动态自组织

动态自组织（精选八篇）

动态自组织 篇1

以广告为例,传统的媒体的制作分发方式已经不能满足用户参与以及商业互动的需求,现有的模式分为传统CPM广告、剧场模式广告、视频广告产品化和剩余流量类广告四种, 但是它们都存在着投放空间不足、难以实现精准用户定向、 用户体验不佳等缺点。而以超媒体技术为基础的数字媒体制作和分发技术,不但很好地解决了以上问题,还具有规模化生产和展示,商品和内容动态关联等独有的特点。

针对传统媒体广告所存在的上述问题,本文提出了以超媒体为核心的数字媒体商业新模式,可以更好地服务于动态视频广告、跨平台的内容推荐与推送等创新业务,以及电商、 科教、娱乐等领域,不但提升了用户体验,而且提升营销的精准性并可以动态调整商品价格策略[2]。

1商业新模式分析

介绍商业模式之前,首先要介绍超媒体的定义。超媒体基于超文本和多媒体,其通过添加各种标注和链接,使视频本身具备了交互特性,真正实现了视频和其他媒体信息的跨媒体的共享和资源整合,为未来数字媒体进入多元互联的新时代奠定了基础。超媒体的产生也预示着一个新的数字媒体时代的到来,如图1所示。

有了超媒体还不够,再加上大数据技术,根据用户的行为数据,结合更多维度的信息,如内容关联信息、网络信息、终端信息等,对热点内容进行预测,构建不同的兴趣模型,使内容更加高效地到达用户,满足用户碎片化的时间、 多终端及个性化的观看需求。这两种技术的结合,造就了数字媒体的自演进属性,即根据不同的维度空间行为数据,调整媒体本身的属性和类别,以达到动态感知和精确传送的功能[3]。

基于这些技术构建一个超媒体动态自组织平台,依托上海文广现有的视频资源和用户资源,以IPTV业务为切入点, 初期以TV2Online的业务为基础,建立起B2B2C商业模式。 即根据商业用户的需求,完成视频内容和其他信息的关联, 当用户在观看IPTV视频时,系统平台根据多维度大数据分析、超媒体标注关联情况、用户的在线情况,实时在电视端、 手机端或PAD端进行内容的推送,以提升关联内容的转化率或推荐给用户同一主题的视频内容,达到内容资源的最大化利用,免除了在海量内容中的查找困难并解决了关联内容的安全和有效保障的难题,给最终用户带来了全新的业务体验。平台的收费模式是对最终用户免费,对超媒体关联信息收费,推广的初期采用商品成交后佣金返还的模式迅速扩展商户规模,这样不仅颠覆了传统IPTV广告只存在于页面贴片和视频前插的模式[4],而且可以利用一些规则和模型,实时调整折扣率,不但大大提高广告转化率,而且最大程度地发挥了数字媒体的商业价值。具体的PEST分析如图2所示。

根据PEST分析,政策、社会、经济和技术都完全可以支撑这项业务的发展,可以看出,业务的发展已经具备了天时地利人和的环境。接下来分析SWOT的各项因素,如图3所示。

其中可以看出上海文广目前拥有的资源完全可以开展此项业务,其潜在的用户群是电商、科教、娱乐行业的各种商家。潜在的进入者主要为现有的视频网站和传统的广告商, 但是基于现有的用户资源,构建成平台后形成的先发优势是后来者难为撼动的。具体的波特五力模型如图4所示。

最后,再来看看产品本身的特性,这个产品和3个因素相关联,一是视频的内容,二是商品或者商家, 三是观看视频或者购买商品的用户, 这三者之间是互相促进的,用户越多,商家也越多,视频的内容也会越来越丰富;反之亦然,视频内容越多, 商家也越多,用户随之也不断增长。 有了正相关性还不够,产品初期采用交易成功再收费的模式,这样就保障了未来的营收,使这一成品具备了典型的互联网平台的商业模式。

2技术架构

构建超媒体动态自组织的平台, 所需要的一个核心资源是技术系统,有了合理高效的技术系统,才能为最终用户提供优质的服务保障。

整个系统架构主要包括5个系统模块,即超媒体内容模块、内容标注子系统、内容关联子系统、内容封装子系统和智能行为分析子系统。首先要完成超媒体内容的制作,超媒体制作模块选取标注对象及其对应的媒体信息,完成媒体标注,针对超媒体中的主视频,进行分割处理,提取其中的关键帧或者视频片断,通过视频检索技术,定位到标注对象所在帧信息,审核媒体信息,最后将超媒体的信息记录到媒体资产库。其次,内容标注子系统根据用户的使用行为和消费需求,结合对海量网络媒体和媒资库的动态分析,在云平台上进行异构媒体内容的规范化标注和跨模态内容的动态关联, 进一步完善语义标注和行为标注。随后,内容关联子系统完成语义、行为、情景以及个性化内容的关联[5]。最后,通过内容封装子系统实现内容的同步和高效分发,实现了一种关联媒体内容的高效低冗余度封装标,根据用户实时在线状态, 标注出了跨屏互动业务形态。在内容制作、标注、关联和封装的过程中,智能行为分析子系统则依据用户行为数据对用户兴趣偏好建模,并根据用户实时行为反馈不断修正用户兴趣偏好的模型;结合用户个性化需求,从语义、行为和情景等多个维度动态关联媒体内容,并向用户提高精准推荐。几个系统模块完整结合起来,对业务形成了有力的支撑。具体模块流程如图5所示。

3应用与实践

有了技术的支撑,有了商业模式的探讨,在分析现有试点应用得到的相关的数据之前,先来看看具体的业务场景。为了保障现有用户的体验,最大程度地兼容现有的终端,当播放超媒体视频时,某个时间点出现了关联信息,在视频库中进行检索提取,并将检索出的关联信息以浮动方式在主视频中以角标的方式显示。当用户选择该超媒体关联信息后, 平台会根据用户实时在线状态以及媒体的类型,选择链接信息显示终端,即将超媒体链接信息显示在播放视频的屏幕、 智能手机或PAD上,如图6所示。

采用随机抽样的方式,随机选取试点区域的400名用户,并对有效回收的问卷进行了统计,针对超媒体信息和传统电视广告接受程度以及转换率进行了分析,具体结果如表1所示。

%

其中,接受度以100%为单位衡量接受广告内容的程度,以不切换视频内容或者走开为标准。转换率含义为观看广告后,会产生实际的购买行为或者关注收藏商品的行为。不难发现,经过标注的超媒体信息因其不干扰主视频的播放,不但在用户使用体验上大大增强,当用户对关联信息产生兴趣观看后,所带来的转换率远远高于传统电视广告,构建成了“屏幕即店铺、内容即营销、广告即销售”的新模式[6]。

4结论和展望

超媒体动态自组织的平台构建了媒体到媒体、媒体到电商的桥梁,实现了视频领域信息和其他媒体信息的跨媒介共享和资源整合,完全颠覆了原有互动电视、IPTV和互联网视频的应用,使用户在收看电视或者网络视频的同时能够参与到最新、最好的交互服务中去,有助于在未来的多种互动视频模式中实现业务的服务化、交互化和个性化,使得单纯的视频进入多元互联的新时代[7]。后期,将进一步优化系统,提升用户体验,提升转换率,使平台凝聚更多的商家和用户。

摘要：以超媒体、大数据技术为技术,构建了以超媒体动态自组织的平台为核心的T2O商业新模式。利用PEST、SWOT和波特五力模型进行了分析,论证了模式的可行性。同时介绍了技术系统的架构,并基于试点的真实场景进行相关数据的统计分析,进一步论证了新模式的高效性和用户接受程度。相关探索验证将有助于实现视频业务的服务化、交互化和个性化,为单纯的视频进入多元互联的新时代奠定基础。

动态自组织 篇2

摘要：自1998年住宅制度改革以来，我国房价不断上涨，投资性购房大量增加，近两年一系列调控政策的实施使得房价过快上涨的趋势有所减缓，但房地产是否存在泡沫依然是关注和争论的焦点。本文以这一问题为出发点，以北京和上海房地产市场为例，运用动态自回归模型进行检验，发现自回归系数明显大于临界值，据此判断房价存在泡沫。

关键词：房地产；泡沫；动态自回归检验

一、引言及文献回顾

1998年我国实行住房分配市场化以来，房地产市场迅速发展，房价高速增长，投资性购房大量增加。2009年以来国家出台一系列调控政策，从“国十一条”、“国十条”、“国五条”，再到2011年的“国八条”，密集的调控下，房价过快上涨的趋势有所减缓。但是房地产市场是否存在泡沫依然是争议的焦点。本文旨在通过计量经济学方法对统计数据加以分析，检验房地产市场是否存在泡沫。

“泡沫”一词是对某种资产的价格经过迅速繁荣后又急剧下滑，最后像肥皂泡一样破灭的生动描绘。对泡沫现象系统的研究始于理性预期学派，他们较规范地剖析了理性泡沫形成和运行的原理。20世纪90年代以来金融市场出现的异常现象使学者们意识到仅靠理性预期理论难以解释泡沫的发生(Adamand Szafarz，1992)，对此，非理性泡沫理论解释了那些由于非理性因素导致的泡沫现象。随后兴起的信息泡沫理论认为投机泡沫产生的根本原因是非对称信息。

国内对泡沫的研究起步较晚，主要开始于20世纪80年代末。发表的文献主要有两条研究路径：一条是从虚拟经济理论出发，从资本形态上分析泡沫产生的原因及其影响，如刘俊民的《从虚拟资本到虚拟经济》，李方的《金融泡沫论》等；另一条路径是介绍国外泡沫数学模型，并用来分析国内证券市场的泡沫，如周爱民，陈江生。国内对房地产泡沫的研究较少，主要集中在理论分析及比较研究。谢经荣等通过一个包括地产商和银行两方的资本市场局部均衡模型说明，资产回报的不确定性将导致资产泡沫的产生。袁志刚和樊潇彦构造了一个房地产市场的局部均衡模型，讨论房地产市场的均衡价格中是否存在理性泡沫。

二、房地产市场泡沫检验

房地产市场有很强的地域特性，若分析全国平均数据，不易发现市场内在规律。本文聚焦在我国一线城市的典型代表——北京市和上海市，通过动态自回归检验方法，对其房地产市场进行实证研究，以判断其房地产市场是否存在泡沫。

泡沫检验的动态自回归方法由南开大学周爱民教授在《股市泡沫及其检验方法》一文中提出，他对上证综指、深证综指和香港恒生指数进行了动态自回归检验，并将结果与希勒的超常易变性泡沫检验法进行对照，发现自回归动态检验方法的优点在于接受检验的结论性较强，即检验出泡沫的地方肯定有泡沫。

动态自回归检验方法的主要原理是，检验方程P₁＝λP_t－1＋ε_t，即中自回归系数λ的大小。如果λ＞1，则价格指数发散，说明市场可能存在泡沫。判断存在泡沫的关键在于将与判断泡沫的临界值相比较。根据宋忠敏和高风的研究成果，存在泡沫的临界值为1.018，即当λ＞1.018时可认为泡沫存在。

本文將这一方法应用于房地产市场泡沫的检验，采用中房北京综合指数、中房北京住宅价格指数和中房上海指数作为衡量房价的指标，采集了2006年1月至2011年4月的三项指标的月度数据进行了动态自回归检验。

中房北京指数和中房上海指数走势图表明，从2006年1月至2011年4月，北京和上海两地房地产价格总体均呈现上升趋势。其中2008年以前，两地房地产价格指数缓慢上涨；2007年底至2008年上半年，两地房地产价格指数上涨速度明显加快；2008年下半年至2009年上半年，北京房地产价格指数变化较平稳，而上海房地产价格指数在2008年底至2009年初，出现急剧增长；2009年下半年至2010年上半年，两地房地产价格指数均快速上涨。至2010年下半年和2011年初，增长速度明显减缓，说明国家调控政策的实施对于抑制房价的过快上涨发挥了积极的作用。总体来说，两地房地产价格指数的上述变化规律与房价的实际变化情况基本一致。

接下来，本文运用上述三项指标的月度数据进行了动态自回归检验，其中按年度给出的自回归系数如下表所示。从年度自回归系数看，2006至2009年，中房北京指数的自回归系数保持增长趋势，其中2008和2009年自回归系数在泡沫临界值以上。2010年由于国家调控政策的实施，楼市有所回调，自回归系数有所降低。由此可见北京市房地产在2008年至2009年存在泡沫。中房上海指数2007年自回归系数大达到1.1796，大幅超过临界值，其余各年均处临界值一下，可见2007年存在泡沫。

从半年度自回归系数看，中房北京指数的自回归系数与按年度计算的自回归系数变化趋势基本一致。中房上海指数2007上半年至2009年下半年，包括2010年下半年的自回归系数均显著超过临界值，可见2007年至2010年均存在不同程度的泡沫。

动态自回归泡沫检验建立在信息完全公开、市场理性等假设的基础上，这些假设与实际存在一些差距。尽管如此，检验结果仍具有可信性，是北京和上海两地房地产存在泡沫的有力证明，这与人们的直觉认识基本一致。

三、结论

动态自组织 篇3

关键词：扩展环形搜索,移动自组织网络,路由节点泛洪终止,能量消耗,时延优化

移动自组织网络 (mobile Ad hoc network, MANET) [1,2]依靠移动节点的合作来动态建立通信路由, 因为节点一般是由电池供电的[3], 能源和时效对MANET尤为重要[4,5]。

为了节省MANET的能量消耗及降低时延, 学者们提出了许多路由方案, 典型的分层架构是通过聚类结构实现的, 例如, 文献[6]提出了一种高度聚类启发式算法, 基于节点到其他节点的距离计算节点度, 该方法存在一个很大的缺点, 它没有在任何聚类中限制节点数目的上限, 严重影响了聚类的吞吐量和稳定性。文献[7]提出一个最低ID聚类启发式算法, 它为每个移动节点安排一个唯一ID, 选择最低ID的节点作为聚类头节点, 该方法的吞吐量比最高度方法好, 然而, 有较小ID的节点往往反复选为聚类头节点, 这可能会很快就耗尽电池。文献[8]提出了分布式聚类算法和分布式移动自适应聚类算法, 也称为节点加权启发式算法, 启发式的评估每个节点作为聚类头节点的适宜性, 并安排对应的节点权重, 然而, 一个节点必须等到它所有邻居的应答才能确定是聚类头节点还是聚类成员。文献[9]中研究了负载均衡聚类, 它相信一个聚类能处理的移动节点数目有个最优值, 当聚类的大小太大或太小时将相邻聚类合并在一起或者分离某个聚类。文献[10]提出一种加权聚类启发式算法, 合并了聚类的各种指标, 如连接到聚类头节点的节点数目、发送功率、移动性和节点电源能量, 遗传算法和模拟退火算法已经改进了这个方法。阻塞扩展环搜索 (blocking expanding ring search, BERS) [11]和加强阻塞扩展环搜索 (BERS*) [12]是近期为MANET开发出的两个路由发现协议。相比ERS和BERS, BERS*在能源时效方面能获得了更好的整体性能。BERS和BERS*均使用一个追包, 在BERS中为STOP, 在BERS*中为END, 用于发现路由节点后终止泛洪[13]。为了讨论方便, 后续称BERS中的STOP或BERS*中的END为STOP/END指令。STOP/END指令只能由BERS和BERS*中的源节点发出, 源节点直到第一个RREP (路由应答) 到达后才能发出STOP/END指令, 即没有因等待RREPs所引起的延迟就不能发出STOP/END指令[14]。

基于上述分析, 为了更好地降低时延和节省能耗, 提出了基于路由节点泛洪终止的阻塞扩大环搜索方案, 一旦发现路由节点就可以发送STOP/END指令, 而不是等待源节点发送STOP/END指令, 路由节点也可以参与发送STOP/END指令终止泛洪, 仿真实验验证了所提方案的有效性及可靠性。

1 相关技术

1.1 扩展环搜索

ERS是一个寻找源节点和路由节点之间路由的有效方法, 路由节点也称作目的端或能提供到目的端路由信息的节点。作为一个受约束的泛洪技术, ERS频繁的用在反应式路由协议中, 通常从一个预定义的小搜索区域开始, 如果没有发现路由节点ERS在一个每次扩大的搜索区域内从源节点执行新搜索, 这个增量式搜索过程一直持续到发现路由节点或达到最大搜索区域。ERS中的泛洪搜索涉及在连续和中继方式下经由中间节点的重播, 就像一个逐渐扩展的搜索区域, 环到环、从小环到大环。

ERS中的源节点初始化泛洪并控制每个扩展泛洪的搜索区域及最大搜索区域, 有两个控制信号用于ERS中有效控制泛洪, 路由请求 (routing request, RREQ) 和路由应答 (route response, RREP) 。为了最小化泛洪, ERS采用生命周期 (time to live, TTL) 机制, TTL序列决定泛洪搜索的顺序, 可能会在一个特定的值上加一个增量、固定值1或者2、或随机值。图1显示了泛洪区域集如何受预定义TTL序列值1, 2, 3, …, n控制。

基于TTL的ERS能源效率低下, 正如图1所示, 如果源节点收不到RREP, 源节点将会以一个增加的TTL值重播RREQ, 每次源节点进行新RREQ的重播都会引入能源浪费。先前的覆盖搜索区域重叠会造成冗余, 发现路由节点之前或搜索完整个网络会多次出现这种情况。

1.2 阻塞扩展环搜索 (BERS)

BERS可认为是能效ERS, BERS采取了一个策略, 即源节点经过重新泛洪的中间节点右侧。BERS的源节点仅发送一次RREQ, 中间节点当作一个代理, 代表源节点进行重播。为了满足这个策略, BERS要实施一个扩展的2H个单位等待时间, 其中H是跳数。然而源节点仍有义务终止路由发现过程, 收到RREP时源节点发送STOP指令去终止泛洪, 泛洪持续直到追包, 也就是STOP指令, 在最后一个泛洪环Hr到达所有结点, 在这个环中发现路由节点。

图2显示了BERS如何在从一个环到下一个环传播搜索中工作, 在BERS中, 源节点首先发送RREQ, 等待RREP, 如果在第一个环中未发现路由节点, 在第一个环中的节点以一个增加了的跳数重播RREQ, 这个过程一直持续到源节点接收到RREP, 然后源节点广播STOP指令去终止搜索。STOP指令只能由源节点发送, 泛洪中涉及的结点将接收STOP指令, RREP可以由任意路由节点发送到源节点。注意, 为了在发现路由节点后能有效的终止下一次泛洪, BERS在每一轮泛洪过程中均要求一个扩展的2H个单位等待时间。

1.3 加强阻塞扩展环搜索 (BERS*)

BERS*是基于BERS的, 旨在减少BERS的延迟, 获得能源时效方面最佳的整体性能。

BERS*的工作方式与BERS相似, 除了它在每一轮泛洪过程中减少了一半的等待时间。BERS*中的中间节点在源节点发送了RREQ后接管后续环搜索上的重播任务, 如果这些中间节点不是路由节点, 在重播RREQ之前需等待H个单位等待时间。

相对于BERS中的2H个单位等待时间, BERS*的整体路由发现过程速度加快近两倍, 改进了能源时效方面路由发现的整体性能。如果在Hr环为节点取2Hr单位时间来接收END泛洪信号, BERS*中泛洪可能会在Hr+1环终止, 比路由节点发现环超过一个环。

图3所示为BERS*的工作流程图, 从图中可以看出, 在等待和传播RREP和END指令之间由于节点动作同时发生, 所以仅需要一个额外环。首先, 在并发行动开始之前RREP从路由节点R到源节点S (蓝色箭头线) 传输花费Hr单位时间;其次, 在下一个单位等待时间内, END指令广播到环1, 而节点a和b继续泛洪从Hr到Hr+1 (红色箭头线) ;此外, 在Hr+1单位等待时间期间END包花费下一个Hr单位时间追上节点c (在环1从u开始的紫色虚线箭头线) 。

2 优化方案提出

为了减少了延迟而不增加能耗, 提出了加强的BERS (t BERS) 和加强的BERS* (t BRES*) , 采用追包的名字, 代表t BERS的STOP、t BERS*的END、t BERS/t BERS*的STOP/END。t BRES的工作方式与BRES相同, t BRES*与BRES的工作方式相同, 除了t BRES和t BRES*允许路由节点发送STOP/END指令。通过经过发送终止指令的路由节点右侧, 相比于BERS和BERS*, t BERS和t BERS*能分别减少BERS和BERS*的延迟, 减少的延迟量等于Hr, 也就是RREP到达源节点的传输时间。

在BERS和BERS*中仅由源节点发送STOP/END指令终止泛洪, 在t BERS和t BERS*中, 一旦接收到RREP, 正如BERS和BERS*, 源节点也发送STOP/END指令, 然而, 这样的目的是终止先前由路由节点发送的STOP/END未覆盖的剩余泛洪, 这部分泛洪由环Hr上的那些节点引起, 但是由于它们的地理位置不可达, 在RREP单播传送时未从路由节点接收到STOP/END。此外, 在t BERS和t BERS*中, 源节点接收到RREP之后不久就已经准备好发送数据包了。

t BERS和t BERS*都吸取了并发活动的优点, 第一类并发活动发生在RREP单播传送和从路由节点多播传送STOP/END之间, 尽管由路由节点发送的STOP/END可能追不上环Hr中的所有节点去终止泛洪, 但t BERS和t BERS*中的这个方法旨在停止环Hr中进一步泛洪的一些节点, 更早一些执行这个否则会在BERS和BERS*中执行的动作。第二类并发活动发生在源节点发送数据包和STOP/END指令之间, 这允许数据包比在BERS和BERS*中更早传输。

可以证明t BERS的能耗级别与BERS相同, 然而, t BERS*能节省能源。在BERS*中, 在Hr+1环终止泛洪, 超过发现路由节点环一个环, 相反, t BERS*中仅有一部分泛洪在这个额外环上终止, 而剩余的泛洪较早的在Hr环上就终止了, 也就是发现路由节点的环。这是因为在环Hr中的一些节点会在它们的Hr单位等待时间内接收到END指令。

图4显示了t BERS*的一个实例, 其中节点d停止泛洪早, 尽管它比路由节点R多一跳。这里节点d在环Hr, 但是与路由节点R超过了一跳距离, 然而, 节点d将从路由节点R接收一个END信号途径节点b和c。相反, 如果是在BERS*中, 节点d将在Hr单位等待时间之后多广播一个环, 泛洪将不会终止直到环Hr+1。

节点均匀分布的情况下, 在环Hr中约三分之一的节点可能在它们的等待时间内接收END消息, 如图5所示, 其中红色标记的节点涉及RREPs到达源节点S之前泛洪终止。

上述的均匀分布是t BERS*的最佳情况, 在最差情况下, 可能因其地理位置而环Hr中没有非路由节点从路由节点接收到END指令, 在这种情况下, t BERS*的工作方式与BERS*完全相同, 即在第二个Hr周期内接收源节点的END指令。

在t BERS或t BERS*中的路由节点有义务发送RREP和STOP/END指令, 有两种方式可以实现同时发送RREP和STOP/END指令这个思想, 其一是合并RREP和STOP/END到一起, 另一个是先发送RREP指令, 接下来再发送STOP/END指令。注意, RREP以单播方式发送, 而STOP/END是广播。作为一个示例, 为了在算法中强调本研究的思想, 本文为t BERS*取第二种方法。

2.1 算法

下面仅给出t BERS*的四个算法, t BERS的算法是类似的。注意算法中使用END指令终止泛洪, 算法1是针对源节点, 算法2, 3和4是针对中间节点和路由节点。

算法1覆盖了路由发现过程中源节点的动作, 这包括用第一次发送RREQ (行1) 来初始化路由发现过程、处理RREPs中的路由信息 (行4、5) 。为了避免END指令和数据包之间的冲突, 本文为数据包引入一个单位时间的滞后, 即调用procedure_data_packets (行6) 之前等待一个单位时间。

算法1源节点

类似的, 算法2总结了中间节点的行动, 根据接收的三个消息 (RREQ、RREP、END) 。

算法3和4是两个描述中间节点分别接收到RREQ和END时动作的程序, 如果是路由节点, 它将初始化并广播END指令 (算法3行8) 。

算法3中, 当识别出路由节点, 将以当前跳数发送RREP (即Hr) 到源节点 (行5~8) , 其他中间节点需要等待H个单位时间 (行10) , 如果没有收到END指令则开启泛洪 (行18~19) , 在等待时间期间, 中间节点需要发送一个END (行12~13, 在算法4中调用procedure_end) 或RREP (行15) , 因为可能源节点有第二个RREP作为备份。

2.2 能耗和时延计算

本章比较了ERS、BERS、t BERS、BERS*和t BERS*的能耗和延迟, 结果如表1所示, 各个符号说明如表2所示, 这里已经消除了量化能耗和发现延迟的数学细节, 感兴趣的读者可以从文献[11]和文献[12]中找到为ERS、BERS和BERS*进行的详细计算, 而t BERS和t BERS*的能耗和延迟计算分别遵循BERS和BERS*。

从表1可以看出, t BERS的延迟是Hr+Hr2, t BERS*的延迟是1+1.5Hr+0.5Hr2, 而BERS和t BERS的能耗是相同的, t BRES*的能耗量低于BERS*, 依赖于节点分布。

3 仿真

本文基于上述分析结果执行了一系列的仿真, 在IDL6.0系统 (研究系统、Boulder、CO、USA) 上实现, 主要目标是调查新策略应用到BERS和BERS*的路由发现协议能产生的改进, 为了得到新方案的性能特征, 在如下均匀节点分布下对ERS、BERS、t BERS、BERS*和t BERS*进行了一系列的实验。假设共有1000个节点均匀的置于覆盖Hr=10区域的地理区域内, 在上述假设的节点分布下, 在时效、能效和能源时效方面比较这些协议性能之间的差异。

3.1 时延比较

时效的比较结果见图6。

图6 (a) 表明了五个方案对Hr的时间延迟, 正如图中所示, 五个方案的延迟随着Hr的增加而增加, 然而, t BRES和t BRES*的延迟比BERS和BERS*中对应的值小, t BERS*的时间延迟最小, 这表明t BERS*是五个方案中时间效率最高的方案。

图6 (b) 强调了当Hr=10时五个方案的延迟, 从图中可以看到, t BERS优于BERS, t BERS*优于BERS*, 时间效率最高的方案是t BERS*, 然后依次是BERS*、t BERS和ERS, 最后是BERS。当Hr=10时, t BERS*比BERS*的时间效率提高约12%。

类似的, 当Hr=10时, t BERS比BERS的延迟减少约7.5%。

3.2 能耗比较

能耗比较的结果见图7。

图7 (a) 是五个方案对Hr的能耗图, 正如图中所示, 能耗随着Hr的增加而增加, BERS和t BERS产生相同的能耗, 这两个方案是能源效率最高的方案, t BERS*的能耗级别低于BERS*, 相比于BERS*, 当Hr=10时, t BERS*可节能约6%。

图7 (b) 强调了Hr=10时五个方案的能耗, 图中清楚的表明BERS和t BERS是能源效率最高的方案, 相比于BERS*, t BERS*消耗的能源略低。

3.3 成本比较

为了比较各算法的整体性能, 本文使用文献[15]提出的产品模型, 将全部成本定义为产品的能耗量乘以延迟量, 即C=ET, 各算法的全部成本比较结果如图8所示, 图8 (a) 显示了五种方案中每个方案对Hr的能源时效。

从图8 (a) 可以看出, t BERS*是五个方案中能源时效最高的方案, 其次是BERS*。这意味着本文提出的新策略t BERS和t BERS*分别改进了现有协议BERS和BERS*, t BERS的整体成本低于BERS对应的成本。

图8 (b) 强调了Hr=10时的比较, 从中可以看出, t BERS*比BERS*的能源时效提高了近19%。

4 结束语

本文提出了一种基于路由节点泛洪终止的扩展环形搜索改进算法, 最初旨在进一步减少两个现存能源或能源时效协议BERS和BERS*的延迟, 对t BERS和t BERS*的研究结果表明, 他们是时间和能源时效更有效的两个路由协议。结果是有趣的, 首先, 在t BERS和t BERS*中通过转换终止从源节点到路由节点的泛洪义务, 分别得到了比BERS更高的时效, 比BERS*更高的时间效和能源效率, 这表明在集体环境中重新分布工作负载可能会有潜在的收益。其次, 本研究中并发对提高时间效率是有用的, 而延迟和能耗有权衡的本质, 所以并发既能改善时间效率, 也能改善能源效率。此外, 既考虑时间效率也考虑能源消耗时能源时效是调查整体性能的一个有用度量, 单独在时间效率或者能源效率上的结果可能是片面的、不完整的, 有时还会产生误导, 一起考虑时间和能耗是有益的。

动态自组织 篇4

1 时间序列自回归建模

时间序列y的自回归模型可表示为

其中,p为模型阶数;θ为模型参数;εt为模型残差,εt~N(0,σ2)。若已知模型阶数p和参数Θ=[θ1,θ2,…,θp],则将历史观测值Y=[yt-1,yt-2,…,yt-p]代入模型外推即可得到t时刻的预测值yt。因此,时间序列自回归建模包括模型定阶和模型参数求解两方面内容。

1.1 模型定阶

AR模型阶数太小会导致模型不能充分反映时间序列的统计规律;阶数过大不仅会降低参数估计的计算速度,且易产生过拟合,降低模型推广能力。BIC定阶准则由日本学者Akaike和E.J.Haman提出,以最小信息为测度,并考虑了样本数对模型平滑性的影响[6],其描述如下

其中,为自回归模型阶数;N为时间系列长度;σp2为模型残差的方差。取BIC(p)值最小时的阶次为自回归模型的最佳阶次。

1.2 模型参数求解

AR模型参数求解的方法主要有相关矩估计、最大似然估计、最小二乘估计等。最小二乘法求解简单可靠,其原理如下:由式(1)可知,p阶自回归模型的误差方程为

设有时间序列观测样本,将观测样本代入上式则可得到以下误差方程组

由该误差方程组可求得的最小二乘解为

由上述AR建模过程可知,模型参数由一段固定历史观测序列根据一定的准则确定,反映的是历史观测值的最优时间依存规律。当时间序列观测值不断动态获得,就需要预测模型也能随观测值实时更新,否则以旧的预测模型对序列新观测值进行预测,精度必然会有所损失。

2 粒子滤波原理

系统的状态方程和观测方程可表示为[7]

其中,xk为系统在k时刻的状态变量;yk为xk的观测值;wk为系统噪声;uk为观测噪声;f(·)和h(·)为已知函数。

对上述状态方程和观测方程作统计描述,可分别得到系统的状态转移概率密度p(xk/xk-1)和观测似然概率密度p(yk/xk)。

若已知系统状态的初始概率密度函数p(x0),则状态递推概率密度可表示为

状态更新概率密度为

上述预测和更新方程描述了递推贝叶斯估计的过程,即从k-1时刻得到的后验概率密度p(xk-1/y1:k-1)出发,利用状态模型来递推k时刻xk的先验概率密度p(xk/y1:k-1),当获得k时刻的最新观测值yk,修正先验概率密度,从而得到k时刻的后验概率密度p(xk/y1:k)。粒子滤波运用蒙特卡洛仿真,采用重要性采样的方法,以粒子及其权重的形式近似得到上述状态方程的解[8]。

设g(xk)为状态变量xk的任意函数,q(xk/y1:k)为后验概率密度p(xk/y1:k)的重要性抽样参考分布,则g(xk)的数学期望为

其中,。

依重要性概率密度q(xk/y1:k)随机抽取N个独立样本{xki;i=1,2,…,N},则上式期望值可近似表达为

其中,wk(xik)为归一化权值,。

最简单易于实现的重要性概率密度函数是使之等于先验概率密度,但概率密度函数重要性采样中粒子经过多次迭代后,会出现退化的现象,需对其做重采样,以增加粒子的多样性。常用重采样方法有多项式重采样、残差重采样、系统重采样等[9]。

3 基于粒子滤波的动态自回归模型方法

对于一时间序列,运用第1节方法建立AR模型,此AR模型为时间递推方程,作为粒子滤波方法的状态方程。引入时间序列值的观测噪声,构建粒子滤波观测方程。

设t为t时刻新的观测值,则可利用粒子滤波方法以此观测值信息对已建立的AR模型进行参数优化,具体步骤如下:

(1)对t时刻AR模型参数Θ进行蒙特卡洛采样,得每个参数的n个初始采样粒子。对Θ的采样可认为Θ服从以原始值为中心的均匀分布或以原始值为均值的正态分布等,即或者,其中δ和σθ为常数;

(2)将模型参数粒子代入式(1),结合历史观测值得AR模型对t时刻观测值t的状态估计离散粒子,其中系统噪声wk可不计,由参数的波动来代替;

(3)将观测值t及其估计粒子代入式(7)所示观测方程作递推贝叶斯估计,以后验概率作为各粒子的权值,得到状态估计值的粒子权重,并以此作为AR模型各组参数粒子的权重。例如,若时间序列样本服从方差为σ的正态分布,则由最大似然估计可设时间序列观测值yk~N(xk,σk),则计算如下

(4)对粒子作重要性重采样,得到权系数相同的新粒子,作为t+1时刻新观测值到来时粒子滤波优化的初始粒子;

(5)计算参数粒子的均值作为AR模型参数的最优值,利用该优化后的AR模型对t+1时刻的状态值做外推预测;

(6)当获得t+1时刻的观测值,重复步骤(2)~(5),对AR模型进一步做优化更新。

4 实例分析

以NASA艾姆斯中心B6号锂离子电池实验数据为例,采用AR模型和本文提出的基于粒子滤波的动态AR模型方法分别对其作剩余寿命预测。其中B6号电池型号为18650Li-ion battery,额定容量2 Ah,在室温下反复充放电次数与实测容量关系如图1所示。设当锂离子电池容量退化至额定容量的70%时视为失效,则从锂离子电池的当前容量值到失效阀值(1.4 Ah)之间的充放电循环次数为锂离子电池的剩余寿命[10,11]。

由图1可知,锂离子电池容量观测数据具有明显的递减趋势,是非平稳时间序列,对其进行平稳化处理,一次差分后结果表明平稳,对该平稳时间序列AR建模,取前80个观测序列值作为模型训练数据,以BIC准则确定模型阶数得如图2所示曲线,由图可知当P=7时BIC指标值最小,因此将该时间序列的AR模型定为7阶,采用最小二乘法计算得7阶AR模型的各参数值为[0.24,0.11,0.11,0.31,0.01,0.05,0.14]。

以建立好的AR模型对后续的60个值做单步预测,结果如图3所示。计算得AR模型在失效阈值处的寿命预测误差为12次。

采用本文提出的基于粒子滤波的动态AR模型方法,对上述建立的AR模型各参数蒙特卡洛采样,粒子数取为5 000,并假设模型参数,观测噪声uk~N(0,0.03),选用系统重采样方法,则随AR模型预测的递推进行,以新的观测值不断更新AR模型参数,其粒子核密度动态演化过程如图4所示。

取参数粒子的均值作为该参数的最优估计,以优化后的AR模型对下一循环电池容量进行预测,结果如图5所示。由图可知,粒子滤波动态更新后的AR模型预测精度显著提高,在失效阈值处的预测误差仅为1次。进一步可根据参数粒子的概率分布计算得电池容量预测结果的90%置信区间。

5 结束语

基于亲和力的动态自适应粒子群算法 篇5

粒子群优化(Particle Swarm Optimization简称PSO)是由Kennedy和Eberhart[1]等提出的一类模拟群体(swarm)智能行为优化算法。其思想来源于对鸟群捕食行的研究,它与遗传算法和蚁群算法相比,PSO有着算法简单,容易实现,并且可调整参数少等特点,因此被广泛地应用于结构设计[2],电磁场[3]和任务调度[4]等工程优化问题。

在粒子群算法的可调整参数中,惯性权值是最重要的参数,较大的权值有利于提高算法的全局搜索能力,而较小的权值会增强算法的局部搜索能力,为了找到一种能在全局搜索和局部搜索之间取得最佳平衡的惯性权值选取方法,研究人员进行了大量的研究工作,先后提出了线性递减权值(LDIW)策略[5],模糊惯性权值(FIW)策略[6],和随机惯性权值(RIW)策略[7]。其中,FIW策略需要专家知识建立模糊规则,实现难度较大,RIW策略被用于求解动态系统,LDIW策略相对简单且收敛速度快,因此被广泛应用。

本文在递减惯性权值的基本思想指导下,提出了一种新的基于亲和力的自适应惯性权重,当亲和力较小时表明粒子距离最优位置较远,此时应使粒子较快地进入局部搜索,由此提出了一种新的动态自适应粒子群优化算法(DCWAPSO)。通过对六个粒子的测试,表明这种改进的PSO算法既保持了搜索速度快的特点,又提高了全局搜索的能力,搜索成功有了很大的提高。

2 基本的PSO算法及相关概念

PSO以模拟鸟的群体智能为特征,以求解连续变量优化问题为背景。在PSO中,每只鸟被称之为一个粒子,每个粒子用其几何位置和速度向量表示,在问题的求解中,每个粒子参考自己的既定方向,所经历的最优方向和整个鸟群所公共认识到的最优方向来确定自己的飞行。

PSO是Kennedy和Eberhart[1]于1995年首先提出,采用下列的公式对粒子群进行操作:

其中i=1,2,…,m,d=1,2,…,D;学习因子c1,c2是非负常数;r1,r2是[0,1]间的随机数,vid=[-vmax,vmax];vmax是常数。文献[8]对(1)作了如下的改动:

其中w为惯性系数,为非负数,第i个粒子用一个D维的向量xi=(xi1,xi2,…,xi D)表示,它在空间的飞行速度其用vi=(vi1,vi2,…,vi D)表;第i个粒子迄今为止搜索到的最优位置用表示pi=(pi1,pi2,…,pi D),整个粒子群迄今为止搜索到最优位置用pg=(pg1,pg2,…,pg D)表示。

迭代终止条件根据具体问题一般选为最大迭代次数或粒子群迄今为止搜索到的最优位置满足预定最小适应阀值。方程(1)和(3是基本的PSO算法迭代公式。

3 亲和力的描述

亲和力是粒子与pgd的匹配度量,亲和力高表示该粒子与pgd较接近,反之较远离pgd。我们通过计算亲和性,以保证粒子的多样性,下面我们给出新定义的免疫算法中的亲和力的概念:

定义1:计算第i个粒子xi的第d维亲和力:

其中Xmax,Xmin分别是优化变量的最大和最小值。第i个粒子总的亲和力为各维亲和力的平均值,即:

其中D为粒子的维数,可以看出Ai∈[0,1]。所有粒子的总亲和力为:

4 非线性自适应惯性权重的构造

基本的PSO算法可看作是w=1的情况,可以为w选取合适的值,从而使算法的全局和局部的搜索能力之间达到最佳平衡,也可以在算法迭代过程中根据不同时期搜索的进展情况动态地调节w的取值。为了平衡算法的全局和局部搜索能力,Shi等[5]进一步提出了LDIW策略,即在迭代过程中线性地减小w的值,并表示为:

其中tmax为最大迭代次数;t为当前的迭代次数,wmax,wmin分别是初始惯性权重要的最大值和最小值,tmax是进化到最大迭代次数的取值。这里,我们给出一种动态自适应的非线性惯性权值递减函数,具体表达式为:

这样构造的目的是让算法迭代的早期通过加速惯性权值的递减速度来让算法较快地进入局部搜索,因此算法的性能相对PSO的收敛非常快,所以应尽快地使算法进入局部搜索,才能获得更好的求解效率。

5 动态自适应粒子群优化算法及其数值分析

算法DCWAPSO

Step1:随机初始化粒子群中粒子的位置与速度

Step2:将粒子的pb设置为当前位置,pg设置为初始群体中最佳粒子的位置。

Step3:判断算法收敛准则是否满足,如果满足,转Step5;否则,执行step4。

Step4:对粒子群中的所有粒子,执行如下操作:

(1)根据式(1),(2),(3)更新粒子的位置与速度;

(2)根据式(4),(5),(6),(8)计算出总的亲和力,计算出动态自适应惯性权值,转Step2;

Step5:输出pg,算法运行结束。

本文利用上述提出的LDWPSO算法和DCWAPSO算法对下述的六个函数进行了实验分析,在实验中,我们取粒子规模为100,c1=c2=2,wmax=0.8,wmin=0.2,具体函数及参数为:

1)Sphere函数:

其全局最优值f(X*)=0,函数计算时取-100≤xi≤100,xmax=vmax=100,维数D=30。此函数对应得程序运行的终止条件是函数值为零,若迭代次数超过NC,认为失败。在此程序中NC=5000。

2)Shaffer’sf7函数:

其全局最优值f(X*)=0,函数计算时取-100≤xi≤100,xmax=vmax=100,维数D=30。

此函数对应得程序运行的终止条件是函数值为零,若迭代次数超过NC,认为失败。在此程序中NC=2000。

3)Rastrigrin函数:

其全局最优值f(X*)=0,函数计算时取-10≤xi≤10,xmax=vmax=10,维数D=30。

此函数对应得程序运行的终止条件是函数值为零,若迭代次数超过NC,认为失败。在此程序中NC=1000。

4)Shaffer’sf6函数:

其全局最优值f(X*)=0,函数计算时取-100≤xi≤100,xmax=vmax=100。

此函数对应得程序运行的终止条件是函数值为零,若迭代次数超过NC,认为失败。在此程序中NC=1000。

5)Griewank函数:

其全局最优值f(X*)=0,函数计算时取-100≤xi≤100,xmax=vmax=100,维数D=30。

此函数对应得程序运行的终止条件是函数值为零,若迭代次数超过NC,认为失败。在此程序中NC=1000。

6)Rosenbrock函数

其全局最优值f(X*)=0,函数计算时取-30≤xi≤30,xmax=vmax=100,维数D=30。

此函数对应得程序运行的终止条件是函数值为零,若迭代次数超过NC,认为失败。在此程序中NC=1000。

本文分别用上述给出的LDWPSO算法和DCWAPSO算法各自计算了20次,下面的表1-表6分别给出了六个函数在AMD Athlon XP-M 1700+256MDDR/30G计算机上运行计算的结果比较。

上述表中nmax表示最大迭代次数,navg表示平均迭代次数,tmax表示最大迭代时间,tavg表示平均迭代时间,k表示搜索到最优解的成功率,favg表示搜索得到最优值得平均值(前三个函数均搜索到最优值故此项均为零)。

下面我们给出分别用LDWPSO和DCWAPSO方法求解上述六个函数当n不同时,函数的平均值,如表7、表8、表9所示。

下面我们画出了用LDWPSO方法和DCWAPSO方法搜索这几个函数的极值所需迭代次数的相对的比较如图1、图2、图3所示。

从上面的表和图可以看出本文给出的DCWAPSO方法比LDWPSO方法无论是在计算时间上还是在效率上都大大地提高了,也改善了基本PSO可能出现的震荡的现象。

7 结论

本文提出了一种动态改变惯性权重的自适应粒子群算法(DCWAPSO),在该算法中引入亲和力的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为亲和力的函数在。每次迭代时算法可根据当前粒子群亲和力的大小动态地改变惯性权重,从而使算法具有动态自适应性。对六个典型函数的测试结果表明,DCWAPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高。

参考文献

[1]Kennedy J and Eberhert R.Particle swarm optimization,in IEEE International Conference on Neural Networks.1995:1942-1948

[2]Elegbede C.Structural reliability assess-ment based on particles swarm opti-miza-tion[J].StructralSafety.2005,27(10):171-186.

[3]Pobinson J,Rahmat-Samii Y.Particle swarm optimization in electromagnetics[J].IEEE Transactions on Antennas and Propagation,2004,52(2):397-406.

[4]Salman A,Ahmad I.Al-Madani S.Particle swarm optimization for task assignment problem[J].Microprocessors and Microsystems,2002,26(8):363-371.

[5]Shi Y,Eberhart R.Empirical study of particle swarm optimization[A].Interna-tional Conference on Evolutionary Compution[C].Wash-ington,USA:IEEE,1999,1945-1950.

[6]Shi Y,Eberhart R.Fuzzy adaptive particle swarm optimization[A].The IEEE Cong-ress on Evolutionary Compution[C].San Francisco,USA:IEEE,2001.101-106.

[7]Eberhart R,Shi Y.Tracking and optimizing dynamic systems with particle swarm[A].The IEEE Congress on Evolutionary Computati-ion[C].San Francisco,USA:IEEE,2001,94-100.

[8]Shi Y,Eberhart R.A modified particle swarm optimizer[C].In:IEEE World Congress on Computational Intelligence,1998:69-73.

动态自组织 篇6

自适应软件(self-adaptive software)是自主计算在软件领域的分支，自适应软件能根据所收集的自身和执行上下文的信息调整自身行为，它有两个基本特征[3,4]：自感知和环境感知。自感知是指系统了解自身的状态和行为;环境感知是指系统实时掌握执行环境的状态。

建立自适应模型是自适应软件的研究重点[5]。模型为常见的问题提供通用的设计方案和可重用的代码，能简化自适应系统的开发。但是现阶段所建立的模型通常是针对特殊问题而建立的，对其他模型和执行环境有一定的依赖性，影响了模型的重用性和通用性。

本文提出的自适应软件模型能够根据系统的当前状态和系统上下文环境动态改变系统行为;设计执行链处理self-*属性，有较强的灵活性;模型为方便对感应器和效应器的访问定义了Anchor对象;使用监督树协调模型内部进程的执行和处理运行时的系统错误、故障，提高了系统的容错性;使用标准技术提高了模型的可重用性。

1 JMX和策略引擎

目前，自适应软件处于发展阶段，还没有统一的概念及术语，研究人员通常利用其属性来描述其内涵。许多学者对自适应软件的属性进行了研究并给出了相应的属性分类，其中，IBM提出的自配置、自优化、自恢复、自保护四种self-*属性[2]是目前公认的自适应软件属性。自配置是系统适应改变的条件和动态调整自身的能力，通常表现为系统动态增加

或移除组件;自优化是系统在不同条件下监控和测量性能并为达到性能目标而进行优化自身行为的能力。自恢复是系统检测、诊断和修复疑难问题的能力。该属性可防止发生过的失败再次发生。它提高了软件的可靠性和可用性。自保护是系统检测恶意攻击并对自身保护的能力。

自适应解决方案通常具有感应、效应或表示自适应逻辑的能力。本文选用JMX(Java Management Extensions)和策略引擎作为模型的基础，模型如图1所示。

模型使用JMX提供的感应器和效应器，使用策略、规则做决策，JMX和策略引擎的结合提供了管理底层资源和创建适应环境的基础结构，JMX和策略引擎这两种技术使模型符合标准而且提高了模型的可用性和重用性。

JMX是为应用程序、设备、系统等植入管理功能的框架。JMX为Java类系统提供了检测系统状态和调用系统命令的方法。JMX由检测层、代理层和分布式服务层三层组成[6]。检测层提供了管理应用程序、组件、用户、数据库等资源的机制，检测层使用MBean对象实现资源检测。MBean为代理层提供了管理底层资源的接口;代理层建立在检测层上，用于控制和管理资源。代理层提供MBeanServer对象，所有在检测层定义的MBean对象必须在MBeanServer中进行注册后才能用于资源管理，而对MBean的访问也必须通过MBeanServer;分布服务层提供执行JMX管理的接口，这样管理者就可以操作代理层。使用JMX构建自适应模型，可用MBean作感应器和效应器，且MBeanServer与MBean的交互很灵活，MonitorMBean可作为控制环中的监控组件，JMX的通知机制激活控制环和发送事件并且用MBeanServer可实现资源的远程管理。

策略引擎是用来解析和执行策略的，利用策略可以很容易的定义自适应需求和处理self-*属性。由于策略语言未形成统一标准，导致策略引擎的种类很多，例如，Apache Imperius[7]是一个开源的策略引擎，用于CIM-SPL(CIM-Simplified Policy Language)[8]的解析;JBoss Drools[9]是一款应用广泛的开源策略引擎，它提供了处理策略、工作流和事件过程的标准集成平台。策略语言和策略引擎的多样性，使得所建立的模型对特定策略语言和策略引擎有依赖性。为消除模型的这种依赖性，模型使用Adapter接口为不同策略引擎的协作提供了一个抽象的访问方式。

2 支持动态适应的自适应软件模型

模型由监督层、决策层、接口层、应用层四层组成，如图2所示。其中，黑色箭头表示控制流，空心箭头表示进程的通讯。

应用层即模型所需要管理的应用程序。在模型中将管理目标细化为具体的资源，如应用程序、组件、用户、数据库、服务器等。接口层的主要操作如下：运行时收集系统的状态信息并传递到决策层(完成这个功能的组件被称为感应器);执行决策层的执行计划(完成这个功能的组件被称为效应器);感应器和效应器的辅助操作。为降低对象调用的复杂性，简化系统设计，模型为访问这三种提供了统一的调用接口—Anchor对象。Anchor对象对模型本身是透明的，且只能被决策层中的进程访问。决策层是模型的核心，其主要功能是根据当前的系统状态和知识库信息进行分析，并决定是否以及如何改变系统行为，从而实现系统的自适应。决策层的基本单元图3所示的MAPE-K(monitor-analyze-plan-execute-knowledge)环[2]。

MAPE-K环是循环反馈的控制结构，由监控器、分析器、计划器、执行器和知识库五部分组成。监控器将感应器收集到的信息与知识库进行关联，并将异常状态传递到分析器;分析器使用知识库中的知识进行分析并确定是否需要改变当前状态，最后将分析结果传递至计划器;计划器根据知识库策略和历史决策产生执行计划并传至执行器;执行器调用效应器执行执行计划，并更新知识库;知识库中储存了处理问题的策略以及MAPE-K所作的历史决策及当时的状态信息。

决策层是由多个执行链组成的。执行链本质上是用来维持某种self-*属性的控制环，而每个self-*属性可以由多个执行链维持。而每个执行链又由若干个进程构成，每个进程需要完成监控器、分析器、计划器、执行器中的一种或多种功能。在小型系统中可以使用单个执行链维护某个self-*属性，在大规模系统中需要多个执行链合作执行维护某个self-*属性。

由于执行链的进程的执行是具有先后顺序的且执行过程中可能会出错，本文为此设计了监督层。监督层本质上是一棵监督树。监督树由监督者和工作者组成，其中监督者是指系统中监视其他进程的进程，其监督对象可以使工作也可以是其他监督者，监督者检测到被监视对象的异常后能采取恰当措施进行启动、重启或停止被监督对象;工作者是执行任务的进程，此处主要是执行链中的进程。

本文定义了两种类型的监督树：与监督树、或监督树。监督树遵循如下规则[10]：如果一个监督者被停止，那么该监督者在退出前将停止其所有的孩子;对于“与”监督者，如果它的一个孩子崩溃了，那么它将先停止它所监控的所有孩子，然后重新启动这些孩子;对于“或”监督者，如果它的一个孩子崩溃了，监督者仅重启崩溃的孩子。

当决策层创建新的执行链时，监督层按进程的执行顺序以及关联性建立不同类型的监督树;当多个执行链需要相互合作完成某种功能时，监督层根据执行链的关系，将对应的监督树合并成更大的监督树。执行链完成工作后，监督层销毁监督树。

3 总结

本文使用JMX和策略引擎设计了一个由应用层、接口层、决策层、监督层四成组成的自适应软件模型，该模型能动态改变系统的行为，并能处理运行时发生的错误和故障，且具有很好的重用性。模型的进一步可做如下研究工作：有一种能动态修改配置属性和策略的机制;模型本身也是一种资源，需要提供管理自身的方案;根据需要可为模型添加进行手动管理方法。

摘要：为应对软件复杂性危机,学者提出了自适应软件的概念。该文描述了一个支持动态自适应的软件模型。该模型四层构成,其中应用层是模型管理的资源集;接口层提供了感应器和效应器;决策层使用MAPE-K环实现了软件的动态自适应;监督层协调决策层的执行并提供了错误修复能力。文章最后分析了模型的优点,并给出了下一步工作的方向。

异步电机自抗扰控制的动态性能分析 篇7

异步电机的动态数学模型是一个高阶、非线性、强耦合的多变量系统,其控制十分复杂。将各种先进的控制理论应用于异步电机的控制中成为近年来研究的热点[1~3]。自抗扰控制技术是我国韩京清先生提出的一种非线性控制技术,它把系统的模型摄动当作内扰,将其和系统的外扰一起作为系统的总扰动加以补偿,具有很强的鲁棒性[4,5]。应用自抗扰控制技术为异步电机设计控制器可以达到比常规PID更优的性能,有广阔的应用前景。

针对当前异步电机研究中的几种自抗扰控制方案,本文通过对比其动态性能,分析造成性能差异的原因,最后给出基于自抗扰控制技术设计异步电机控制系统的建议。

1 异步电机的数学模型

本文研究对象采用三相笼式异步电动机,现作如下假设:1)电机定、转子三相绕组完全对称。2)定、转子表面光滑,无齿槽效应,定、转子每相气隙磁势在空间呈正弦分布。3)铁芯涡流、饱和及磁滞损耗可忽略不计。

异步电机的动态模型复杂,通过坐标变换可以予以简化,在两相同步旋转坐标系下的数学模型可用如下非线性微分方程描述[6]:

当两相同步旋转坐标系按转子磁链定向时,应有ψd2=ψr,ψq2=0,上述模型简化为

式(1)中:ωr为转子角速度,np为极对数,Lm、L2分别为定转子互感、转子电感,J为转动惯量,TL为负载转矩,Tr为转子电磁时间常数,ud1,uq1为同步旋转坐标系下d、q轴的定子电压的幅值,ψr为转子磁链的幅值,id1,iq1为同步旋转坐标系下d、q轴的定子电流的幅值。

2 自抗扰控制器概述

自抗扰控制器(ADRC)一般由跟踪微分器(TD)、扩张状态观测器(ESO)和非线性误差反馈(NLSEF)3部分组成。跟踪微分器实现对输入信号的快速无超调跟踪;扩张状态观测器则用来估计系统状态、模型和外扰的实时作用量给以补偿,将含有未知干扰的非线性不确定性对象化为积分串联型对象进行控制[7];非线性误差反馈是利用跟踪微分器的输出和扩张状态观测器输出之间的误差来生成对扰动的补偿控制量。

对于一阶对象y=f(y,t)+w(t)+bu,式中:f(y,t)为未知函数,w(t)为未知外扰,y为状态输出,u为控制输入。

其对应的自抗扰控制器结构如图1所示。

一阶自抗扰控制器的实现形式为:

为减少运算量,此处采用线性扩张状态观测器,式(2)中

3 基于ADRC的异步电机控制系统设计

基于ADRC的异步电机控制系统设计方案很多,根据所用变频装置是电压型或电流型可以分为两类,现简述其设计过程。

将式(1)所示的异步电机数学模型近似看作一个双输入、双输出系统,其中ud1,uq1为系统的输入,ψr,ωr为系统的输出,根据经典矢量控制的理论将异步电机分解为磁链子系统和转矩子系统,将磁链环和转矩环之间的耦合以及电机参数变化引起的模型摄动看作内扰,将负载转矩的变化看作外扰,分别设计自抗扰控制器进行控制。

对于磁链子系统

对其设计两个串联的一阶自抗扰控制器分别控制ωr和iq1,得到控制量,通过坐标变换得到三相定子电压的大小,由电压控制变频器输出所需的交流电压,这样就可以设计如图2所示的控制系统。

在矢量控制中,当ψr为常值时,采用坐标变换和磁场定向,可实现转速子系统与磁链子系统的动态解耦。但由于ψr不是一成不变的(即当电机运行在基频以下时,应保持磁链ψr不变,使电动机每极磁通量为额定值以充分利用铁心,而在基频以上时,采用弱磁调速,减小磁链值),转速子系统和磁链子系统仍存在部分耦合。

若将ψr看作常数ψr*,对转速子系统设计自抗扰控制器,将ψr的变化看作系统的内扰处理,将负载的变化看作系统的外部扰动,由扩张状态观测器估计出内外扰的大小并通过非线性反馈予以补偿,则可实现转速子系统的线性化。

同理,对于磁链子系统,将电机的参数摄动也看作系统内扰处理。

这样构成了自抗扰控制器实现的异步电机变频调速系统,如图3所示,设计两个自抗扰控制器分别控制ωr、ψr,得到控制量iq1,id1,最后通过坐标变换得到三相定子电流的大小,通过电流型变频器输出所需交流电流。

在上述系统中,自抗扰控制器的参数选择对其控制性能有很大影响。在参数调节过程中,首先应调节跟踪微分器的参数,使其有效跟踪状态参考量,其中r的大小决定跟踪的快慢;然后调节扩张状态观测器中ε的系数β1,β2,使其对状态量和扰动进行准确估计,β1,β2的值一般相差一个数量级;最后调节非线性误差反馈的参数,当a1<1时,fal(ε1,a1,δ1)具有“小误差大增益,大误差小增益”的特性,使非线性反馈效率远比线形反馈高,β3的大小对自抗扰控制器的性能影响最大,故应反复调节寻求最佳值。

由于磁链的改变会引起速度的变化,而速度的变化对磁链的大小没有影响,故应先调节磁链子系统的控制器的参数,待磁链的响应达到理想状态后再调节速度子系统。

4 仿真分析

为了比较两类基于转子磁链定向的异步电机自抗扰控制系统的性能,本文在一台1.5KW的异步电机模型上作了相应的仿真实验,选用的电机参数为:UN=380V,IN=4A,nN=1460r/min,fN=50Hz,极对数np=4,定子电阻Rs=4.1Ω,转子电阻Rr=2.5Ω,定子电感Ls=0.671mH,转子电感Ls=0.688mH,互感Lm=0.651mH,转动惯量J=0.04kg.m2。

本文着重研究了在负载一定、转速突变情况下系统的动态性能。设置ψr*=1wb,n*=700r/min,TL=3Nm,观察电机起动时的动态性能,在t=2s时,设置n*=-700r/min,以检验系统的快速响应能力。

自抗扰控制器实现的系统在阶跃给定下的起动波形及转速突变时的波形如图4所示(左侧为电流型,右侧为电压型,下同),电流型控制系统的调节时间仅为电压型控制系统的一半,因为在动态过程中电流型控制系统可以提供更大的电磁转矩,电磁转矩的大小与定子侧q轴电流成正比,归根结底,转速响应的快慢是由定子侧q轴电流的响应速度决定的,由于电压性控制系统的转速环由两个一阶的自抗扰控制器进行控制,势必造成一定的延迟,而电流型控制系统的转速环仅由一个一阶自抗扰控制器控制,故后者的响应速度明显快于前者,图5为电磁转矩响应曲线对比,定子侧q轴电流的响应曲线对比如图6所示;转速突变时磁链波形对比如图7所示,电压型控制系统达到稳态前有小幅的超调,而电流型控制系统无超调,直接进入稳态,且在速度突变后磁链依然不变,使铁心得到了更充分的利用。

此外,电压型异步电机控制系统是以输出电压近似正弦波为目标的,多采用正弦脉宽调制(SPWM)技术得到控制脉冲,驱动功率模块,属于电压开环控制;电流型异步电机控制系统是以输出电流近似正弦波为目标的,多采用电流滞环跟踪脉宽调制(CHBPWM)技术得到控制脉冲,驱动功率模块,属于电流闭环控制。对于交流电动机控制,实际需要保证的应该是正弦波电流,因为只有在交流电动机绕组中通入三相平衡的正弦电流才能使合成的电磁转矩为恒定值,不含脉动分量。因此,电流型控制系统比电压型控制系统动态响应更快,稳态性能更优,更适合在调速系统中应用。

5 结论

本文通过对两类自抗扰控制器实现的异步电机矢量控制系统分别进行仿真,对比其动态性能,分析造成性能差异的原因,得出应用电流源型变频器更适合于电机控制系统的结论。

摘要：异步电机是强耦合的非线性系统,采用传统的PID控制和现代控制理论难以对其进行精确控制。基于自抗扰控制技术设计的矢量控制系统可以解决参数不确定的异步电机鲁棒性差的难题。针对不同控制方案的控制效果存在差异这一问题,将各种控制系统按照所用变频器的类型不同分为控制电压型和控制电流型两大类,通过对比其动态性能,深入分析造成性能差异的原因,得出电流型控制系统更适合用于电机控制系统的结论。

关键词：自抗扰控制,矢量控制,变频

参考文献

[1]冯光,黄立培,朱东起.异步电机的新型非线性自抗扰控制器的研究[J].清华大学学报(自然科学版),1999,39(3):30-33.

[3]谢树林,李华德,郝智红.自抗扰控制器解决变频调速系统参数鲁棒性问题[J].电工技术学报,2005,20(9):61-65.

[4]韩京清.自抗扰控制器及其应用[J].控制与决策,1998,13(1):19-23.

[5]马幼捷,王新志,周雪松.基于微分几何理论和自抗扰控制技术的励磁控制器设计.电工电能新技术,2007,26(1):34-37.

[6]陈伯时.电力拖动自动控制系统[M].北京:机械工业出版社,2000.

动态自组织 篇8

自组织并不是一个新的概念，在系统理论研究中已有数十年的历史。自组织与管理学的牵手，是20世纪80年代美国系统学派从系统理论中引入的。但是，直到21世纪知识经济和移动互联网时代，自组织才在管理学中真正有了理论意义和操作层面的价值。

目前，在管理学中，自组织并没有系统的研究成果和理论，更多的是基于时代背景和组织的内外部需求而产生的实践活动。比如，海尔打造的以“小微”为基本运作单元的平台型组织正是自组织的体现。海尔生态平台上“按单聚散”人力资源管理模式，在人单合一双赢模式的基础上，提高组织开放度，释放小微组织的创新精神、进取意识和团队活力，其实质是海尔网络化战略阶段的一种开放、共享、共赢的自组织管理方式。海尔的这一实践更使自组织的组织形态和管理理念引起了中国管理界的广泛关注。

由于自组织理论的发展主要由当前的管理实践引导，管理者大部分基于其他自组织的成功经验而进行效仿，但实际上往往东施效颦，难以掌握其本质，导致了组织的松散化和无序化。

本文从自组织的概念和特征出发，探索自组织应该如何既摆脱“无组织”的误区，又不陷入传统的官僚管理的误区。本文分别从组织领导和目标管理的视角，引入分享式领导（shared leadership）和目标与关键结果法（OKR,objectives and key results）到自组织的管理中，以解决自组织当前的管理困境。

一、自组织的概念与特征

自组织理论是上世纪中期发展起来的一种系统理论，主要由耗散结构论、协同论和突变论构成。相应的，自组织是系统科学的一个重要概念，是复杂系统演化时出现的一种现象。系统论认为，自组织是指一个系统在内在机制的驱动下，自行从简单向复杂、从粗糙向精细发展，不断提高自身的复杂度和精细度的过程[1]。

从系统论的角度探索自组织的概念还是比较抽象的，为了将这一概念通俗化，可以应用组织具备的三项基本性质——目的性、整体性和开放性进行解读。自组织的目的性表现为从无序到有序的过程，通过个体不断的自我完善，提高组织对于环境的适应能力。自组织的整体性表现为个体进行自我驱动和自我决策，甚至是并行行动时，必须通过规则和系统结构来保证整个系统的一致性和稳定性。自组织的开放性则是建立自组织的前提，建立相对稳定的开放系统是保证组织不断适应外界新环境的必要条件[1]。对于这一解读进行概括，本文认为，自组织是一个组织从无序到有序的过程，是组织架构和运行模式随着外部环境进行主动适应和变换，不断协调优化的过程。

跟传统组织相比，自组织有如下五个特征：

第一，从控制方式来说，自组织采用了分布式、多中心的控制手段。不同于科层组织的一个控制中心，自组织中人人都可能成为中心，成为CEO。但是，“去中心化”不等于没有中心，只是将原有的中央集权变为多个控制中心；“分散控制”也不代表组织内部相互离散和割裂，而是表现为复杂、多向、立体的网络状态。

第二，从信息和权力传递来说，自组织是自下而上的单向传递。自组织的每一个子组织，都有掌握全套“组织运行规则”的权利，在“游戏规则”约束下，可自行决定对策和行动，并将信息传递出去。因此，在网络中的每一个独立变量，都可能会引起整体的突变，甚至演化成一个新组织[2]。

第三，从角色分工来说，自组织角色分工不明确，自生成角色、多重角色在自组织中广泛存在。一名员工在组织中不再像传统组织中基于分工体系，在固定岗位上扮演固定角色，在自组织中，一个人的角色可以是多重的、相联系的多种技能，根据组织需要发挥不同的才能，比如有时发挥一线工人的操作技能，有时发挥领导和组织协调技能，具备了这些能力，每个员工都可以成为一个中心，可以调动各种所需资源去完成一个目标。

第四，从结构形态来说，自组织是基于价值的网络结构形态，不再是过去的直线制或矩阵式结构。自组织的演变轨迹是非线性的，不确定的，没有明显的因果变化[3]。每个员工都是网络上的一个节点，自主形成小的业务单元，自主产生、决策和推动项目。

第五，从演化轨迹来说，自组织具有自我修复和自我演化的属性。一个组织，当能量耗散殆尽时，只要是开放的状态，与外部发生能量、信息的交换，就有可能起死回生、重新恢复结构和功能[2]。组织内部的运行、成长逻辑在一定条件下总是能让组织轮回再现并进化成长。

二、分享式领导在自组织中的适用性

分享式领导，也称分布式领导（distributed leadership），是指一个团队不断涌现出的正式或非正式的领导，他们之间同时进行的、相互影响的过程[4]。简单地说，分享式领导是指团队的领导力分散在组织成员之中，而非集中于一个指定的领导[5]。

分享式领导是对过去领导者个人集“权威”、“法理”、“魅力”于一身引领组织发展的一种超越，从个人领导到团队领导再到分享式领导，领导理论的发展过程已经打上了时代变迁的烙印，其内涵深刻反映了社会变革的现实。21世纪的组织团队设计、结构和功能都发生了重大改变，团队的复杂性和不确定性，知识型员工的自主性和高水平技能对塑造和参与团队的领导功能提出了更高的要求，自我管理团队更强调源自于团队而非个人的领导力的重要性，因此，领导力研究有必要从领导中心视角转移到员工中心视角。

由自组织的特征可知，传统的科层制领导是无法适用于自组织的，分享式领导才是最适合自组织管理的一种领导方式，主要基于以下两点原因：

第一，自组织本身的控制方式就是分布式的，与分享式领导的要义如出一辙。自组织由许多平等的个体单元组成，其最大魅力在于不需要一个固定权威去管理和指挥。由于资源分布在每个个体身上，很容易形成相互联接合作的网络化组织，个体之间相互借力、相互制约。但是，自组织的去中心不是绝对无中心，而是以效率为原则围绕人和事不断形成多元化的动态中心，这正是分享式领导所提倡的将领导力分散于各员工，而非集中于金字塔顶端。分享式领导的“分享”还体现在，在团队内部，领导角色可以按照项目的动态需求主动地、有意地发生转换，这与自组织中成员根据外部环境做出角色转换相一致。更重要的是，分享式领导和自组织都需要团队成员高度的认同感[6]，由衷地欣赏合作伙伴在其专业领域的才能和智慧，是他们进行合作、交互的情感基础。

第二，研究表明，与权威型领导相比，分享式领导对于员工态度和行为的提升更加有效[7]，这也正是自组织中最需要的。分享式领导需要内外部环境的配合才能发挥作用。其中内部环境需要团队有共同的目标，有相同的理解；要有团队成员间互相提供情感和心理支持；要有合作的团队氛围，以及彼此之间的信任感等。外部环境主要是外部的指导，如来自上级部门的工作指导，根据任务恰当地利用团队的集体资源，帮助他们以最佳的方式管理自己的工作和进程。自组织同样需要激发组织的活力，发挥知识型员工的作用，因此，自组织管理的首要任务是在情感上、态度上激发员工的价值创造活力和自主经营能力，引导自组织从渐进性的局部变化累积到最后的质变，带来颠覆性创新。因此，自组织的最终绩效只是次要关注点，最重要的是在分享式领导的带动下，把手中该做的工作以敬业的、合作的、积极的态度做好。

三、OKR在自组织中的适用性

OKR，目标与关键成果法，由两部分构成，分别是objectives和key results。OKR最初由Intel发明，由Google发扬光大，现应用于硅谷的诸多科技公司甚至基金公司。

OKR不同于传统的绩效考核工具KPI(key performance indicator），其实质是一个“目标管理工具”，目的是依靠员工的创造性和自主性去完成任务。OKR解决了KPI的两个缺陷：一是有些值得做的工作在计划阶段无法测量，导致无法制定目标，期末考核KPI只能造假而流于形式；二是在个人利益与组织利益冲突时，员工会为了追求个人KPI的实现而损害组织长远利益。

之所以认为OKR更适用于自组织，理由有以下三点：

第一，OKR与自组织适用的情境具有高度相似性。二者都被广泛应用于有创造性的项目，强调团队的合作性、互补性和目标一致性，依靠团队成员的创造性和自主性推动新产品的诞生和新技术的变革。OKR中的“O”是一个群体性的、引导性的愿景和目标，无法准确计算和衡量；可以进行量化的是“KRs”，这些关键结果服从并服务于“O”，当最初制定的“KRs”与目标偏离时，小团队和个人都可以随时调整“KRs”使其回到与目标一致的轨道上来。这也正是自组织所强调的共享的愿景和目标。自组织没有非常确定的战略规划和目标，所以无法用类似于KPI的工具去进行衡量，但是它有明确的战略发展方向，可以称之为愿景，它的成员都可以清晰地意识到自身存在的目的和价值。自组织需要愿景的引领，这是在无序和混沌中的方向和明灯；OKR也需要这样一个愿景，这是“O”的主要体现。因此，在自组织中使用OKR作为目标管理工具是有高度的合理性的。OKR也可以配合同级评估（peer review）等绩效考核的方法共同为实现自组织的愿景而服务。

第二，OKR与自组织都是自下而上运作的。OKR的没有量化的目标，只有统一努力的方向，使个人、团队、公司目标协调一致，具体如何实现主要依靠底层员工的创造性思维来探索和完成，使自由和方向达成平衡。在组织中，自上而下有利于执行，自下而上有利于创造，自组织侧重的，也恰恰是这样一种创造力。自组织是为了适应高度不确定性、颠覆性创新频发、迭代速度极快的外部环境而存在的，它们自动适应外部环境变化的能力依靠结构化创新、颠覆性创新来建构。正因为自组织的高度环境适应性，其演变轨迹也是突变的、非线性的，变化多来自于从底层、局部和边缘，进而引发组织整体性、颠覆性的变化。可以看出，自组织是自下而上来进行创新的，与OKR自下而上进行方案探索、信息传递、权力分享有高度一致性。

第三，OKR与自组织都要求员工具有挑战性，挖掘自身潜力。OKR鼓励员工走出舒适区，制定超出自己能力范围的“KRs”，认为完成70%是最佳状态，而100%完成不被鼓励。当然，0-100%的评分只代表完成“KRs”的百分比，不与员工的直接利益挂钩，也不会给员工很大压力，保证了真实可信。因此，员工更愿意在愿景引导下制定一个接近完美的工作计划，并尽力接近完美。在自组织中，员工没有明确分工，角色轮换、多重角色是工作中的常态。相对于固定岗位和指定任务，自组织的员工面临更大的挑战性，要求他们兼备专业知识的广度和深度，还需掌握管理等专业外技能。因此，OKR和自组织都给员工提出了更高的要求和挑战，也通过组织设计为员工发挥主动性提供便利，使得他们做出创造性的贡献。

四、分享式领导与OKR的结合对于自组织的重要性

前文对于分享式领导和OKR在自组织中的适用性依次进行了阐述，其实二者在自组织中的作用是相辅相成的。

首先，分享式领导是OKR得以执行的前提。从社会网络理论来看，分享式领导是组织成员之间相互影响的关系现象（relational phenomenon）。分享式领导是一种集体领导的模式，根据任务需要和个人能力轮换担任领导角色。OKR也是依照自下而上的顺序制定，个人首先展现个人具体需要做什么，团队展示团队优先做的事情，高层再做出对整个公司的展望。所以，只有实行网络状的分享式领导模式，才有可能在自组织中推行OKR。如果在自组织中实行直线制领导方式，很容易陷入KPI的误区，考核指标自上而下层层分解，就很难实现自组织边缘创新、自我演化、自我修复来带动企业转型的目的了。

其次，OKR是分享式领导有效性的保障。如果仅仅在自组织中推行分享式领导，容易陷入混乱的状态，尤其是在自组织初期的无序阶段。自组织是通过机制设计触动组织自发演进成长的，在这个过程中，分享式领导在不同的需求下不仅要运用自身专业技能，也要最大限度地调动团队成员的积极性，这就需要有效的激励机制作为保障。引入OKR，可以让每一个员工制定有挑战性的工作计划，团队内部彼此透明公开的OKR会极大地激发员工的内在动机，明晰团队中其他人是如何协作的，也可以更好地配合和协助主要领导者来完成任务。

总之，分享式领导和OKR可谓是自组织从无序走向有序、从粗糙走向精细的两大基石。分享式领导从组织结构上保障了自组织的分布式控制方式和自我演化的属性，OKR从制度设计上保证了自组织的协作性和系统效应，二者相互作用，相互补充，为自组织在不确定环境下的有效运转提供双重保障。

五、结论与展望

本文从移动互联网时代兴起的新组织形式——自组织出发，对自组织的概念进行了重新界定，描述了自组织的五项特征，又进一步对于自组织如何有效运转做出分析，引入了组织领导领域的分享式领导和目标管理领域的OKR制度，具体分析了二者在自组织中的适用性，并对二者在自组织中的关系做出了分析。将分享式领导和OKR应用于自组织中，对于提高自组织的环境适应能力、进行自我优化和完善有重要的作用，有了这两项保障措施，也有利于推动追求科技创新和突破性发展的组织更好地推行自组织的组织形式。

本文从实践和理论的双重视角为自组织的运行模式提供了方向，不足的是，本文的观点仅停留于理论层面，未曾进行实证分析。今后可以通过实验设计或者现场研究的方法对于此问题进行实证探索。除此之外，分享式领导和OKR只是可能对于自组织运营产生帮助的两种方式，还需要配合其他管理方式才能更好地为自组织服务，这些方式还有待进一步探索。

摘要：“自组织”的热度不断增长,成为一种炙手可热的组织形式,探索自组织正确的管理之道成为当务之急。分别从组织领导和目标管理的视角,引入分享式领导和目标与关键结果法到自组织的管理中,以解决自组织当前的管理困境。

关键词：自组织,分享式领导,OKR

参考文献

[1]孙波.自组织管理:实现组织一体化的新方式[J].中国人力资源开发,2015(8).

[2]施炜.不确定时代的自组织管理[J].中国人力资源开发,2015(8).

[3]张小峰.“自组织”——移动互联时代企业管理方式变革新举措[J].中国人力资源开发,2015(8).

[4]Pearce C L.The Future of leadership:Combining Vertical and Shared Leadership to Transform Knowledge Work[J].Academy of Management Executive,2004,18(1):47–57.

[5]Cars on J B,Teslu k P E,Mar rone J A.Share d Leadership in Teams:An Investigation of Antecedent Conditions and Performance[J].Academy of Management Journal,2007,50(5):1217-1234.

[6]Mehra A,Smith B R,Dixon A L,et al.Distributed le adership in Te ams:The Network of L e adership Perceptions and Team Performance[J].e Leadership Quarterly,2006,17(3):232-245.