计方法预测标准误差不超过0.1，预测与真实关联度在96%以上，预测效果好。

关键词：改进蚁群算法 科技成果 转化率预测 指数平滑法 路径选择机制

中图分类号：F224.9文献标识码：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

在科技日新月异的今天，科技成果的转化已成为推动区域经济发展、提升产业竞争力的关键因素。科技成果转化率的高低直接关系到科技成果能否有效转化为现实生产力，进而促进区域经济的持续增长。然而，由于科技成果转化的复杂性、不确定性和多变性，如何准确预测和评估科技成果转化率，一直是科技管理和决策领域的重要难题。近年来，国内外学者在科技成果转化率预测领域进行了大量的研究，取得了丰硕的成果。

吴佳玲等人[1]提出了基于Super-SBM模型的科技成果转化率预测方法，以四川省地市州区域为对象，利用数字模型对区域科技成果应用数据计算，测算出区域科技成果转换率；王锴等人[2]提出了基于知识可视化图谱的预测方法，通过图形、节点和边等方式将知识进行系统化和结构化展示，利用机器学习、数据挖掘等先进技术，对图谱中的节点和边进行深度分析和挖掘，预测区域科技成果转化程度。而这些方法往往难以全面考虑科技成果转化的各种影响因素，导致预测结果不够准确；同时，这些方法也缺乏对科技成果转化过程中动态变化的适应能力，难以应对科技成果转化过程中的不确定性，为此提出基于改进蚁群算法的区域科技成果转化率预测方法。

1建立区域科技成果转化率预测模型

此次建立区域科技成果转化率预测模型采用指数平滑法，根据区域科技成果转化时间序列预测科技成果转化趋势。此次将一次平滑指数法和二次平滑指数法整合，通过加权计算预测区域科技成果转化率，构建的预测模型用公式表示为：

式（1）中，、分别表示一次平滑权重系数和二次平滑权重系数；表示年区域科技成果转化率；表示年区域科技成果转化率；表示二次平滑指数参数。以上建立的预测模型中，参数、为未知模型参数，因此要想应用预测出区域科技成果转化率，需要精准确定模型参数、。

2 基于改进蚁群算法的模型参数优化设置

2.1蚁群算法改进

在蚁群算法中，路径选择是一个核心环节，它决定了蚂蚁如何根据当前环境信息来决定下一步的移动方向[3]。为了优化这一过程，通过调整信息素在路径选择中的影响比例来实现，因此路径选择概率计算公式为：

式（2）中，表示位置数；表示随机数；表示路径到路径上的信息素。随机数在路径选择中起到了平衡两个因素的作用，通过调整的取值或引入其他参数来控制信息素和路径长度在路径选择中的权重比例，可以实现蚂蚁对路径选择的灵活控制[4]。

2.2预测参数优化

在以上基础上，利用改进蚁群算法对预测模型参数优化。以模型预测偏差最小为目标，建立目标函数，其用公式表示为：

式（3）中，表示区域科技成果转化率平均值；表示区域科技成果转化率均方差。通过算法对以上目标函数迭代计算，得到预测偏差最小情况下模型参数值，其计算过程如下。

式（4）中，表示信息素挥发系数。将公式（4）代入公式（2）中，选择蚂蚁下一次迭代选择的路径。在每个搜索迭代结束后，蚁群算法会根据蚂蚁在搜索过程中积累的信息来更新最佳路径和最差路径，并且统计每条路径上蚂蚁经过的次数（或称为“强度”），并据此更新路径上的信息素浓度。那些被更多蚂蚁选择的路径（即强度更高的路径）将获得更高的信息素浓度，从而在下一次迭代中吸引更多的蚂蚁。在每个迭代后，最佳路径的信息素浓度将得到增加，而最差路径的信息素浓度可能会减少或被重置为初始值[5]。通过这种方式，改进蚁群算法能够逐渐逼近问题的最优解，根据改进蚁群算法输出对预测模型中参数、设置，并且将区域科技成果转化时间序列代入模型中，即可预测科技成果转化率，以此实现基于改进蚁群算法的区域科技成果转化率预测。

3实验论证

3.1 实验准备与设计

选择8个区域2013—2020年科技成果转化数据作为实验样本，表1为某区域2013—2020年各年科技成果转化汇总。

3.2 实验结果与讨论

选择吴佳玲等人[1]提出的基于Super-SBM模型的预测方法、王锴等人[2]提出的基于知识可视化图谱的预测方法作为对比方法，通过对比三种方法预测标准偏差和关联度，检验本文所提方法性能。图1、表2给出了3种方法预测标准偏差和关联度。

从图1中3种方法预测标准偏差曲线可以看出，设计方法标准偏差最低，不超过0.11，而基于Super-SBM模型的预测方法、基于知识可视化图谱的预测方法的标准偏差远远高于设计方法；从表2中数据可以看出，设计方法预测与真实关联度最高，在96%以上，而基于Super-SBM模型的预测方法与基于知识可视化图谱的预测方法的关联度最高分别为84.15%、85.16%，远低于设计方法。因此通过以上对比和统计，证明了设计方法预测结果更贴近真实情况，预测精度更高，能够实现对区域科技成果转化率精准预测。

4结语

本研究通过引入并改进蚁群算法，实现对科技成果转化率更为精准和高效的预测，进而为区域科技管理和决策提供有力的数据支持。通过与其他预测方法进行比较，验证了本研究的预测准确性和有效性。能够有效地应对科技成果转化过程中的不确定性和动态变化。这些预测结果不仅为区域科技管理部门提供了重要的决策参考，也为科技成果转化的实践提供了有益的指导。

参考文献

[1]吴佳玲，丁奕芳，李亚丹.基于Super-SBM模型的四川省地市州科技成果转化效率测算与分析[J].竞争情报，2023，19（6）：41-49.

[2]王锴，李抒清，陈柯羽，等.基于知识可视化图谱的中国医疗器械科技成果转化研究[J].中国医疗设备， 2023，38（5）：136-142.

[3]朱敏，胡若海，卞京.基于改进蚁群算法的移动机器人路径规划[J].现代制造工程，2024（3）：38-44.

[4]蒋成，郭向坤.基于改进蚁群算法的网络缓存资源寻址仿真[J].计算机仿真，2024，41（3）：395-398，405.

[5]陈超人，胡明波，夏坊，等.基于改进蚁群算法的电力变压器绕组故障智能检测方法[J].电气技术与经济，2024（4）：362-363，367.