基于子网络的大中型工程项目群工期提前奖励模型研究

引入子网络概念进一步划分项目群结构。将同一个承包商所承担的项目构成一个子网络,据此构建项目群子网络。分析了奖励机理,指出合同项目提前会对自身工期、所处子网络工期、紧后和后续子网络开工时间以及项目群工期等产生影响。分别讨论了在关键路径以及非关键路径上子网络内合同项目工期提前和子网络间工期提前奖励情况,并据此构建了项目群工期提前奖励模型。

项目群工期非线性奖励模型研究

进度目标控制是项目群管理的核心之一,直接影响项目群的作用和效益。现有项目群工期奖励研究普遍采用线性模型,存在激励效果不足及承包商风险控制等问题。本文以委托代理理论为研究基础,从理论上分析项目群工期提前采用非线性奖励模型的适用性;然后利用关键路径方法(CPM)分析合同项目工期提前对项目群工期的影响;针对线性模型激励不足以及未控制承包商风险等问题,通过边际递增模式的设计保证激励效用的充分性,引入最高奖励金额及边际递减模式控制承包商风险偏好,基于此构建项目群工期非线性奖励模型;结合Ú项目群,对该非线性奖励模型进行案例分析。研究成果克服了现行项目群进度提前线性奖励的不足,为制定更加科学合理的奖励机制提供理论依据。

激励理论下承包商合理化建议奖励模型

以标准施工招标文件(56号令)为依据,分析得出了承包商合理化建议奖励框架,通过分析该框架的3个组成部分,即承包商赶工、节约成本、提高工程的经济效益等的背后驱动力,揭示这3个事件中承包商如何进行均衡的过程,最终得出缩短工期奖励模型、成本节约奖励模型和经济效益奖励模型。

基于贡献度的奖励模型构建及策略分析

为解决现有奖励方式引起的对组织内排名的恶性竞争,促进科研组织团队合作,提升科研水平和核心竞争力,提出基于贡献度的奖励模型。根据科研组织的工作特点,将相关工作分为科研类和生产类,分别以不同的方式测算两类工作对组织的贡献度,据此测算奖励额度;在此基础上,建立上下一致的绩效奖励管理规则,使得科研团队和成员获得的奖励额度取决于其对组织的贡献,从而有利于同时实现组织利益、团队利益和个人利益。

自我控制的奖励模型与神经机制

随着最近几年研究的进展,对于自我控制的有限资源模型产生了越来越多的争论:血糖的具体作用机制不清晰,自我损耗效应重复实验结果的不理想,没有考虑到个体的信念、意愿等心理因素。在各种竞争模型中,行为经济学的决策模型,能够较好地解释行为实验的结果,也有来自神经机制上的大量研究的支持。未来的研究可以在决策模型的基础上,对自我控制现象加以研究,并重点关注自我控制特质的神经机制和来自先天后天的影响因素。

项目群视角下大中型工程合同项目工期奖励模型

项目群进度目标控制是项目群管理的主要任务之一,它是影响项目群能否如期发挥功能和经济效益的关键因素,项目群进度目标取决于合同项目进度目标.从项目群视角,通过分析合同项目工期奖励机理,利用关键路径法(critical path method,CPM)对合同项目工期进行研究,重点探讨了合同项目工期对项目群工期所产生的影响,包括对合同项目自身、项目群关键节点以及项目群等三个方面的影响,据此构建了项目群视角下合同项目工期的奖励模型,并分析了该奖励模型的特点.结合南水北调东线工程宝应站项目群,对合同项目工期奖励模型进行了实证分析.研究成果克服了单项目视角下现行合同项目工期奖励办法的不足,从而为科学、合理地制定合同项目工期奖励办法提供理论依据.

多阶多维奖金激励模型及应用

激励理论有行为主义激励理论、认知派激励理论和综合型激励理论;从激励载体角度分为物质激励和精神激励。如何在这些激励理论、理论模型、载体等纷繁的信息资料,找出一种简单、有效、可执行的奖金激励模型?基于此,通过相关理论的指导、实践应用的尝试、实践经验的积累和不同层次人员(包括企业的股东、管理人员、基层员工)的沟通反馈,总结出多阶多维奖金激励模型,并充分讲述该模型如何构建和应用,奖金如何计算、分配和发放。

产业集群与群内企业优势共建互动模型及制度安排研究

从"优势互动"奖励模型中,我们发现集群"聚集效应"的大小决定了集群对群外企业吸引力的大小,同时也影响着集群的成长速度和内部企业竞争力的大小。而"聚集效应"的大小又取决于集群的内部网络结构关系以及集群的软硬件环境,因而优化产业集群发展的软硬环境和集群的内部结构,对推动产业集群的迅速成长、扩大集群的"聚集效应"有着至关重要的作用。

民营企业产业集群与群内企业优势共建互动模型探讨

产业集群竞争优势与群内企业竞争优势存在着螺旋式互动和强化关系,据此,本文构建了二者相互作用的"优势互动"奖励模型,借助模型分析了集群对企业行为提出的要求,并进一步解释了企业参与集群优势共建的动因。

基于深度强化学习的变电站巡检机器人自动化控制方法研究

针对变电站巡检机器人在传统运动规划方法下存在的难以规划出平滑路径、不确定环境下动作不可测等问题,提出研究不确定条件下的变电站巡检机器人运动规划问题的深度强化学习方法。文中分析了深度学习中奖励值模型II、探索策略和神经网络结构对整个运动规划的影响,设计了不同结构的神经网络,并开展了相关的对比实验。结果表明,在当前任务场景下,相同的运算量神经网络结构C2比神经网络结构C1和神经网络结构C3的计算时间要短。因此,在计算资源短缺时,建议采用神经网络结构C2,更有利于对变电站巡检机器人进行精准的运动规划,提高自动化控制效率。