客户群及个体服务选择影响因子研究

doi:10.3778/j.issn.1002-8331.1702-0070

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (13): 21-28.DOI: 10.3778/j.issn.1002-8331.1702-0070

客户群及个体服务选择影响因子研究

李冰1，2，王虎3，王锐4

1.江西师范大学软件学院，南昌 330022
2.江西师范大学管理决策评价研究中心，南昌 330022
3.武汉理工大学，武汉 430070
4.江西理工大学，江西赣州 341000

出版日期:2017-07-01 发布日期:2017-07-12

Research on influence factors of customer group and individual service selection

LI Bing1，2, WANG Hu3, WANG Rui4

1.Software College, Jiangxi Normal University, Nanchang 330022, China
2.Research Center of Management Decision Evaluation, Jiangxi Normal University, Nanchang 330022, China
3.Wuhan University of Technology, Wuhan 430070, China
4.Jiangxi University of Science and Technology, Ganzhou, Jiangxi 341000, China

Online:2017-07-01 Published:2017-07-12

摘要/Abstract

摘要： 客户在选择服务过程中，一方面会受到自身不断积累的经验的影响，另一方面也会受到群体当中其他成员意见的影响。通过研究客户个体以及客户之间的相互协作关系，得出客户群及个体服务选择的三个主要影响因子：惯性影响因子、个体影响因子和群体影响因子。通过粒子群优化算法的群体智能仿真工具，对客户服务选择的影响因子与选择结果之间的复杂非线性关系进行模拟仿真实验，通过定量数据的模拟，精确找出各个影响因子对选择结果的影响程度，选择结果对影响因子的敏感度，以及各个影响因子之间的最佳搭配比例。该研究对于优化客户与供应商服务之间双向选择提供了指导方向。

关键词: 群体智能, 粒子群优化算法, 客户群, 客户个体, 影响因子

Abstract: In the process service selection, customers will be the impact of their own continuous accumulation of experience, as well as the other member’sviews. Through analyzing the relationship of individual customer and their mutual cooperation relationship, this paper obtains three main factors of customer groups and individual service selection: inertial impact factors, individual factors and group factors. Using the particle swarm optimization algorithm, it simulates the complex nonlinear relationship between the influence factor on the selection of customer service and selection results. Through quantitative simulation data, it precisely identifies the influence degree of each influence factor, the selection results’ sensitivity on the factors, as well as optimal mix proportion between each influence factor. The research provides a direction for the optimization of the two-way selection between customers and suppliers.

Key words: swarm intelligence, Particle Swarm Optimization（PSO）, customer group, individual customer, influencing factors

李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.

LI Bing1，2, WANG Hu3, WANG Rui4. Research on influence factors of customer group and individual service selection[J]. Computer Engineering and Applications, 2017, 53(13): 21-28.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[5]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[6]	吴会会1，高淑萍1，彭弘铭2，赵怡1. 自适应模糊[C]均值聚类的数据融合算法[J]. 计算机工程与应用, 2019, 55(5): 26-35.
[7]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[8]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[9]	许德刚，赵萍. 蝙蝠算法研究及应用综述[J]. 计算机工程与应用, 2019, 55(15): 1-12.
[10]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[11]	黄霞1，2，叶春明1，郑军1. 混合改进搜索策略的鸡群优化算法[J]. 计算机工程与应用, 2018, 54(7): 176-181.
[12]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[13]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[14]	张晓凤，王秀英. 布谷鸟搜索算法综述[J]. 计算机工程与应用, 2018, 54(18): 8-16.
[15]	杨小健，徐小婷，李荣雨. 求解高维优化问题的遗传鸡群优化算法[J]. 计算机工程与应用, 2018, 54(11): 133-139.

客户群及个体服务选择影响因子研究

Research on influence factors of customer group and individual service selection

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics