[发明专利]一种基于全新商业模式下的收益权分红分配系统及分配方法

权利要求书

1.一种基于全新商业模式下的收益权分红分配方法，其特征在于，所述全新商业模式下的收益权分红分配方法包括：

采用商家营业额的及时到账技术进行分润；

采用收益权技术进行分红增值；

进行销售利润的分配，让每个消费者得到消费红利，实现商业行为的参与者、商家资源共享；

建立共享收益分配权。

2.如权利要求1所述的基于全新商业模式下的收益权分红分配方法，其特征在于，采用收益权技术进行分红增值中，

存储收益种群进化过程中得到的优势收益权方案，根据收益权方案支配关系进行维护，将熵度量作为相关度目标，相关系数作为冗余度目标用以优化数据对象，对对应特征子集被选择的次数进行降序排列，获得所有特征的重要序列，并应用于分红增值的特征选择。

3.如权利要求2所述的基于全新商业模式下的收益权分红分配方法，其特征在于，利用相关度和冗余度的概念定义一组最小化的目标函数，用以评价分红增值辐射源信号特征子集的质量；其中相关度倾向保留所有与数据结构关联紧密的特征，而冗余度则会排除与已选特征相关度高的特征；二者作为收益权技术的适应度函数；

相关度目标采用熵度量指标：

其中，N是分红增值信号数据样本的个数；a是权重系数，D_ij是样本i和样本j在x所表示的特征子集下的欧式距离；D_a表示所有样本在全空间下欧式距离的平均值。S_ij的取值必须归一化到[0，1]；当选择的特征子集合理时，样本i和样本j若属于同类，则S_ij的取值很小，反之越大；从而f₁(x)选取最小值；

冗余度目标则利用相关系数，当相关系数绝对值越小，特征子集所包含的冗余越小；目标函数定义如下：

其中，n_x表示分红增值信号特征子集的个数；d是总的特征个数；x_j和x_k分别表示x中第j个和第k个元素的取值；b_ij表示第i个样本在第j个特征上的取值，b_aj表示所有样本在第j个特征上的均值。因此，在特征子集规模确定时，冗余度小的特征子集对应的目标函数f₂(x)越小；

所述收益权技术计算Pareto前沿点，根据相关度和冗余度目标函数计算分红增值信号特征收益权方案的适应度，并求出当前字符收益权方案中的Pareto前沿点，时间复杂度为O(N²)；

初始化分润数据，Pareto前沿点数量小于预设数值R，则直接将所有点存入分润数据中；Pareto前沿点数量大于预设数值，根据公式(5)计算所有Pareto前沿点的拥挤距离，从拥挤距离最小的点开始逐一删除，直至备选存入分润数据的Pareto前沿点数量与预设数值相等；然后将这些前沿点存放在分润数据中；

式中，n表示目标函数的个数，d_i表示第i个字符对象的在收益种群中的拥挤距离，表示收益种群中第m个目标函数取得的最大值，表示收益种群中第m个目标函数取得的最小值，和是第i个字符对象在第m维两侧最临近点的第m个目标函数值，其中

调用分裂规则创建优选方案，完成准备工作后，普通方案内开始分裂生成M个优选方案；分裂优选方案数量M与分润数据的Pareto前沿点数量相等；然后将这些存档的Pareto前沿点作为该优选方案内收益种群的最优收益权方案；最后，将其余各个收益权方案放入距离自身最近的Pareto前沿点所在优选方案中，时间复杂度为O(N×R)；

优选方案内独立执行收益权技术，各个优选方案内，以最先存入分润数据内的Pareto前沿点为收益种群最优收益权方案，运用公

式X_t+1＝X_t+V_t+1和

和公式Π＝(V,T,C,μ,ω₁,…,ω_m,(R₁,ρ₁),…(R_m,ρ_m))，计算新的收益权方案速度和位置。并根据最新的位置重新计算适应度；其中，公式中，V_t，V_t+1分别是第t和第t+1次飞行的速度；X_t，X_t+1分别是经过第t和第t+1次飞行后粒子落在的位置；公式Π＝(V，T，C，μ，ω₁，L，ω_m，(R₁，ρ₁)，L n(R_m，ρ_m))中，V为字母表，其所包含元素为字符对象。它是对细胞内新陈代谢元素、物质的抽象；为输出字母表；为催化剂，这些元素在细胞进化过程中即不发生变化，也不产生新的字符。但在某些进化规则中必需有它的参与才能执行，如果不存在规则将无法被执行；μ是包含m个支付平台的支付平台结构，各个支付平台及其所围的区域用标号集H表示，H＝{1,2,…,m}，其中m称为该支付平台的度；ω_i∈V^*(1≤i≤m)表示支付平台结构μ中的区域i里面含有对象的多重集，V^*是V中字符组成的任意字符对象的集合；R_i(1≤i≤m)是进化规则的有限集，每一个R_i是与支付平台结构u中的区域i相关联的，ρ_i是R_i中的偏序关系，称为优先关系，表示规则R_i执行的优先关系。R_i的进化规则是二元组(u,v)，通常写成u→v，v中字符可以属于V也可以不属于V，但当某规则执行后产生了不属于V的字符对象时，执行该规则后支付平台被溶解；u的长度即u所含字符对象的个数称为规则u→v的半径；

完成各自的收益权技术后，各个优选方案破裂，将新产生的字符(收益权方案)重新释放到普通方案内；

计算前沿点，放入分润数据；计算所有被释放到普通方案字符的Pareto前沿点；并将这些点存入分润数据中；

计算非支配排序，更新分润数据，判断分润数据字符数量是否超出限制，如果超出限制，重新方案内所有字符的拥挤距离；从拥挤距离最小的点开始逐一删除，直至分润数据内字符数量与预设数值相等，时间复杂度为O(D×2R×log(2R))；

判断当前状态是否满足结束循环的条件；如果不满足，则继续执行；如果满足，执行输出优选方案内的所有字符步骤；

在普通方案内生成N个字符，表示提取的分红增值辐射源信号特征集个数，每个字符包含D维变量，并在满足多目标优化问题约束条件的前提下，依次对N个字符进行初始化，编码方式采用二进制编码方式；收益权方案x＝{x₁,x₂,...,x_D}的取值范围{0，1}，当取值为1时该特征被选中；初始化时，计算所有样本取值在各个特征上的方差，然后根据下面公式计算所选取的概率；

v_j表示在第j维特征上所有样本取值的方差；当P大于0.5时，该特征易于选中；

所述普通方案采用支付平台，所述支付平台的结构组成表达式如下：

Π＝(V，T，C，μ，ω₁，L，ω_m，(R₁，ρ₁)，L，(R_m，ρ_m)) (4)；

其中，V为字母表，其所包含元素为字符对象。它是对细胞内新陈代谢元素、物质的抽象；

为输出字母表；

为催化剂，这些元素在细胞进化过程中即不发生变化，也不产生新的字符；但在某些进化规则中必需有它的参与才能执行，如果不存在规则将无法被执行；

μ是包含m个支付平台的支付平台结构，各个支付平台及其所围的区域用标号集H表示，H＝{1,2,…,m}，其中m称为该支付平台的度；

ω_i∈V^*(1≤i≤m)表示支付平台结构μ中的区域i里面含有对象的多重集，V^*是V中字符组成的任意字符对象的集合；

R_i(1≤i≤m)是进化规则的有限集，每一个R_i是与支付平台结构u中的区域i相关联的，ρ_i是R_i中的偏序关系，称为优先关系，表示规则R_i执行的优先关系。R_i的进化规则是二元组(u,v)，通常写成u→v，v中字符可以属于V也可以不属于V，但当某规则执行后产生了不属于V的字符对象时，执行该规则后支付平台就被溶解了。u的长度即u所含字符对象的个数称为规则u→v的半径；

整个支付平台处于给定环境中；系统由5个以上相互关联的支付平台按层次组合而成；最外层的支付平台被称为普通方案(Skin membrane)，而不包含其它支付平台结构的支付平台叫做优选方案(Elementary membrane)；每个支付平台所包围的部分被称为区域(Regions)；

所述拥挤距离的计算公式；

式中，n表示目标函数的个数，d_i表示第i个字符对象的在收益种群中的拥挤距离，表示收益种群中第m个目标函数取得的最大值，表示收益种群中第m个目标函数取得的最小值，和是第i个字符对象在第m维两侧最临近点的第m个目标函数值，其中