引論：我們?yōu)槟砹?3篇量子計算意義范文，供您借鑒以豐富您的創(chuàng)作。它們是您寫作時的寶貴資源，期望它們能夠激發(fā)您的創(chuàng)作靈感，讓您的文章更具深度。

篇1

Optimal Knowledge Distribution Based on the Quantum Genetic Algorithm

ZHANG Wei, HE Rong

(Yunnan Medical College, Kunming 650051, China)

Abstract: Researched the question about knowledge distribution of intelligent examination system, based on the theory of quantum computing, applied quantum genetic algorithm, to improve the strategy of knowledge distribution optimization for better coverage and efficiency.

Key words: quantum algorithm; genetic algorithm; intelligent optimization; test system

智能組卷是一種新型的計算機考試系統(tǒng)。試卷由撒布在測試區(qū)域內(nèi)的考題按一定出題規(guī)則自組織而成, 這些考題具有一定的代表性,能檢測出學生對考察科目知識的學習掌握情況。考試系統(tǒng)中,考題的分布以及組織對于提高系統(tǒng)的測試水平具有重要的意義。傳統(tǒng)的考試系統(tǒng)知識分布有兩種策略,一種是人工規(guī)劃(Planning模式),另一種是大規(guī)模的隨機分散(Scattering模式)。前者缺乏靈活性與多樣性,且效率低下,不適宜計算機組卷等大規(guī)模考試。而后者若要取得較好的分布,就必須設(shè)置遠多于實際需要的考題才能較完整地覆蓋考察科目的測試區(qū)域,這與試卷中題目數(shù)量的有限性是相互矛盾的,試卷中可能存在考題不合理分布造成的測試陰影和盲區(qū)。因此考題的合理分布對智能考試系統(tǒng)的測試效果有重要的作用。盡管針對考試系統(tǒng)國內(nèi)外進行大量的組卷算法研究,但對于知識點的分布優(yōu)化問題研究工作還很少,很多研究運用傳統(tǒng)遺傳算法組卷[1],優(yōu)化效果不盡理想。針對此問題,本文應(yīng)用量子遺傳算法優(yōu)化知識點的分布,克服測試陰影和盲區(qū),使考試系統(tǒng)更大范圍地測試到更有效的學生學習信息。

1 知識覆蓋問題

通過對考試科目的學習,學生學習掌握的知識儲存在頭腦中。由于學生個體之間的學習差異,導致每個學生大腦中儲存和掌握的情況具有不確定性。考試的目的在于,通過試卷測試對學生學習情況做出相對確定的評價。科目知識是相對固定的,我們總是將科目知識當作圖譜,按圖索驥地構(gòu)造出試卷去測試學生大腦中相關(guān)區(qū)域中知識的學習掌握情況,即是否掌握,掌握水平如何等。但在目標試卷生成以前,題庫中的考題相對與目標試卷而言表現(xiàn)為存在或不存在兩種可能形態(tài)。基于此,本文引入量子態(tài)對考題進行描述、編碼和處理。

1.1 試卷分布構(gòu)成

試卷覆蓋是指由計算機考試系統(tǒng)生成一組考題集合(試卷)對測試區(qū)域各個知識點的涵蓋。試卷的目的是系統(tǒng)地測試和評價試卷覆蓋知識區(qū)域內(nèi)學生的學習情況,并對這些數(shù)據(jù)進行處理,獲得詳盡而準確的信息,傳送到需要這些信息的教師和教學管理部門。

考題是由考點以問題的形式構(gòu)成的。其中考點與考試科目的相關(guān)知識點對應(yīng)。因此考題的分布是考試系統(tǒng)獲取學生學習信息的關(guān)鍵因素之一,其覆蓋范圍以及分布優(yōu)化也隨之成為研究領(lǐng)域中的重點。

1.2 試卷覆蓋問題

試卷由數(shù)量有限的考題組成,每道考題包含若干有針對性的知識點所設(shè)置的考點。這些考點形成了考題的測試范圍。如何組織試卷完成對目標區(qū)域的檢測,就是考試系統(tǒng)覆蓋性的問題。考題分布優(yōu)化的任務(wù)就是在保持試卷結(jié)構(gòu)完整的前提下,動態(tài)調(diào)整考題組成,以獲得盡可能大的覆蓋率,也就是使試卷能獲得更廣泛的信息。在保持考點充分覆蓋的前提下,引入以下定義。

假設(shè)考察科目所涵蓋的知識范圍用集合S表示,組成每套試卷的考題用集合Q={qi,i=1,2,...,n}表示,每道考題測試的知識范圍為ci,試卷的測試目標知識區(qū)域為A,(A?哿S),則理想的探測效果為。設(shè)為試卷有效覆蓋知識區(qū)域的度量(考點數(shù)),d2=A為目標科目知識區(qū)域的度量(知識點數(shù)),則稱ρ=d1/d2為試卷覆蓋度。

覆蓋性問題不僅反映了試卷所能測試的范圍,而且通過合理的覆蓋控制還可以使試卷中的考題組合得到優(yōu)化,提高試卷的命題質(zhì)量。

1.3 約束條件

我們采用以下公理化方式對知識覆蓋問題進行描述(目標):在考題集合Q={q1,q2,...,qn}中求一個子集T作為試卷,使得滿足以下約束條件。

① 各考題滿足試卷總體約束條件;

② 試卷覆蓋度ρ最大;

③ 考題數(shù)目T為最少。

3 量子遺傳算法的考題分布優(yōu)化

試卷的考題分布優(yōu)化是一個多目標優(yōu)化問題 ,需要在考題數(shù)與知識覆蓋率之間達到平衡。即在保持試卷中考題數(shù)目與題型符合命題要求的情況下,盡可能增加試卷的知識覆蓋度,使考題獲取最廣泛的測試信息。

3.1 量子遺傳算法

量子遺傳算法是量子計算與遺傳算法相結(jié)合的產(chǎn)物。它以量子計算的一些概念和理論為基礎(chǔ),用量子比特編碼來表示染色體,用量子門作用和量子門更新來完成進化搜索[2]。

我們根據(jù)考題在科目知識中的分布和權(quán)重(主要是指命題價值)按字典序編號,形成知識地圖的坐標。由于題庫中的考題在目標試卷生成以前具有不確定性,即在目標試卷中既可能存在,也可能不存在。這符合量子力學中的測不準原則。我們對這些編號進行量子編碼,并用量子遺傳算法在命題規(guī)則的約束下進行知識分布優(yōu)化。

3.1.1 量子編碼

1) 量子態(tài)引入

我們用Dirac算符|>和|>分別表示考題在目標試卷中表現(xiàn)為存在或不存在的兩種可能形態(tài)。若用“1”表示存在,用“0”表示不存在。考題以疊加態(tài)的形式存在。即將一個量子比特可能處于|0>和|1>之間的中間態(tài)。可表示為:

|Ψ>=α|0>+β|1> (2)

其中α和β分別是|0>和|1>的概率幅,且滿足下列歸一化條件:

|α|2+|β|2=1(3)

式(3)中,|α|2表示量子比特的觀測值在|0>狀態(tài)的概率投影,|β|2表示量子比特的觀測值在|1>狀態(tài)的概率投影。

定義2.1滿足式(2)和式(3)的一對實數(shù)α、β稱為一個量子比特的概率幅,記為[α,β]T。

定義2.2角度ζ(ζ∈[-π/2,π/2])定義為一個量子比特的相位,即ζ=arctan(β/α)。

2) 染色體量子編碼

我們從題型、章節(jié)、考題三個方面對試卷的染色體及種群進行量子編碼。

其中,m為染色體的基因個體表示知識分布數(shù)量(章節(jié)數(shù));k為每個基因的量子比特數(shù)表示每道題的屬性數(shù)量。n個這樣的個體構(gòu)成的種群Q(t)={q1t,q2t,...,qnt}表示試卷,其中n為題型數(shù)量。

3.1.2 量子旋轉(zhuǎn)門

量子旋轉(zhuǎn)門是實現(xiàn)演化操作的執(zhí)行機構(gòu)。[3-5]圖1為量子旋轉(zhuǎn)門示意圖。

其操作規(guī)律如下:

θi=k*f(αi,βi) (6)

其中k是一個與算法收斂速度有關(guān)的系數(shù),k的取值必須合理選取,如果k的取值過大,算法搜索的網(wǎng)格就很大,容易出現(xiàn)早熟現(xiàn)象,算法易于收斂于局部極值點,反之,如果 k 的取值過小,則搜索速度太慢甚至會處于停滯狀態(tài)。因此,本文將k視為一個變量,將k定義為一個與進化代數(shù)有關(guān)的變量,如,其中t為進化代數(shù),max t是根據(jù)待求解的具體問題而設(shè)定的一個常數(shù),因此k可以根據(jù)進化代數(shù)合理地調(diào)整網(wǎng)格大小。

函數(shù)f(αi,βi)的作用是使算法朝著最優(yōu)解得方向搜索。本文采用表1的搜索策略。其原理是使當前解逐漸逼近搜索到的最佳解,從而確定量子旋轉(zhuǎn)門的旋轉(zhuǎn)方向。其中符號e表示α和β的乘積,即e=α*β,e的正負值代表此量子比特的相位ζ在平面坐標中所處的象限。 如果 e的值為正,則表示ζ處于第一、三象限,否則處于第二或第四象限。

在表1中,α1和β1是搜索到的最佳節(jié)的概率幅,α2和β2是當前解的概率幅,當e1,e2同時大于0時,意味著當前解和搜索到的最佳解均處于第一或第三象限。當|ζ1|>|ζ2|時,表明當前解應(yīng)朝著逆時針方向旋轉(zhuǎn),其值為 +1,反之為 -1。同理可推出其他三種情況。

這樣,量子門的更新過程可以描述為qjt+1=G(t)*qjt其中,上標t為進化代數(shù),G(t)為第t代量子門,為第t代某個個體的概率幅,qjt+1為第t+1代相應(yīng)個體的概率幅。

3.1.3 量子遺傳算法流程(見圖2)

①初始化種群,種群Q={q1,q2,...,qn},其中qj為種群中的第 j 個個體。 令種群中全部的染色體基因(αi,βi) (i=1,2,...,m)都被初始化為,這意味著一個染色體所表達的是其所有可能狀態(tài)的等概率疊加。同時初始化進化代數(shù)t=0。

②量子坍塌法測量:對處于疊加態(tài)的量子位進行觀測時,疊加態(tài)將因此受到干擾,并發(fā)生變化,稱為坍塌。擾動使為疊加態(tài)坍縮為基本態(tài)。確定種群大小n和量子位的數(shù)目m,包含n個個體的種群通過量子坍塌,得到P(t),其中為第t代種群的第j個解(即第j個個體的測量值),表現(xiàn)形式為長度m為的二進制串,其中每一位為0或1。(量子坍塌即對Q進行測量,測量的步驟是生成一個[0,1] 之間的隨機數(shù),若其大于概率幅的平方,則測量結(jié)果值取1,否則取0。

③群體的適應(yīng)度評價,保存最優(yōu)解作為下一步演化的目標值。

④算法進入循環(huán)。首先判斷是否滿足算法終止條件,如果滿足,則程序運行結(jié)束;否則對種群中個體實施一次測量,獲得一組解及其相應(yīng)的適應(yīng)度。

⑤根據(jù)當前的演化目標,運用量子旋轉(zhuǎn)門進行調(diào)整更新,獲得子代種群。調(diào)整過程為根據(jù)式(6)計算量子旋轉(zhuǎn)門的旋轉(zhuǎn)角,并應(yīng)用式(5)作用于種群中的所有個體的概率幅,即更新Q。

⑥群體災(zāi)變:當接連數(shù)代的最優(yōu)個體為局部極值,這時就實行群體災(zāi)變操作,即對進化過程中的種群施加一個較大擾動,使其脫離局部最優(yōu)點,開始新的搜索。具體操作為:只保留最優(yōu)值,重新生成其余個體。

⑦迭代與終止進化代數(shù)t'=t+1,算法轉(zhuǎn)至式(2)繼續(xù)執(zhí)行,直到算法結(jié)束。

4 仿真試驗

為了驗證算法的有效性,我們對傳統(tǒng)遺傳算法(CGA)與量子遺傳算法(QGA)所獲得的考題知識覆蓋度進行仿真對比。我們將考題對考查科目所含知識的覆蓋問題簡化為:用12個半徑為200的圓所代表的考題去覆蓋一塊1200×1000的二維平面內(nèi)用矩形代表的知識區(qū)域;種群個體數(shù) P = 45,量子位數(shù)目 m = 30,運行 600 代。算法運行結(jié)果對照如下。

從圖3所示考題知識分布優(yōu)化中覆蓋度的變化特性可以看出在不同階段的變化中,量子遺傳算法優(yōu)化性能高于傳統(tǒng)遺傳算法而且穩(wěn)定性也更強。

5 結(jié)論

在試卷中存在考題不合理分布造成的測試陰影和盲區(qū)。通過量子遺傳算法優(yōu)化考題分布,使其在保證命題要求的情況下,用最少的考題取得最大的覆蓋率,可以有效地消除探測區(qū)域內(nèi)的陰影和盲點。仿真結(jié)果也表明,算法能夠較好地完成試卷考題的分布優(yōu)化,從而有效提高試卷的測試能力,對于實際的試卷命制提供了可靠的解決方案和調(diào)整依據(jù)。本文提出了創(chuàng)新性的考題分布的優(yōu)化方法,即確立了試卷的覆蓋模型,并以此為目標函數(shù),運用量子遺傳算法對考題分布進行優(yōu)化。

參考文獻:

[1] 張維,何蓉. 基于參數(shù)估計的遺傳算法組卷研究[J]. 云南民族大學學報,2009,18(3):276-278.

[2] Donald A.Prospective Algorithms for Quantum Evolutionary Computation[C].Proc of the 2nd Quantum Interaction Symposium (QI-2008), College Publications, UK, 2008.

篇2

《企業(yè)會計準則第3號――投資性房地產(chǎn)》規(guī)定:投資性房地產(chǎn)是指為賺取租金或資本增值,或者兩者兼有而持有的房地產(chǎn)。因此,判斷一項資產(chǎn)是否屬于投資性房地產(chǎn),重要的是看該房地產(chǎn)帶來的經(jīng)濟利益是否能夠獨立于其他資產(chǎn)。如果能夠?qū)⑼顿Y性房地產(chǎn)產(chǎn)生的經(jīng)濟利益與其他資產(chǎn)產(chǎn)生的經(jīng)濟利益區(qū)別開來,則可將該資產(chǎn)單列為投資性房地產(chǎn),比如,己出租的土地使用權(quán)、持有并準備增值后轉(zhuǎn)讓的土地使用權(quán)以及出租的建筑物都屬于投資性房地產(chǎn)的核算范圍。

根據(jù)投資性房地產(chǎn)準則的規(guī)定,投資性房地產(chǎn)應(yīng)當按照成本進行初始確認和計量。在后續(xù)計量時,通常應(yīng)當采用成本模式,只有存在確鑿證據(jù)表明投資性房地產(chǎn)的公允價值能夠持續(xù)可靠取得的,才可以采用公允價值模式。但是,同一企業(yè)只能采用一種模式對所有投資性房地產(chǎn)進行后續(xù)計量,不得同時采用兩種計量模式。由于投資性房地產(chǎn)的計量可以采用成本模式和公允價值模式,因此,在后續(xù)計量、轉(zhuǎn)換、處置及納稅調(diào)整方面就會存在差異。

二、 投資性房地產(chǎn)計量模式的后續(xù)計量差異

例1.20×5年12月,甲公司購入寫字樓一幢對外出租。12月10日甲公司與乙公司簽訂了經(jīng)營租賃合同,合同約定,租期3年,乙公司每月支付甲公司租金10萬元。寫字樓購入價1200萬元,按照直線法計提折舊,使用壽命為20年,預(yù)計凈殘值為零。20×6年12月31日,這幢樓發(fā)生減值跡象,經(jīng)減值測試,其可回收金額為1000萬元。甲公司投資性房地產(chǎn)采用成本模式進行后續(xù)計量。

甲公司的帳務(wù)處理如下:

①每月計提折舊:1200÷20÷12=5(萬元)。借:其他業(yè)務(wù)成本5萬元;貸:投資性房地產(chǎn)累計折舊5萬元

②確認租金:借:銀行存款10萬元;貸:其他業(yè)務(wù)收入10萬元

③計提減值準備:1200-5×12-1000=140(萬元)。借:資產(chǎn)減值準備140萬元;貸:投資性房地產(chǎn)減值準備140萬元

例2.興鴻房地產(chǎn)經(jīng)營開發(fā)公司與大成公司簽訂協(xié)議,將其新開發(fā)房屋一幢租賃給大成公司,租賃3年,20×6年6月1日正式交付大成公司使用。交付時該幢房屋開發(fā)成本5000萬元,至12月31日,該房屋公允價值5200萬元。興鴻公司投資性房地產(chǎn)采用公允模式進行后續(xù)計量。

興鴻公司帳務(wù)處理如下:

20×6年12月31日,按照公允價值為基礎(chǔ)調(diào)整其帳面價值,公允價值與帳面價值的差額計入當期損益。借:投資性房地產(chǎn)――公允價值變動200萬元;貸:公允價值變動損益200萬元。

如果公允價值下降,作與此相反會計分錄。

從上述會計處理我們看出:投資性房地產(chǎn)采用成本模式進行后續(xù)計量的,應(yīng)當按期(月)計提折舊或攤銷,存在減值跡象的,應(yīng)當按照資產(chǎn)減值準則的有關(guān)規(guī)定,進行減值測試,發(fā)生減值的,應(yīng)當計提減值準備,已經(jīng)計提減值準備的投資性房地產(chǎn),其減值損失在以后的會計期間不得轉(zhuǎn)回。投資性房地產(chǎn)采用公允價值模式進行后續(xù)計量的,不計提折舊或攤銷,應(yīng)當以資產(chǎn)負債表日的公允價值計量。資產(chǎn)負債表日,公允價值與其帳面余額的差額,記入當期損益。

三、 投資性房地產(chǎn)計量模式的轉(zhuǎn)換差異

企業(yè)必須有確鑿證據(jù)表明房地產(chǎn)用途發(fā)生改變,才能將投資性房地產(chǎn)轉(zhuǎn)換為非投資性房地產(chǎn)或者將非投資性房地產(chǎn)轉(zhuǎn)換為投資性房地產(chǎn),比如,出租的商務(wù)樓改為自用辦公樓、經(jīng)營管理的酒店整體出租給第三方經(jīng)營、作為存貨的房地產(chǎn)改為出租等。

例3.沿用例1資料,20×8年12月9日,甲公司將租給乙公司的寫字樓收回自用。20×7年至20×8年該寫字樓未再發(fā)生資產(chǎn)減值現(xiàn)象。

甲公司帳務(wù)處理如下:寫字樓收回時,己提折舊1200÷20+1000÷19×2=165.26萬元。借:固定資產(chǎn)1200萬元,投資性房地產(chǎn)累計折舊165.26萬元,投資性房地產(chǎn)減值準備140萬元,貸:投資性房地產(chǎn)1200萬元,累計折舊165.26萬元,固定資產(chǎn)減值準備140萬元。

成本模式下,非投資性房地產(chǎn)轉(zhuǎn)換為投資性房地產(chǎn),按上述相反分錄進行會計處理。

例4.沿用例2資料,20×9年5月31日,興鴻公司收回租賃給大成公司的房屋用作辦公樓。該房屋20×7年公允價值6000萬元、20×8年公允價值7000萬元,興鴻公司己對公允價值的變動進行了帳務(wù)處理。轉(zhuǎn)換日,辦公樓公允價值7300萬元。

興鴻公司帳務(wù)處理如下:5月31日,辦公樓公允價值變動2000萬元。借:固定資產(chǎn)7300萬元;貸:投資性房地產(chǎn)――成本5000萬元,投資性房地產(chǎn)――公允價值變動2000萬元,公允價值變動損益300萬元。

例5.20×9年6月,甲公司準備將其位于市中心的一幢自用房屋整體出租,并與乙公司簽訂了租賃協(xié)議,租憑開始日為20×9年7月1日,租賃期為5年。20×9年7月1日,該樓原值為2000萬元,己提折舊800萬元。假如甲企業(yè)投資性房地產(chǎn)采用公允價值模式計量,

①第一種情形:租賃日,該幢樓的公允價值1500萬元。

甲企業(yè)的帳務(wù)處理如下:借:投資性房地產(chǎn)1500萬元,累計折舊800萬元;貸:固定資產(chǎn)2000萬元,資本公積――其他資本公積300萬元。

②第二種情形:租賃日,該幢樓的公允價值1000萬元。

甲企業(yè)的帳務(wù)處理如下:借:投資性房地產(chǎn)1000萬元,累計折舊800萬元,公允價值變動損益200萬元;貸:固定資產(chǎn)2000萬元。

從上述會計處理中看出:投資性房地產(chǎn)轉(zhuǎn)換過程中,采用成本模式下,投資性房地產(chǎn)與固定資產(chǎn)、無形資產(chǎn)之間的轉(zhuǎn)換是按投資性房地產(chǎn)的帳面余額進行結(jié)轉(zhuǎn),與存貨之間的轉(zhuǎn)換,應(yīng)按帳面價值結(jié)轉(zhuǎn),因此,一般不會對當期損益產(chǎn)生影響。而在公允價值模式下,投資性房地產(chǎn)轉(zhuǎn)換為自用房地產(chǎn),應(yīng)當按轉(zhuǎn)換日的公允價值作為自用房地產(chǎn)的帳面價值,公允價值與投資性房地產(chǎn)的帳面價值的差額計入當期損益,對當期損益產(chǎn)生影響;非投資性房地產(chǎn)轉(zhuǎn)換為投資性房地產(chǎn),如果在轉(zhuǎn)換日,公允價值小于非投資性房地產(chǎn)帳面價值,按其差額計入當期損益,會對當期損益產(chǎn)生影響;如果在轉(zhuǎn)換日,公允價值大于非投資房地產(chǎn)帳面價值,按其差額計入資本公積,就會對所有者權(quán)益產(chǎn)生影響。

四、 投資性房地產(chǎn)計量模式的處置差異

當投資性房地產(chǎn)被處置,或者永久退出使用且預(yù)計不能從其處置中取得經(jīng)濟利益時,應(yīng)當終止確認該投資性房地產(chǎn)。

例6:大成公司對投資性房地產(chǎn)采用成本模式計量。2×10年5月,將其持有以備增值后轉(zhuǎn)讓的土地使用權(quán)出售給興鴻公司,售價為6000萬元。土地使用權(quán)帳面余額4000萬元,己累計攤銷1000萬元。大成公司己收到價款6000萬元。假設(shè)不考慮相關(guān)稅費。

大成公司帳務(wù)處理如下:

①借:銀行存款6000萬元;貸:其他業(yè)務(wù)收入6000萬元。

②借:其他業(yè)務(wù)成本3000萬元,投資性房地產(chǎn)累計折舊(攤銷)1000萬元;貸:投資性房地產(chǎn)――土地使用權(quán)400萬元。0

例7:華為公司投資性房地產(chǎn)采用公允價值模式進行計量 。2×10年3月,將其自用辦公樓后轉(zhuǎn)為投資性房地產(chǎn)的樓房出售給雙雄公司,售價為8000萬元。該辦公樓在轉(zhuǎn)換為投資性房地產(chǎn)時,由于公允價值大于固定資產(chǎn)的帳面價值,按其差額計入“資本公司――其他資本公積”200萬元。出售時,該投資性房地產(chǎn)帳面價值6000萬元,其中:成本5000萬元,公允價值變動1000萬元,價款己收。

華為公司帳務(wù)處理如下:

①借:銀行存款8000萬元;貸:其他業(yè)務(wù)收入8000萬元。

②借:其他業(yè)務(wù)成本6000萬元;貸:投資性房地產(chǎn)――成本5000萬元,投資性房地產(chǎn)――公允價值變動1000萬元。

同時,將轉(zhuǎn)換日計入資本公積、投資性房地產(chǎn)累計公允價值變動損益轉(zhuǎn)入其他業(yè)務(wù)收入:

③借:資本公積――其他資本公積200萬元;貸:其他業(yè)務(wù)收入200萬元

④借:公允價值變動損益1000萬元;貸:其他業(yè)務(wù)收入1000萬元。

從上述會計處理看出:對投資性房地產(chǎn)進行處置時,在成本模式下,將投資性房地產(chǎn)帳面價值、己計提的折舊或攤銷結(jié)轉(zhuǎn)當期損益。在公允價值模式下,除將投資性房地產(chǎn)的帳面價值結(jié)轉(zhuǎn)當期損益外,同時,要將投資性房地產(chǎn)累計公允價值變動轉(zhuǎn)入當期損益;如果處置的投資性房地產(chǎn)是從非投資性房地產(chǎn)轉(zhuǎn)換來的,轉(zhuǎn)換時,公允價值大于非投資性房地產(chǎn)的帳面價值的,則要將轉(zhuǎn)換時原計入資本公積的部分結(jié)轉(zhuǎn)當期損益。

五、 投資性房地產(chǎn)計量模式下納稅調(diào)整的差異

在采用成本模式下,如果企業(yè)采用的折舊政策與稅法一致,不用進行納稅調(diào)整,如果不一致,則需要對企業(yè)折舊額與稅法規(guī)定的折舊額的差額進行納稅調(diào)整。在采用公允價值模式下,不僅要對投資性房地產(chǎn)按稅法規(guī)定的折舊年限應(yīng)計提的折舊進行納稅調(diào)整,還要對投資性房地產(chǎn)在資產(chǎn)負債表日公允價值與帳面價值的差額計入當期損益的金額進行納稅調(diào)整,而且隨著該項投資性房地產(chǎn)的存在,每年都需要進行相應(yīng)調(diào)整。

參考文獻:

篇3

ZHU Xun

(Department of Computer Science & Technology, Chengdu University of Information & Technology, Chengdu 610225, China)

Abstract: In view of network traffic self-similarity, reference to the two main available measures to deal this characteristic, this paper put forward a new queue management algorithm for the characteristic. The algorithm consists of buffer management strategy and queues scheduling strategy. The new queue management algorithm uses a new method which is named as "pseudo-expansion buffer zone". The "pseudo-expansion" strategy keeps the total buffer zone unchanged, but adds anther queue for dealing with self-similar burst traffic. For "expanded" buffer, new queue scheduling algorithm is based on static priority and round-robin. form the theoretical analysis, the new queue management algorithm is useful when dealing self-similar network traffic.

Key words: self-similarity; buffer management algorithm; queue scheduling algorithm; pseudo-expansion; burst

通過大量的網(wǎng)絡(luò)測量和分析證實了:Internet業(yè)務(wù)流(如LAN[1]、WAN[2]、Web[3]流量)在所有時間尺度均呈現(xiàn)自相似特性(Self-Similarity)。自相似突出表現(xiàn)為業(yè)務(wù)的突發(fā):沒有一個明確、本質(zhì)的長度,從微秒到分鐘,從分鐘到小時,數(shù)據(jù)流的突發(fā)性并不隨著時間規(guī)模的增大而變?nèi)?不同時間標度數(shù)據(jù)流都表現(xiàn)出相似的突發(fā)特性[4]。在自相似流量下,基于傳統(tǒng)的排隊模型、泊松流模型、Markov鏈模型等網(wǎng)絡(luò)流量模型的隊列調(diào)度策略和分組交換算法已經(jīng)不太適應(yīng)。眾多專家學者對自相似流量下的分組交換算法做相當多的研究,提出了一些更合適于的數(shù)據(jù)包調(diào)度、交換算法,如:基于動態(tài)優(yōu)先級和基于服務(wù)概率的隊列管理算法[5]。

在自相似網(wǎng)絡(luò)環(huán)境中,如果要得到較高有效緩存利用率或低溢出概率,可以采用以下兩種方法:一種是增加路由器緩存容量;另一種是采用有效的隊列管理算法。但使用第一種方法有如下缺點:當大容量緩存都被充滿時,所有連接上的延遲都將急劇增大;突發(fā)聚集成更大的突發(fā),導致?lián)砣^續(xù)拖延下去,因此增加緩存容量并不能有效降低溢出概率。因此,如何改進隊列管理算法成為眾多學者關(guān)注的焦點。

受文獻[5]及其他基于動態(tài)優(yōu)先級的隊列管理算法的啟發(fā),本文提出了基于“偽擴充”的隊列管理算法。

1 新隊列管理算法介紹

該文提出的基于“偽擴充”的隊列管理算法由兩部分構(gòu)成:一是隊列緩沖區(qū)“偽擴充”,另一是針對擴充后的隊列調(diào)度算法。

1.1 緩沖區(qū)管理算法

在應(yīng)對自相似突發(fā)流量的解決方法中有一種可用的方法是擴大緩沖區(qū)容量,“偽擴充”隊列管理算法結(jié)合了這種的思想。“偽擴充”策略是在保持隊列緩沖區(qū)總大小不變的情況下,按照一定策略,從原有緩沖區(qū)隊列中,對各個隊列進行適當比例的空間截取,把這些截取的空間進行拼接成一個新的隊列,即為“擴充”了緩沖區(qū)。再結(jié)合隊列管理算法,提高自相似流量下隊列緩沖區(qū)的利用率。“擴充”的新隊列用于輔助每一個隊列應(yīng)對突發(fā)的自相似網(wǎng)絡(luò)流量,相當于擴大了單個隊列的容量。

緩沖區(qū)截取的策略:假設(shè)原有緩沖區(qū)共分i個隊列,其中每個隊列的大小為p單位。新的算法是把i個隊列的緩沖區(qū)進行截短,設(shè)截取參數(shù)為a,把截取的i段緩沖區(qū)組合成一個隊列,如果使得合并的新隊列大小和截取操后的原隊列的大小保持相近,則a的取值為1/(i+1)。轉(zhuǎn)化效果如圖1所示。

緩沖區(qū)按照圖1所示意的“擴充”策略轉(zhuǎn)化后,當某類型業(yè)務(wù)流對應(yīng)的隊列滿后,新隊列作為原隊列的一個后備隊列,這樣相當于給原有隊列增大到原來的2i/(i+1)倍。

數(shù)據(jù)包從分類器進入相應(yīng)優(yōu)先級的隊列,當相應(yīng)的隊列滿后,后續(xù)的數(shù)據(jù)包進入第n+1個隊列(即為新隊列)中,如果第n+1個隊列也為滿的情況下,對后續(xù)數(shù)據(jù)包做簡單的丟棄。

1.2隊列調(diào)度算法

對于隊列服務(wù)管理常用的有兩類,一種是基于通用處理機共享,一種是基于輪詢。這兩類算法存在一個共同的問題, 即需要執(zhí)行基于數(shù)據(jù)包的權(quán)重計算,其中對基于GPS的算法, 需要對每個數(shù)據(jù)包進行虛時間計算;而基于動態(tài)優(yōu)先級的輪詢類算法, 每發(fā)送一個數(shù)據(jù)包就需要重新計算權(quán)重參數(shù)。對比兩種算法的計算復雜度,基于輪詢的算法更小,所以本文提出的隊列調(diào)度策略基于輪詢算法。

本論文提出的算法的隊列管理策略如下:給緩沖區(qū)中各個隊列進行優(yōu)先級設(shè)定,以及時間片分配,每個隊列分配到的優(yōu)先級和時間片作為一個常量。如緩沖區(qū)共有隊列n個,“擴充”后則為n+1個,對n個隊列進行優(yōu)先級分配,第一個隊列優(yōu)先級設(shè)定為1,也即為最低優(yōu)先級,時間片分配t1個單位;第二個優(yōu)先級設(shè)定為2,時間片分配t2個單位;以此類推至第n個隊列。第n+1個隊列(即為新隊列)調(diào)度算法按照隊列分配的時間片進行,兼顧緩沖區(qū)原有隊列的時間片分配,新隊列的時間片分配原則按照平均的原則,做原有隊列分配時間片和的平均值。新隊列的優(yōu)先級定位0,其時間片分配按tn/i個單位,即按照中等優(yōu)先級隊列分配時間片。

隊列輪詢服務(wù)算法流程如下:

1)對隊列的執(zhí)行為從優(yōu)先級最高的隊列開始,設(shè)置一個變量index值為n(變量index用于存儲當前接受服務(wù)隊列優(yōu)先級,也即是指向當前接受服務(wù)的隊列);

2)如果隊列優(yōu)先級大于0,轉(zhuǎn)到3),否則轉(zhuǎn)到6);

3)按照優(yōu)先級級別為index應(yīng)分配到的時間片進行服務(wù),當時間片用完但仍未處理完該隊列的數(shù)據(jù)包時,轉(zhuǎn)到4),如果數(shù)據(jù)處理完,仍有時間片剩余時轉(zhuǎn)到5);

4)中斷該隊列的處理,index值減1,轉(zhuǎn)到2);

5)用剩余的時間片處理第n+1個隊列中數(shù)據(jù),時間片用完時仍未處理完時,index值減1,轉(zhuǎn)到2);如第n+1個隊列中的數(shù)據(jù)處理完,但時間片仍有剩余時,轉(zhuǎn)入到下一個優(yōu)先級的隊列,index值減1,轉(zhuǎn)到2);

6)按照第n+1個隊列對應(yīng)的時間片進行數(shù)據(jù)包處理,時間片到但仍未處理完數(shù)據(jù)時,轉(zhuǎn)到1;處理完數(shù)據(jù)包后,時間片仍有剩余則轉(zhuǎn)到1)。

2新算法的優(yōu)點分析

2.1 適合自相似流量的突發(fā)性

自相似流量具有突發(fā)性,突發(fā)數(shù)據(jù)包到達是對隊列緩沖區(qū)的要求特別大。Laskin等人[6]基于FLM(Fractional Levy Motion)過程建立了一個經(jīng)典的解析模型,并得出自相似網(wǎng)絡(luò)環(huán)境中隊列緩存容量需求b(或稱隊列長度)與平均資源利用率ρ的關(guān)系如下:

b=cp 1/(a-a?H)(1-p) -H(1-H),其中,c為一個常數(shù),a∈(0,2)為特征指數(shù);H∈[1/a ,1)為自相似參數(shù),且H越大,自相似程度越高。在c為1的情況下,從(a=2,H=0.7)、(a=2,H=0.9)、(a=0.6,H=0.8)和(a=1.2,H=0.8)四組條件下函數(shù)對應(yīng)的曲線分析,自相似參數(shù)H越大,曲線斜率變化越大,隊列緩存容量需要也越大,并在緩存平均利用率為35%~65%區(qū)間內(nèi)開始急劇增長[4]。

按照新算法,由于對發(fā)生突發(fā)業(yè)務(wù)流量的隊列長度增加了近一倍大小。也既是在沒有增加緩沖區(qū)總體容量和緩沖區(qū)數(shù)據(jù)包的處理時延的情況下,增大隊列緩沖區(qū)的容量。所以能有效應(yīng)對突發(fā)的自相似流量。

2.2較基于隊列長度動態(tài)管理算法

動態(tài)調(diào)整的算法,往往是在突發(fā)的自相似流量到達并溢出隊列時,根據(jù)丟包標識位的定時掃描發(fā)現(xiàn),然后掃描有空閑的隊列上截取空閑部分,再進行和現(xiàn)有隊列拼接。其中丟包標識位的定時循環(huán)掃描、空閑隊列的掃描都是耗時的,并且空閑隊列的截取和拼接在較差情況下,會導致更多的丟包以及空閑隊列的掃描、截取和拼接的耗時。

本文提出的新的算法,把發(fā)生突況后,原隊列被填充滿后,會把更多的數(shù)據(jù)包轉(zhuǎn)移到新生成的隊列中,避免了隊列的丟包標示位的掃描、空閑隊列的掃描、截取和拼接造成的時延,有利于提高緩沖區(qū)中數(shù)據(jù)包的響應(yīng)時間,增大了吞吐量。

2.3較基于服務(wù)概率的隊列調(diào)度算法

基于優(yōu)先級調(diào)度的輪詢的算法存在“饑餓”問題,有的學者提出了“概率優(yōu)先級(probabilistic priority)”的概念來解決此問題[7]。該策略它為每個優(yōu)先級分配一個服務(wù)概率參數(shù), 當該優(yōu)先級獲得服務(wù)機會時,不是100%獲得服務(wù), 而是以該服務(wù)概率參數(shù)的概率獲得服務(wù)。

本文中提出的隊列管理算法是更為簡單:它給固定優(yōu)先級的隊列分配固定的時間片。在隊列滿負荷工作的情況下,各個隊列循環(huán)掃描服務(wù)一遍后,優(yōu)先級最高的隊列得到了最長時間的服務(wù),優(yōu)先級最低的得到的服務(wù)時間最少,從而保證了優(yōu)先級隊列的服務(wù)時間,又避免了“饑餓”現(xiàn)象的發(fā)生。本文中對“優(yōu)先級”的處理為:并非高優(yōu)先級的處理完再處理低優(yōu)先級的,而是按優(yōu)先級分配處理時間片。

2.4較自相似流量的檢測機制

在處理自相似突發(fā)流量研究中,有些學者提出了對自相似流量的早檢測的方法。文章[8]提出的隨即早檢測的方法是對比于泊松模型下的網(wǎng)絡(luò)流量,基于自相似流量的突發(fā)性,擴大最大和最小值之間差距的方式來檢測自相似流量,并設(shè)計了一種丟包策略。

由于自相似流量的突發(fā)的特性,考慮進入交換系統(tǒng)中多種不同的網(wǎng)絡(luò)數(shù)據(jù)流和同一數(shù)據(jù)流在具體的不同時間段下的流量波動,自相似流量的hurst指數(shù)的并不確定性,因此對于自相似流量的早檢測方法,都是具有局限性的。并且由于計算數(shù)據(jù)包到達的流量和比較流量是否達到自相似閾值都有一定耗時,本論文中提出的新算法節(jié)省了上述耗時操作,以分配更多的時間片給緩沖區(qū)隊列用于數(shù)據(jù)包處理。

3 結(jié)束語

該文中提出的算法,在緩沖區(qū)的管理策略上和隊列調(diào)度算法上,對比于眾多基于動態(tài)隊列調(diào)整的算法有著顯著的不同,“擴充”的緩沖區(qū)隊列、避免了動態(tài)調(diào)整隊列長度上的耗時和避免優(yōu)先權(quán)重計算的調(diào)度算法,三者會使得系統(tǒng)吞吐量更大,進而能有效應(yīng)對自相似的突發(fā)流量。

該算法下一步的工作是通過仿真,驗證算法的實際效果。然后研究實際情況下的不同業(yè)務(wù)流量,設(shè)計更優(yōu)的隊列管理算法。

參考文獻:

[1] Leland W E,Taqqu M,Willinger W.On the Self-Similar Nature of Ethernet Traffic (extended version)[J].IEEE/ACM Transactions on Networking (S1063-6692),1994,2(1):1-15.

[2] Paxson V,Floyd S.Wide Area Traffic: the Failure of Poisson Modeling[J].IEEE/ACM Transactions on Networking (S1063-6692),1995,3(3):226-244.

[3] Crovella M E,Bestavros A.Self-Similarity in World-Wide Web Traffic: Evidence and Possible Causes[J].IEEE/ACM Transactions on Networking (S1063-6692),1997,5(6):835-846.

[4] 張連明.一種基于自相似業(yè)務(wù)的隊列管理算法[J].系統(tǒng)仿真學報,2007,2,19(3):597-600.

[5] 尹德斌,謝劍英.一種新的加權(quán)公平調(diào)度算法[J].計算機工程,2008,2,34(4):28-30.

篇4

中圖分類號： TP273

文獻標志碼：A

Quantum-inspired clonal algorithm based method for optimizing neural networks

Abstract：

In order to reduce the redundant connections and unnecessary computing cost， quantum-inspired clonal algorithm was applied to optimize neural networks. By generating neural network weights which have certain sparse ratio， the algorithm not only effectively removed redundant neural network connections and hidden layer nodes， but also improved the learning efficiency of neural network， the approximation of function accuracy and generalization ability. This method had been applied to wild relics security system of Emperor Qinshihuangs mausoleum site museum， and the results show that the method can raise the probability of target classification and reduce the false alarm rate.

Key words：

neural network； quantum-inspired clonal algorithm； target classification； redundant connection； network optimization

0 引言

神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛地應(yīng)用于模式分類、函數(shù)逼近、信號預(yù)測等各種領(lǐng)域，是近年來的研究熱點之一[1-2]。在應(yīng)用過程中，研究人員發(fā)現(xiàn)，當神經(jīng)網(wǎng)絡(luò)的規(guī)模過大會產(chǎn)生連接數(shù)量冗余大、計算代價過高的問題，降低了大規(guī)模神經(jīng)網(wǎng)絡(luò)的實用性。針對此問題，研究人員提出了多種方法在保持神經(jīng)網(wǎng)絡(luò)的前提下優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)權(quán)值。Leung等[3-4]改進了傳統(tǒng)的遺傳算法（Genetic Algorithm， GA）并將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值優(yōu)化過程，利用遺傳算法的快速收斂性來提高神經(jīng)網(wǎng)絡(luò)的學習速度，其缺點在于當目標函數(shù)維數(shù)過大時容易陷入局部最優(yōu)。Xiao等[5]使用混合優(yōu)點（Hybrid Good Point， HGP）優(yōu)化前向神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)，避免權(quán)值陷入局部最優(yōu)，但其對網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化沒有達到最優(yōu)。Shu等[6]提出正交模擬褪火（Orthogonal Simulated Annealing， OSA）算法， 使用褪火算法和正交算法的優(yōu)點來同時優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，其算法收斂速度快、魯棒性好，缺點則在于計算代價較大。杜文莉等[7]提出了使用量子差分進化（Cooperative Quantum Differential Evolution， CQGADE）算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值，使用量子遺傳算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和隱層節(jié)點數(shù)，算法綜合了量子遺傳算法和量子差分算法的優(yōu)點，收斂速度快，但其缺點在于需要同時協(xié)同兩種算法的優(yōu)化結(jié)果，算法復雜度較高，且容易陷入局部最優(yōu)。Tsai等[8]提出混合田口遺傳算法（Hybrid Taguchi Genetic Algorithm， HTGA），將傳統(tǒng)的GA與Taguchi方法結(jié)合起來，使得算法具有魯棒性好、收斂性快等優(yōu)點，但其缺點在于獲得最優(yōu)解的計算代價較大。

量子免疫克隆算法[9-12]（Quantum-inspired Immune Clonal Algorithm， QICA）也稱為量子遺傳算法（Quantum Genetic Algorithm， QGA），其將量子搜索機制和免疫算法克隆選擇原理相結(jié)合，利用量子編碼的疊加性和隨機性構(gòu)造抗體，利用遺傳算法的克隆操作產(chǎn)生原始種群和克隆子群實現(xiàn)種群擴張，使搜索空間擴大，提高了局部搜索能力；同時借助全干擾交叉操作避免陷入局部最優(yōu)。QICA采用了多狀態(tài)量子比特編碼方式和通用的量子旋轉(zhuǎn)門操作， 引入動態(tài)調(diào)整旋轉(zhuǎn)角機制和量子交叉[11]。QICA在組合優(yōu)化問題中具有良好的表現(xiàn)。

針對上述問題，提出了使用量子克隆免疫算法對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和連接權(quán)值同時進行優(yōu)化，通過產(chǎn)生具有一定稀疏度的連接權(quán)值對網(wǎng)絡(luò)隱層數(shù)量和連接權(quán)值進行優(yōu)化，提高了算法的效率和收斂速度，避免了算法陷入局部最優(yōu)。

1 帶開關(guān)權(quán)值的神經(jīng)網(wǎng)絡(luò)模型

在經(jīng)典的神經(jīng)網(wǎng)絡(luò)理論中，網(wǎng)絡(luò)結(jié)構(gòu)在初始化后便不再變動，僅通過權(quán)值的變化來計算產(chǎn)生結(jié)果，這種算法增加了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復雜性，在實際應(yīng)用中增加了計算結(jié)果的代價。Leung等[3-4]提出了帶開關(guān)權(quán)值的神經(jīng)網(wǎng)絡(luò)，通過調(diào)整開關(guān)的通斷就能調(diào)整神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和連接數(shù)量，從而減少計算代價。帶開關(guān)權(quán)值的神經(jīng)網(wǎng)絡(luò)模型如圖1所示[7]。

2.2 權(quán)值計算及優(yōu)化方法

根據(jù)量子克隆免疫理論，將神經(jīng)網(wǎng)絡(luò)權(quán)值計算及優(yōu)化過程分為以下四個過程。

2.2.1 權(quán)值抗體初始化

量子克隆免疫算法是基于量子計算和遺傳算法組成的，其抗體的編碼方式采用量子比特編碼。一個抗體中的量子位的狀態(tài)是不確定的，可以為0或1，其狀態(tài)表示為式（5）：

3.1 算法復雜度分析

量子克隆免疫算法的實質(zhì)是通過量子理論的隨機特性提供豐富的種群數(shù)量，并通過使用遺傳算法對種群進行淘汰和進化，因此其算法的復雜度等于種群生成算法的復雜度：假設(shè)神經(jīng)網(wǎng)絡(luò)有x個輸入，其隱層節(jié)點數(shù)量為N，輸出為y，則網(wǎng)絡(luò)中的輸入與隱層節(jié)點間的連接權(quán)值ω的數(shù)量為：x*N，隱層節(jié)點與輸出層的連接權(quán)值v的數(shù)量為：N*y。種群生成需要對所有節(jié)點進行權(quán)值初始化，并將隨機位置的n（nN）個節(jié)點的權(quán)值設(shè)置為0， 其算法復雜度為O（n2）。而克隆免疫算法在種群克隆及抗體選擇過程中使用遺傳算法，因此其算法的復雜度與傳統(tǒng)遺傳算法相同，其算法復雜度也為O（n2）。因此，使用量子免疫克隆的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的復雜度為O（n2）。

3.2 非線性函數(shù)逼近

選取復雜交互非線性函數(shù)（Complicated Interaction Function，CIF）：

其中0

選取樣本700組，其中500組用于訓練，其余200組用于檢測性能。神經(jīng)網(wǎng)絡(luò)的初始隱層神經(jīng)元設(shè)置為20個，初始網(wǎng)絡(luò)結(jié)構(gòu)為：2-20-1，初始連接權(quán)值為隨機值。在此條件下驗證不同稀疏度條件下對CIF的二維逼近效果如圖3所示。

圖3顯示隨著稀疏度的不斷降低，神經(jīng)網(wǎng)絡(luò)的逼近能力有所減弱，逼近誤差則逐漸增大。這主要是因為神經(jīng)網(wǎng)絡(luò)中的連接權(quán)值數(shù)量降低，造成神經(jīng)網(wǎng)絡(luò)的適應(yīng)性差。具體逼近效果見表2。

從表2中可以看出，隱層節(jié)點數(shù)量直接影響著神經(jīng)網(wǎng)絡(luò)的性能。高稀疏度條件下的計算量大，但逼近精度高；低稀疏度條件下的計算量小，但逼近精度較差。實驗表明當稀疏度大于0.6時，算法的逼近精度高于90%，優(yōu)化后的網(wǎng)絡(luò)具有較好的非線性逼近能力。當神經(jīng)網(wǎng)絡(luò)隱層節(jié)點數(shù)量低于12時逼近精度大幅下降，說明此時神經(jīng)網(wǎng)絡(luò)處理信息的能力也隨之大幅減弱，隱層節(jié)點的最合適的數(shù)量為12～14個，這也符合文獻[14]的實驗結(jié)果。

圖4為不同稀疏度下，算法適應(yīng)度的收斂情況。可以看出量子克隆免疫算法具有很好的收斂特性，算法收斂速度很快，能夠在很短的進化次數(shù)內(nèi)收斂至極值，且稀疏度越低，神經(jīng)網(wǎng)絡(luò)的連接權(quán)值數(shù)量越少，算法收斂速度越低，最優(yōu)適應(yīng)度越差。

表3為相同條件下，不同算法的最優(yōu)計算結(jié)果，包括目標分類的準確度、隱藏層節(jié)點數(shù)量等。可以看出，當稀疏度高于0.8時，本文算法收斂性和適應(yīng)度均優(yōu)于混沌粒子群（Chaotic Particle Swarm Optimization，CPSO）[15]、粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）[16]、混合田口遺傳算法[Hybrid Taguchi-Genetic Algorithm，HTGA][8]等其他算法，說明算法具有很好的收斂速度、尋優(yōu)精度和魯棒性。

3.3 微地震信號目標分類

實驗場地選擇在秦始皇兵馬俑博物館內(nèi)K9901號坑旁。所有傳感器節(jié)點沿公路一側(cè)直線部署，距離公路1m左右。可能產(chǎn)生地震波的活動物體包括人員行走、機動車和挖掘活動。將采集到的微地震信號進行濾波、分幀、特征提取等處理后輸入至神經(jīng)網(wǎng)絡(luò)進行模式識別。

系統(tǒng)對傳感器采集到的數(shù)據(jù)進行分幀，并使用功率譜二次分析[17]算法對其進行處理，最后將經(jīng)過預(yù)處理的數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)對其進行分類。根據(jù)其活動特點，將輸出目標分為三類：人員活動、挖掘活動以及機動車輛活動。傳感器采集到的三類活動的經(jīng)典波形如圖5所示。

表6中給出了算法的最優(yōu)計算結(jié)果，包括不同稀疏度條件下神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點數(shù)量、最優(yōu)適應(yīng)度以及分類準確率等。可以看出，算法能夠有效減少冗余的隱藏層節(jié)點數(shù)量，并降低節(jié)點連接數(shù)量。算法的稀疏度越高，其適應(yīng)度越好，其分類的準確性越好，但稀疏度高帶來的則是計算代價增大、計算復雜度增加。當稀疏度低于0.7時，算法的適應(yīng)度變差，目標的識別率為90%，在實際應(yīng)用過程中帶來了誤判率較高的問題，降低了實用性。因此在秦始皇帝陵博物院野外文物安防系統(tǒng)中使用了稀疏度為0.7的算法對模式識別的神經(jīng)網(wǎng)絡(luò)進行優(yōu)化。

4 結(jié)語

本文提出了基于量子免疫克隆算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，該算法在訓練神經(jīng)網(wǎng)絡(luò)優(yōu)化權(quán)值的同時刪除了冗余連接和多余的隱層節(jié)點，實現(xiàn)了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)權(quán)值的優(yōu)化。通過經(jīng)典非線性函數(shù)逼近和目標識別檢驗，算法能夠有效地優(yōu)化神經(jīng)網(wǎng)絡(luò)，提高神經(jīng)網(wǎng)絡(luò)的優(yōu)化效率，減少計算復雜度。使用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)已經(jīng)用于秦始皇帝陵博物院野外文物安防系統(tǒng)中。

參考文獻：

[1] QIAO H， ZHOU Y，SHAO N， et al. Software reliability prediction based on learning vector quantization neutral network[J]. Journal of Computer Applications， 2012，32（05）：1436-1438.）（喬輝，周雁舟，邵楠，等.基于學習向量量化神經(jīng)網(wǎng)絡(luò)的軟件可靠性預(yù)測[J].計算機應(yīng)用，2012，32（5）：1436-1438.）

[2] PAN Y， DENG Y， ZHANG Q， et al. Deterministic prediction of wavelet neural network model and its application[J]. Journal of Computer Applications，2013， 33（4）：1001-1005.（潘玉民，鄧永紅，張全柱，等.小波神經(jīng)網(wǎng)絡(luò)模型的確定性預(yù)測及應(yīng)用[J].計算機應(yīng)用，2013，33（4）：1001-1005.）

[3] LEUNG H F，LAM H F， LING S F， et al. Tuning of the structure and parameters of neural network using an improved genetic algorithm[C]// Proceedings of the 27th Annual Conference of IEEE Industrial Electronics Society. Piscataway： IEEE，2001：25-30.

[4] LEUNG H F， LAM H F， LING S H， et al. Tuning of the structure and parameters of a neural network using an improved genetic algorithm[J]. IEEE Transactions on Neural Network，2003，14（1）：79-88.

[5] XIAO C， CAI Z， WANG Y， et al. Tuning of the structure and parameters of a neural network using a good points set evolutionary strategy[C]// Proceedings of the 9th International Conference for Young Computer Scientists. Piscataway： IEEE， 2008：1749-1754.

[6] SHU L， HO S Y， HO S J. Tuning the structure and parameters of a neural network using an orthogonal simulated annealing algorithm[C]// Proceedings of the 2009 Joint Conferences on Pervasive Computing. Piscataway： IEEE，2009：789-792.

[7] DU W， ZHOU R， ZHOU L， et al. Cooperative quantum differential evolution algorithm based method for optimizing neural networks[J].Journal of Tsinghua University： Science and Technology， 2012，52（3）：331-335.（杜文莉，周仁，趙亮，等. 基于量子差分進化算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J].清華大學學報：自然科學版，2012，52（3）：331-335.）

[8] TSAI J， CHOU J， LIU T. Tuning the structure and parameters of a neural network by using hybrid Taguchi-genetic algorithm[J]. IEEE Transactions on Neural Network， 2006，17（1）：69-80.

[9] LI Y， JIAO L. Quantum-inspired immune clonal algorithm and its application[C]// Proceedings of the 2007 International Symposium on Intelligent Signal Processing and Communication Systems. Piscataway： IEEE， 2007：670-673.

[10] JIAO L， LI Y， GONG M，et al. Quantum-inspired immune clonal algorithm for global optimization[J]. IEEE Transactions on Systems， Man and Cybernetics， Part B： Cybernetics， 2008，38（5）：1234-1253.

[11] ZHOU C， QIAN F. Improvement of quantum genetic algorithm and its application[J]. Journal of Computer Applications， 2008，28（2）：286-288.（周傳華，錢峰.改進量子遺傳算法及其應(yīng)用[J].計算機應(yīng)用， 2008，28（2）：286-288）

[12] ZHOU Q， JIANG S， ZHAO X， et al. Improved quantum genetic algorithm and its application in test data generation[J]. Journal of Computer Applications，2012，32（2）：557-560.（周綺，姜淑娟，趙雪峰，等.改進的量子遺傳算法及其在測試數(shù)據(jù)生成中的應(yīng)用[J].計算機應(yīng)用，2012，32（2）：557-560.）

[13] QIAO J，LEE Y G， SCOTT D S， et al. Self-organizing radial basis function network for real-time approximation of continuous-time dynamical systems[J]. IEEE Transactions on Neural Networks，2008，19（3）：460-474.

[14] HAN H， QIAO J， BO Y， et al. On structure design for RBF neural network based on information strength[J]. Acta Automatica Sinica， 2012，38（7）：1083-1090.（韓紅桂，喬俊飛，薄迎春，等.基于信息強度的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計研究[J].自動化學報， 2012，38（7）：1083-1090.）

篇5

0 引言

車載網(wǎng)絡(luò)（Vehicular Ad Hoc Networks，VANETs）是支撐智能交通系統(tǒng)（Intelligent Transportation System，ITS）的關(guān)鍵技術(shù)，由具有無線通信能力的車輛節(jié)點或路邊基礎(chǔ)設(shè)施（Roadside Infrastructure Unit，RIU）構(gòu)成。與傳統(tǒng)移動自組織網(wǎng)絡(luò)不同，車載網(wǎng)絡(luò)管理的是公路上高速移動的機動車輛，網(wǎng)絡(luò)拓撲隨車輛移動動態(tài)變化，基于車載網(wǎng)絡(luò)的交通應(yīng)用對通信實時性要求較高。資源調(diào)度是提高車載網(wǎng)絡(luò)數(shù)據(jù)吞吐量、降低數(shù)據(jù)傳輸時延的重要技術(shù)手段，是車載網(wǎng)絡(luò)的重點研究內(nèi)容。

為改進傳統(tǒng)智能交通系統(tǒng)低效的通信模式，車載網(wǎng)絡(luò)以更直接、高效的方式收集、傳播和分發(fā)信息。資源調(diào)度是提高車載網(wǎng)絡(luò)數(shù)據(jù)傳輸能力的重要技術(shù)手段，車載網(wǎng)絡(luò)資源調(diào)度的主要挑戰(zhàn)在于如何有效利用車載網(wǎng)絡(luò)物理層條件（車輛移動性、車輛無線信道、車輛相對位置）滿足應(yīng)用層的需求。

Liu等人研究了如何利用RIU作為協(xié)作中繼幫助車載網(wǎng)絡(luò)車輛傳輸數(shù)據(jù)。Wu等人提出了一種從路邊基站到行駛車輛的下行調(diào)度算法，對車載網(wǎng)絡(luò)下行信道資源進行有效管理。Zhang等人提出了同時考慮上行和下行請求的調(diào)度算法。2013年Li針對WiMAX網(wǎng)絡(luò)和WAVE網(wǎng)絡(luò)中資源調(diào)度方式不同，提出一種基于反饋的兩級資源調(diào)度機制。H.Ilhan等人提出了一種基于放大轉(zhuǎn)發(fā)的自組織Ad Hoc網(wǎng)絡(luò)的車載網(wǎng)絡(luò)架構(gòu)。M.Seyfi等人提出了一種兩跳車載網(wǎng)絡(luò)的中繼選擇策略。M.F.Feteiha等人提出了一種基于多天線放大中繼的車載網(wǎng)絡(luò)資源調(diào)度策略。Zheng等人基于圖論提出了一種車輛與基礎(chǔ)設(shè)施之間的鏈路V2I（Vehicle-to-Infrastructure）和車輛與車輛之間的鏈路V2V（Vehicle-to-Vehicle）并存的車載網(wǎng)絡(luò)資源調(diào)度方法。文獻[18]基于多選擇的聯(lián)合鏈路調(diào)度與資源優(yōu)化方法。文獻[19]基于LTE-Advanced架構(gòu)提出了中繼車載網(wǎng)絡(luò)的一種傳輸方法。

這些研究從車載網(wǎng)絡(luò)信道資源分配管理角度提高了路邊基站的訪問效率。不足之處在于，現(xiàn)有車載網(wǎng)絡(luò)資源調(diào)度方法大多都基于車輛的瞬時狀態(tài)，沒有考慮車輛的移動性，難以準確刻畫車載網(wǎng)絡(luò)鏈路傳輸能力并充分發(fā)揮車載網(wǎng)絡(luò)移動下的系統(tǒng)性能。

1 異構(gòu)車載網(wǎng)絡(luò)

如圖1所示，一個典型的異構(gòu)車載網(wǎng)絡(luò)結(jié)構(gòu)包含公路上高速行駛的車輛節(jié)點和RIU，所有的車輛都可通過V2I/V2V兩種鏈路與RIU通信，進而接入Internet。同時，車輛與車輛之間通過V2V鏈路互相通信，共享路面信息。本文研究的異構(gòu)車載網(wǎng)絡(luò)由V2I（采用LTE-Advanced協(xié)議）和V2V（采用Dedicated Short RangeCommunication，DSRC協(xié)議）兩部分鏈路組成；采用的調(diào)度算法是通過調(diào)度管理車載網(wǎng)絡(luò)傳輸鏈路資源（V2I與V2V），幫助車載網(wǎng)絡(luò)范圍內(nèi)各車輛互相協(xié)作，從而提高車載網(wǎng)絡(luò)整體數(shù)據(jù)傳輸性能。

針對車載網(wǎng)絡(luò)中網(wǎng)絡(luò)節(jié)點是高速移動的機動車輛，本文提出了一種基于移動服務(wù)量的異構(gòu)車載網(wǎng)絡(luò)資源調(diào)度算法（Moble Services Resource Scheduling algorithm，MSRS）。MSRS算法中，由基站對兩種網(wǎng)絡(luò)資源進行統(tǒng)一調(diào)度。與現(xiàn)有算法（Achievable Rate-based Resource Scheduling algorithm，ARRS）使用車輛瞬時可達速率調(diào)度不同，MSRS算法首先依據(jù)車輛的運行軌跡計算調(diào)度周期內(nèi)V2I和V2V鏈路移動服務(wù)量；根據(jù)V2I移動服務(wù)量分配車輛使用直接與基站通信還是通過協(xié)作轉(zhuǎn)發(fā)車輛與基站通信；若車輛為協(xié)作通信方式，基站利用圖論中的二分圖最大權(quán)重匹配算法為車輛分配協(xié)作轉(zhuǎn)發(fā)車輛，車輛作為二分圖頂點、V2I和V2V鏈路為二分圖邊、V2I和V2V移動服務(wù)量為邊的權(quán)重。MSRS算法為異構(gòu)車載網(wǎng)絡(luò)數(shù)據(jù)傳輸提供最大總吞吐量傳輸方案。仿真實驗表明，與現(xiàn)有基于瞬時速率的資源調(diào)度算法相比，在不同車輛數(shù)量、車速、基站覆蓋范圍條件下MSRS算法都可以提供更高的數(shù)據(jù)吞吐量，與窮舉資源調(diào)度算法相比，MSRS算法復雜度更低。

2 車載網(wǎng)絡(luò)鏈路誤差分析

車載網(wǎng)絡(luò)中由于車輛快速移動，從而導致網(wǎng)絡(luò)拓撲快速變化，節(jié)點間的通信鏈路質(zhì)量變化也很快。采用基于瞬時可達速率的車載網(wǎng)絡(luò)資源調(diào)度算法，為了適應(yīng)網(wǎng)絡(luò)的這種快變特點，必須縮短調(diào)度周期，不斷計算并更新調(diào)度結(jié)果。這會帶來調(diào)度計算和網(wǎng)絡(luò)信令的開銷大幅增長，降低車載網(wǎng)絡(luò)有效傳輸能力。

如圖2所示場景，V1遠離RIU行駛，V2、V3與V1相對行駛靠近RIU。在圖2（a）時刻車載網(wǎng)絡(luò)進行資源調(diào)度，此時若采用傳統(tǒng)的瞬時可達速率作為優(yōu)化目標效用函數(shù)，由于V1此時離RIU近、信道條件好，則V3的最大可達速率策略為選擇V1作為協(xié)作節(jié)點協(xié)助V3與RIU通信。圖2（b）所示為調(diào)度周期結(jié)束時車輛的所在位置。比較圖2（a）與（b）可以看出，由于V3與V1相對行駛且V1逐漸遠離RIU，V3通過V1協(xié)助與RIU的可達速率不斷減少，調(diào)度周期內(nèi)V3獲得的通信速率大大少于預(yù)期。可見，圖2（a）調(diào)度獲得的最優(yōu)調(diào)度方案在實際運行時并不是最優(yōu)方案，調(diào)度方案預(yù)期性能與實際效果有較大誤差。

造成這種誤差的原因是資源調(diào)度方案只考慮車載網(wǎng)絡(luò)的瞬時靜態(tài)可達速率狀態(tài)，并以此為依據(jù)進行資源調(diào)度。而車載網(wǎng)絡(luò)是不斷運動變化的網(wǎng)絡(luò)，節(jié)點相互位置動態(tài)變化，以靜態(tài)方案規(guī)劃動態(tài)變化的網(wǎng)絡(luò)必然造成誤差，難以達到最優(yōu)配置網(wǎng)絡(luò)資源的目的。為減少誤差，現(xiàn)有資源調(diào)度方案大多通過增加調(diào)度頻率、減少調(diào)度周期的方法減少網(wǎng)絡(luò)在調(diào)度周期運行期間與方案規(guī)劃時狀態(tài)的差異。這種方法增加了通信開銷，減少了算法有效持續(xù)時間，越來越不適應(yīng)車輛密度越來越大、車速越來越快的現(xiàn)代交通網(wǎng)絡(luò)。

因此，本文提出基于移動服務(wù)量的車載網(wǎng)絡(luò)資源調(diào)度算法，通過計算調(diào)度周期內(nèi)車輛能獲得的移動服務(wù)量代替調(diào)度時的瞬時可達速率進行車載網(wǎng)絡(luò)資源調(diào)度。該算法能反映調(diào)度周期內(nèi)車輛位置變化帶來的車輛可達速率改變，從而更精確的描述車載網(wǎng)絡(luò)狀態(tài)變化，減少車載網(wǎng)絡(luò)資源調(diào)度算法在實際應(yīng)用中出現(xiàn)的誤差。

3 移動服務(wù)量

為設(shè)計更精確的資源調(diào)度方案，采用移動服務(wù)量代替瞬時可達速率，計算車輛在一個調(diào)度周期可以獲得的移動服務(wù)量，從而更精確的描述車載網(wǎng)絡(luò)鏈路狀態(tài)，為更精確的資源調(diào)度方案設(shè)計打下基礎(chǔ)。定義第k個調(diào)度周期可以獲得的移動服務(wù)量為：

圖7仿真車輛數(shù)目對MSRS算法的影響。20、40、60、80、100、120、140、160、180、200輛車輛隨機分布在道路上，車輛最大時速35m/s，RIU覆蓋半徑500m，每種車輛數(shù)目進行200次實驗取均值。從圖7可以看出，十字路口場景下，無論車輛數(shù)目如何變化，MSRS算法相比ARRS算法所獲得的資源分配方案更優(yōu)，能使車載網(wǎng)絡(luò)達到更大的數(shù)據(jù)吞吐量。

圖8仿真車速對車載網(wǎng)絡(luò)資源調(diào)度算法的影響。100輛車隨機分布在道路上，RIU覆蓋半徑500m，車輛最大時速為22-52m/s，每種車速進行200次實驗取均值。圖8可以看出，十字路口場景下，無論最大車速如何變化，MSRS算法相比ARRS算法得出的資源分配方案更優(yōu)，能使車載網(wǎng)絡(luò)達到更大的數(shù)據(jù)吞吐量。隨著最大車速增加，MSRS算法相對ARRS算法的總吞吐量也呈現(xiàn)不斷增長趨勢；在最大車速大于40米/秒后，MSRS算法相對ARRS算法的性能優(yōu)勢更明顯，說明隨著車速增加，車輛在一個調(diào)度周期移動的距離增大，ARRS算法描述車輛鏈路性能的誤差也越大，因此MSRS算法相對ARRS算法的性能優(yōu)勢更加明顯，MSRS算法更適合高速移動車載網(wǎng)絡(luò)。

圖9仿真RIU覆蓋范圍對車載網(wǎng)絡(luò)資源調(diào)度算法的影響。100輛車輛隨機分布在道路上，車輛最大時速為35m/s，RIU覆蓋半徑500-1500m，為每種覆蓋半徑進行200次實驗取均值。

篇6

（一）競價交易資金現(xiàn)狀 在競價銷售資金未支付或上繳財政前，停留在省、市糧食交易市場賬戶，由省、市中儲糧分公司（直屬庫、點）在當?shù)剞r(nóng)業(yè)發(fā)展銀行貸款取得，如果糧食交易市場不能及時將貨款、保證金匯到中儲糧分公司（庫、點）賬戶，中儲糧分公司（庫、點）就無法及時歸還農(nóng)發(fā)行貸款，產(chǎn)生的利息事實上由中央財政負擔。由于各省、市糧食交易市場競價交易資金管理是依據(jù)國家有關(guān)部門根據(jù)不同時期、不同性質(zhì)、不同品種制定的糧油競價交易細則辦理的，停留在各糧食交易市場的競價交易資金形成的利息收入歸糧食交易市場所有，客觀上造成糧食交易市場為取得利息收入，在支付競價交易資金時難以及時、主動，不利于信貸資金管理與資金安全，也加大了財政支出。

（二）競價交易資金管理 為進一步做好中央政策性糧油競價交易工作，保障交易雙方合法權(quán)益，規(guī)范競價交易行為，確保競價交易資金安全，規(guī)范、完善各級糧食交易市場競價交易資金管理辦法十分必要。

（1）充分利用現(xiàn)代科技手段夯實資金管理基礎(chǔ)。目前全國聯(lián)網(wǎng)的“國家糧油交易中心競價交易系統(tǒng)”，有著強大的電子化財務(wù)處理功能，要充分利用這一現(xiàn)代科技手段，發(fā)揮其準確、規(guī)范、快捷的優(yōu)勢，夯實資金管理基礎(chǔ)。嚴格執(zhí)行“交易系統(tǒng)”的業(yè)務(wù)流程和國家有關(guān)部委制定的中央政策性糧油競價交易細則；嚴格審核交易會員資格，準確錄入交易會員信息；準確收取、錄入、復核交易保證金、履約保證金和貨款。根據(jù)競價交易結(jié)果，依法簽訂《糧食競價交易購銷合同》；及時辦理出庫提貨手續(xù)，實現(xiàn)物流屬性轉(zhuǎn)換；及時支付賣方糧款，保證資金安全和提高資金使用效率。

（2）規(guī)范細化交易資金運作規(guī)則。一是開設(shè)“中央政策性糧油竟價交易資金銀行存款專戶”。糧食交易市場收到的競價交易資金屬于購買特定性質(zhì)、對象的資金，糧食交易市場作為承擔中央政策性糧油競價交易的中介單位，須在當?shù)厥　⑹屑夀r(nóng)發(fā)行開設(shè)收取競價交易資金專戶，統(tǒng)一賬號、統(tǒng)一代碼。買賣雙方預(yù)交的交易保證金、履約保證金和交易貨款均專戶存儲，同時制定中央政策性糧油競價交易資金專戶管理辦法，財政、農(nóng)發(fā)行、審計等部門依據(jù)競價交易資金專戶管理辦法隨時對專戶資金存入、付出、結(jié)存情況進行監(jiān)管、檢查。省、市中儲糧分公司也在當?shù)厥　⑹屑夀r(nóng)發(fā)行開設(shè)“中央政策性糧油競價交易資金專戶”，便于及時回籠貨款。二是明確規(guī)定中央政策性糧油競價交易資金專戶的存款利息不屬于糧食交易市場。糧食交易市場按照同期活期存款利率計算糧油競價交易資金利息，在與買方、賣方辦理退付保證金、支付貨款結(jié)算時，將保證金、貨款在競價資金專戶形成的活期存款利息隨交易貨款、交易保證金、履約保證金一并付給買方、賣方。買方、賣方在收到保證金、貨款時，復核糧食交易市場計算的活期存款利息是否準確。三是明確規(guī)定糧食交易市場退付交易保證金、履約保證金和貨款時限。競價交易成交后，買方須在競價交易成交之日起20天內(nèi)，將全部貨款一次或分批匯到糧食交易市場在農(nóng)發(fā)行開設(shè)的競價交易資金專戶，糧食交易市場在貨款到賬后，須在1個工作日內(nèi)向買方開具《出庫通知單》，并及時告知買方和賣方庫、點準備發(fā)貨。糧食交易市場須在開具《出庫通知單》后3個工作日內(nèi)，將競價交易資金（含存款利息）在扣除賣方手續(xù)費后匯至中儲糧分公司在省、市農(nóng)發(fā)行開設(shè)的競價交易資金專戶。如賣方違約或因不可抗力造成合同終止，若貨款資金仍在糧食交易市場賬戶，由糧食交易市場在判定違約日或終止合同起3個工作日內(nèi)，將貨款資金（含存款利息）退還給買方；若貨款資金已匯至中儲糧分公司，由中儲糧分公司在收到判定結(jié)果或終止合同日起3個工作日內(nèi)，將已收到的貨款資金（含存款利息）一并匯至糧食交易市場，由糧食交易市場將貨款資金（含存款利息）退給買方。

（3）適當提高競價交易手續(xù)費。糧食交易市場現(xiàn)行中央政策性糧油競價交易費標準是基于竟價銷售資金在其賬戶形成的存款利息屬于糧食交易市場為前提制定的，在改革竟價交易資金管理時，考慮糧食交易市場已運行多年，先期投入很大，且為國家糧食宏觀調(diào)控做出了顯著貢獻，根據(jù)糧食交易市場收入、費用、人員和設(shè)備設(shè)施條件，理應(yīng)適當提高交易手續(xù)費標準。

糧食交易市場應(yīng)嚴格執(zhí)行國家有關(guān)部門重新核定的交易手續(xù)標準，按實際交割金額向買賣雙方收取手續(xù)費，競價交易未成交的，不得收取手續(xù)費。競價交易成交后違約的，以及因不可抗力原因造成合同終止，交易市場扣留違約方交易保證金，不再向雙方收取交易手續(xù)費。糧食交易市場不得擅自或變相提高交易手續(xù)費，不得少計算或不計算應(yīng)付給買賣雙方的存款利息，違反規(guī)定按有關(guān)財經(jīng)法規(guī)處理。

二、中央政策性糧油競價交易的會計核算

目前，安徽糧食交易市場（主市場），省、市分市場各自按照市場性質(zhì)、規(guī)模和會計核算要求辦理經(jīng)濟業(yè)務(wù)核算，有的使用《企業(yè)會計制度》，有的采用《行政事業(yè)單位會計制度》；有的執(zhí)行權(quán)責發(fā)生制，有的執(zhí)行收付實現(xiàn)制；利息、手續(xù)費、分市場上繳主市場手續(xù)費等在確認、歸集、計算、核算存在不同標準；財政、審計等部門在監(jiān)管、審計糧食交易市場資金管理和會計核算結(jié)果時也感到棘手。建議財政部制定統(tǒng)一規(guī)范的中央政策性糧油競價交易會計核算辦法，及時、準確反映競價交易資金的運存狀況，更好地服務(wù)于國家糧食宏觀調(diào)控。

（一）設(shè)置“結(jié)算會計”崗位 2006年開始，安徽糧食交易市場，專門設(shè)置了獨立于“國家糧油交易中心競價交易系統(tǒng)”的財務(wù)“結(jié)算會計”崗位。“結(jié)算會計”根據(jù)“競價交易系統(tǒng)”提供的單據(jù)和原始憑證，按買賣方分戶核算，獨立編制憑證、登記賬簿、核對資金流。現(xiàn)場與“競價交易系統(tǒng)”的出庫復核員、付款審核員核對客戶資金余額以及與各分市場的往來余額。“結(jié)算會計”崗位的設(shè)置，能夠及時復核、發(fā)現(xiàn)、糾正“國家糧油交易中心競價交易系統(tǒng)”的業(yè)務(wù)差錯，對保證中央政策性糧油競價資金安全，起到很好的監(jiān)管、核算作用。由于“結(jié)算會計”崗位職責明確，配合、監(jiān)管科學合理，及時發(fā)現(xiàn)和糾正了多起在“國家糧油交易中心競價交易系統(tǒng)”上出現(xiàn)的戶名串戶、數(shù)量、金額、保證金、糧款錄入或計算等差錯，從未出現(xiàn)過交易客戶在離開市場后才發(fā)現(xiàn)出庫單、退款單、入賬單、客戶名等差錯的情況，真正做到高效運行、萬無一失。

（二）統(tǒng)一執(zhí)行《企業(yè)會計制度》 由于有的糧食交易市場為事業(yè)性質(zhì)單位，而實際從事的糧油交易業(yè)務(wù)客戶多、數(shù)量、金額巨大，遠非收付實現(xiàn)制的《行政事業(yè)單位會計制度》所及，無論從工作實踐和會計準則出發(fā)，都應(yīng)執(zhí)行權(quán)責發(fā)生制的《企業(yè)會計制度》。主營業(yè)務(wù)收入（含手續(xù)費收入）按照《企業(yè)會計準則第14號——收入》確認與計量。交易手續(xù)費收入和交易違約金以糧油競價交易合同執(zhí)行完畢或中止，買賣雙方提交的驗收確認單計算當期交易手續(xù)費收入和收取交易違約金，正確計算當期收入，合理設(shè)置會計科目，“結(jié)算會計”定期與“國家糧油交易中心競價交易系統(tǒng)”核對。

（三）會計科目設(shè)置 （1）設(shè)置“應(yīng)付保證金”科目，核算糧食交易市場按照糧食競價交易規(guī)則收取的交易保證金、履約保證金。“應(yīng)付保證金”按買賣雙方設(shè)置“交易客戶”、“中儲糧分公司及庫、點”、“省級儲糧備糧油”、“省、市分市場”等二級明細科目。在“交易客戶”二級明細科目下設(shè)置三級明細科目“交易保證金”、“履約保證金”。（2）設(shè)置“應(yīng)付中央政策性糧油競價交易貨款”科目，核算競價交易成功、糧食交易市場開具《出庫通知單》后，按照交易合同數(shù)量和價格支付給賣方的糧油貨款。（3）設(shè)置“應(yīng)上繳財政價差款”科目，核算糧食交易市場從交易貨款中代扣應(yīng)上繳財政的政策性糧油交易價差盈余（含存款利息）、或應(yīng)由財政撥補的政策性糧油交易價差虧損。（4）在“主營業(yè)務(wù)收入”科目下設(shè)立“交易手續(xù)費收入”二級明細科目，核算糧食交易市場按核定標準向買賣雙方收取的交易手續(xù)費。

（四）會計核算 （1）結(jié)算會計根據(jù)交易系統(tǒng)保證金、貨款收款員、復核員、出納提供的收款入賬通知單、保證金收據(jù)等資料，核對每日交易保證金收支情況，核對無誤后，編制交易保證金收款憑證。借記“銀行存款——中央政策性糧油競價交易保證金、貨款專戶或現(xiàn)金（及時轉(zhuǎn)存農(nóng)發(fā)行資金專戶）”，貸記“應(yīng)付保證金——××客戶——交易（履約）保證金”。（2）根據(jù)交易系統(tǒng)保證金、貨款收款員、復核員和出納員提供的資金入賬憑證、貨款收據(jù)等資料核對買方交易貨款收取情況，核對無誤后，編制買方交易貨款收款憑證。借記“銀行存款——中央政策性糧油競價交易保證金、貨款專戶”，貸記“應(yīng)付中央政策性糧油競價交易貨款——××買方客戶”。（3）根據(jù)交易系統(tǒng)管理員提供的競價交易成交明細表，編制交易保證金憑證。借記“應(yīng)付保證金——××（買方客戶）——交易（履約）保證金”，貸記“應(yīng)付保證金——××（賣方客戶）中儲糧分公司（庫、點）”。（4）根據(jù)交易系統(tǒng)出庫復核員提供的出庫通知單等資料核對買方辦理糧食出庫情況，審核無誤后，編制糧食交易出庫憑證。借記“應(yīng)付中央政策性糧油競價交易貨款——××買方客戶”，貸記“應(yīng)付中央政策性糧油競價交易貨款——××（賣方客戶）中儲糧（庫點）”。（5）根據(jù)交易系統(tǒng)復核員提供的“資金支付審批表”、驗收確認單、交易明細表等原始單據(jù)核對付賣方糧款及上交財政盈余等，核對無誤后，編制支付賣方糧款憑證。借記“應(yīng)付中央政策性糧油競價交易貨款——××（賣方客戶）中儲糧（庫點）”，貸記“應(yīng)上繳財政價差款（虧損以紅字表示）”、“主營業(yè)務(wù)收入——交易手續(xù)費收入（成交價*手續(xù)費標準）”、“銀行存款——中央政策性糧油競價交易保證金、貨款專戶”。（6）根據(jù)出納提供的交易保證金退款憑證、銀行付款單據(jù)（電匯單或轉(zhuǎn)賬支票存根）編制交易保證金、退款憑證。借記“應(yīng)付保證金——××客戶—交易（履約）保證金”，貸記“銀行存款——中央政策性糧油競價交易保證金、貨款專戶”。（7）根據(jù)出納提供的經(jīng)審核的退款說明及銀行付款單據(jù)（電匯單或轉(zhuǎn)賬支票存根），編制買方貨款退回憑證。借記“應(yīng)付中央政策性糧油競價交易貨款——××客戶”，貸記“銀行存款——中央政策性糧油競價交易保證金、貨款專戶”（8）根據(jù)出納提供的跨市場交易保證金付款審批表及電匯單，編制跨市場交易保證金付款憑證。借記“其他應(yīng)付款——××省、市交易市場”，貸記“銀行存款——中央政策性糧油競價交易保證金、貨款專戶（9）根據(jù)交易結(jié)算復核員提供的其他市場轉(zhuǎn)來交易保證金入賬通知單，編制跨市場交易保證金收款憑證。借記“銀行存款——中央政策性糧油競價交易保證金、貨款專戶”，貸記“其他應(yīng)付款——××省、市交易市場”。

（五）結(jié)算稽核 結(jié)算會計稽核交易系統(tǒng)結(jié)算復核員打印的每日“國家糧油交易中心競價交易系統(tǒng)”生成的交易匯總清單、審核移交的會計憑證，核對無誤后，由結(jié)算會計、交易系統(tǒng)結(jié)算復核員共同在交易匯總交接清單簽字，保證賬賬相符（結(jié)算會計帳戶與國家糧油交易中心競價交易系統(tǒng)帳戶相符）、賬實相符（結(jié)算會計財務(wù)帳戶與交易客戶、上繳財政專戶、省市分市場賬戶相符）。

篇7

Effect of molecular weight of poly(Lactic-co-Glycolide) on properties of exenatide-loaded microspheres

SHI Lin1, LIU Bin1, 2, WANG Mengshu1, WANG Chunyu3, KONG Wei1, CHEN Yan1*

(1.College of Life Science, Jilin University, Changchun 130012, China；2.State Key Laboratory of Supramolecular Structure & Materials, Jilin University, Changchun 130012, China；3.Changchun Institute of Biological Products, Changchun 130062, China）

[Abstract] Objective：To prepare exenatide-loaded poly (lactic-co-glycolide acid) (PLGA) microsphere, to evaluate the effect of molecular weight of PLGA on properties of these microspheres. Methods: The exenatide-loaded PLGA microspheres were prepared by double emulsion method with PLGA of different molecular weight. Parameters including particle size, drug loading, encapsulation , and releasing in vitro were determined. Results: The molecular weight of PLGA showed a significant effect on the property of exenatide-loaded PLGA microspheres. Conclusion: The expected characteristics of the microspheres can be realized by adjusting the molecular weight of PLGA.

[Key words] Exenatide; Microspheres; Poly(lactic-co-glycolide)acid; Molecular weight

Exendin-4是胰高血糖素樣肽-1（GLP-1）類似物，具有刺激胰島素分泌、抑制胰高血糖素分泌、抑制胰島B細胞凋亡、減緩胃排空等生理活性[1-2]。艾塞那肽(exenatide)為人工合成的exendin-4，是由39個氨基酸組成的多肽類藥物，用于2 型糖尿病的治療，臨床效果顯著，但與其他蛋白多肽類藥物一樣，存在頻繁注射不便的問題（每天兩次的皮下注射給藥）[3-4]。本實驗室以乳酸/羥基乙酸共聚物[poly (lactic-co-glycolic acid)，PLGA]為載體材料制備緩釋擬達1個月的exenatide微球，考察了PLGA分子量對微球性質(zhì)的影響。

1 儀器與試藥

MICCRA D-8高速勻漿器（德國ART公司）；XL30 ESEM FEG掃描電鏡（美國FEI公司）；MS2000粒徑測定儀（英國Malvern公司）；冷凍干燥機（德國Christ公司）。

艾塞那肽（吉林大學生命科學學院肽合成研究室提供，純度>98%）；PLGA（乳酸/羥基乙酸比為50/50, MW分別為10 000、20 000、30 000，山東岱罡生物科技有限公司）； Micro-BCA蛋白檢測試劑盒（美國Pierce公司）；其他試劑均為分析純。

2 方法與結(jié)果

2.1 微球的制備

采用復乳溶劑揮發(fā)法制備艾塞那肽PLGA微球[5]。以醋酸鈉溶液溶解艾塞那肽作為內(nèi)水相，與PLGA的二氯甲烷溶液混合，高速勻漿器攪拌制得初乳，在勻漿器高速攪拌下快速滴加到1％PVA水溶液中，得到復乳，繼續(xù)攪拌4 h，離心收集微球，蒸餾水洗滌3次，冷凍干燥，即得。

2.2 微球的形態(tài)觀察

取微球粉末少許，XL30 ESEM FEG掃描電鏡下觀察微球的表面形態(tài)。掃描電鏡照片（圖1）顯示所制備的微球形態(tài)圓整，表面光滑，大小均勻。

2.2 微球的粒徑測定

將微球在水中均勻分散，MS2000測定微球粒徑大小，結(jié)果見表1。可見，隨著PLGA分子量的增大，所制備微球的粒徑也隨之增大。

2.3微球載藥量及包封率的測定

精密稱取適量微球，用0.1 mol/L NaOH（含5％SDS）溶液混懸，在100 rpm、37℃水浴搖床中震蕩24 h，8 000 rpm離心10 min，micro-BCA試劑盒測定上清液中的艾塞那肽含量[6]。按如下公式計算：載藥量%=（微球中所含藥物重量/微球的總重量）×100%，包封率%=（微球的實際載藥量/微球的理論載藥量）×100%，結(jié)果見表1。可見，隨著PLGA分子量的增大，微球的載藥量及包封率隨之提高。

2.4微球體的外釋放試驗

精密稱取適量艾塞那肽微球于離心管中，加 10 mmol/L

pH 7.4磷酸鹽緩沖液混懸(含0.01%疊氮鈉和2 mmol/L SDS)，37℃、100 rpm水浴震蕩,于指定時間取出，4 000 rpm離心10 min，吸出全部上清液, micro-BCA試劑盒測定上清液中艾塞那肽的含量，計算累積釋放量，結(jié)果見圖2。可見，PLGA分子量對exenatide的釋放速率有明顯的影響，分子量越低，藥物釋放越快。PLGA分子量為10 000的微球，突釋嚴重（60%）。而PLGA分子量為20 000及30 000的微球，突釋相對較小，可緩慢釋放藥物達30 d。

3 討論

PLGA是一種可生物降解的合成高分子材料，被廣泛應(yīng)用于微球的制備[7]。已知，PLGA的分子量和乳酸/羥基乙酸的比例對于微球的性質(zhì)影響較大[8]。本研究選用分子量分別為1 000、2 000和3 000的PLGA，采用復乳法成功地制備了可以緩釋30 d的艾塞那肽PLGA微球，國內(nèi)未見報道。研究表明，在上述分子量范圍內(nèi)，PLGA分子量越大，微球的粒徑越大、包封率越高、exenatide的釋放越慢，可通過對PLGA分子量的調(diào)節(jié)對微球的性質(zhì)進行有目的的調(diào)控，為艾塞那肽PLGA微球的處方優(yōu)化提供了依據(jù)。

[參考文獻]

[1]譚興容.Exendin-4與糖尿病治療[J].重慶醫(yī)學, 2006, 35(10):904.

[2]Yu BS, Wang AR.Glucagon-like peptide 1 based therapy for type 2 diabetes[J].World J Pediatr,2008, 4(1):8-13.

[3]Ai G, Chen Z, Shan C.Single-and multiple-dose pharmacokinetics of exendin-4 in rhesus monkeys[J]. Int J Pharm,2008, 353(1-2):56-64.

[4]Drucker DJ, Buse JB, Taylor K, et al. Trautmann, D. Zhuang, L. Porter, Exenatide once weekly versus twice daily for the treatment of type 2 diabetes: a randomised, open-label, non-inferiority study[J]. Lancet. 2008, 372(9645):1240-1250.

[5]孫華燕, 徐風華.溶劑揮發(fā)法制備蛋白質(zhì)類微球的研究進展[J].中國新藥雜志，2008, 17(3):195-198.

[6]Van der Walle CF, Sharma G, Ravi Kumar M. Current approaches to stabilising and analysing proteins during microencapsulation in PLGA[J]. Expert Opin Drug Deliv,2009, 6(2):177-86.

篇8

（二）計算擁有被投資單位凈資產(chǎn)變動份額時應(yīng)分清變動原因 投資企業(yè)擁有被投資單位的凈資產(chǎn)份額常發(fā)生變動，不同原因形成變動份額的計算方法、核算賬戶及確認時間通常不相同。如有些變動份額形成當期損益，有些形成資本公積；有些要在變動確認日追溯調(diào)整，有些只在期末調(diào)整等等。產(chǎn)生變動的原因可歸為兩類：一是被投資單位本身的凈資產(chǎn)總額發(fā)生了變動。比如被投資單位實現(xiàn)了凈利潤、接受投入資本中形成的溢價或持有可供出售金融資產(chǎn)發(fā)生了增值等引起了凈資產(chǎn)總額增加；又如被投資單位發(fā)生了經(jīng)營虧損或可供出售金融資產(chǎn)出現(xiàn)了貶值等引起了其凈資產(chǎn)總額減少。二是投資企業(yè)持有被投資單位的股權(quán)比例發(fā)生了增減變動。如一次性取得或在原持股基礎(chǔ)上增持股權(quán)后累計取得被投資單位共同控制權(quán)；減持原持有部分股權(quán)形成了由控制權(quán)轉(zhuǎn)為共同控制權(quán)。即：投資企業(yè)擁有被投資單位的凈資產(chǎn)份額=被投資單位的凈資產(chǎn)額×投資企業(yè)的持股比例

（三）按調(diào)整后被投資單位的凈損益確認投資企業(yè)分享或分擔的損益份額 被投資單位計算凈損益過程中所扣除的費用是按其資產(chǎn)賬面價值為基礎(chǔ)計算形成的，如被投資單位按其賬面的固定資產(chǎn)初始價值計提各期折舊，從而形成各期相應(yīng)的成本費用及損益；但權(quán)益法規(guī)則要求按投資確認日固定資產(chǎn)公允價攤銷各期的折舊費，由此確認分享的凈損益份額。常見的可能調(diào)整項目還包括存貨、無形資產(chǎn)等。計算分享被投資單位凈損益份額時，應(yīng)按原投資日的被投資單位資產(chǎn)公允價脫離其賬面的差額調(diào)整各期費用。如果被投資企業(yè)發(fā)生了巨額虧損，《企業(yè)會計準則第2號——長期股權(quán)投資》第11條規(guī)定，投資企業(yè)應(yīng)當以該長期股權(quán)投資賬面價值減記至零為限。

還應(yīng)理解到的是，從理論上分析，資產(chǎn)公允價與其賬面價之間的差額不應(yīng)當全部在當期損益中調(diào)整。因為企業(yè)生產(chǎn)用固定資產(chǎn)折舊費形成制造費用從而構(gòu)成產(chǎn)品成本，如果該產(chǎn)品在當期沒有實現(xiàn)銷售就意味著形成了期末存貨資產(chǎn)，從而其成本中的折舊費用不應(yīng)當在當期利潤前扣除，而應(yīng)在其未來銷售期間的利潤前扣除才是合理的。但從企業(yè)長期經(jīng)營過程看，成本中的折舊費用將隨著其未來出售而形成當期損益中的費用，從而在計算利潤中扣除；如果產(chǎn)品在未來沒有銷售而發(fā)生了損失，則將確認損失扣除；如果產(chǎn)品用于投資等用途，則應(yīng)視同銷售而轉(zhuǎn)銷其成本等等。而且實務(wù)中也難以細分本期銷售產(chǎn)品成本中有多少折舊是本期形成的，有多少屬于前各期形成的。所以，直接按投資日資產(chǎn)公允價與其賬面價值的差額在以后有關(guān)期間內(nèi)分期調(diào)整當期損益，這可能是為簡化核算而制定的規(guī)制。

（四）調(diào)整關(guān)聯(lián)交易形成的內(nèi)部未實現(xiàn)的損益份額 投資企業(yè)與被投資企業(yè)之間的關(guān)聯(lián)交易可歸為順流和逆流兩種交易方向。從投資企業(yè)的角度劃分，將其擁有的資產(chǎn)出售給被投資單位，稱為順流交易；從被投資單位中購入資產(chǎn)，稱為逆流交易。在順流關(guān)聯(lián)交易情況下，如果被投資單位尚未在本期向外部第三方出售當期從投資企業(yè)中購入的商品，而形成了被投資企業(yè)的期末存貨等資產(chǎn)，則投資企業(yè)順流銷售所確認的賬面利潤并沒有實際實現(xiàn)。在逆流關(guān)聯(lián)交易情況下，如果投資企業(yè)尚未將購入的被投資單位商品在本期出售給外部第三方，而形成了投資企業(yè)的期末資產(chǎn)，則該逆流銷售形成的被投資企業(yè)利潤也沒有實際實現(xiàn)。按權(quán)益法核算規(guī)定，分享的被投資單位的凈損益份額，應(yīng)在被投資單位凈損益額基礎(chǔ)上扣除關(guān)聯(lián)交易形成的未來實現(xiàn)利潤之后，再按持股比例確定份額。因此，無論順流還是逆流交易，投資企業(yè)分享被投資單位的凈損益份額都應(yīng)在扣除未實現(xiàn)的內(nèi)部利潤基礎(chǔ)上按比例確定。即：

分享凈損益份額=（調(diào)整后被投資單位凈利潤-未實現(xiàn)的關(guān)聯(lián)交易利潤）×持股比例

對于本期未實現(xiàn)向第三方銷售的關(guān)聯(lián)交易商品，以后關(guān)聯(lián)交易任何一方的關(guān)聯(lián)交易商品實現(xiàn)了對第三方的銷售，投資企業(yè)都應(yīng)在關(guān)聯(lián)交易商品實現(xiàn)對外銷售期間按持股比例調(diào)增分享的凈損益份額；在本期部分實現(xiàn)及部分未實現(xiàn)對外銷售的關(guān)聯(lián)交易業(yè)務(wù)中，本期應(yīng)按未實現(xiàn)銷售比例調(diào)減內(nèi)部利潤額，在以后實現(xiàn)期再進行調(diào)增。還應(yīng)注意到的是：在投資企業(yè)需編制合并報表的情況下，在合并報表中，應(yīng)調(diào)減逆流銷售形成投資企業(yè)的期末存貨中所含內(nèi)部利潤；以及調(diào)減順流銷售形成投資企業(yè)的賬面利潤。

（五）分清權(quán)益法與成本法之間的區(qū)別 成本法與權(quán)益法核算長期股權(quán)投資業(yè)務(wù)中，存在的區(qū)別主要可歸為五點：首先，適用的核算條件不同。對于有實質(zhì)控制權(quán)、法定控制權(quán)或未取得非上市企業(yè)控制權(quán)的股權(quán)投資采用成本法計量；而對被投資單位具有共同控制或重大影響的長期股權(quán)投資采用權(quán)益法核算。其次，長期股權(quán)投資的初始成本確認方法不同。成本法下對于同一控制形成的控股合并投資，其初始投資成本為被投資企業(yè)凈資產(chǎn)賬面價值的份額；非同一控制形成的控股合并投資，其初始投資成本為合并成本，即投資方支付的對價；未取得控制權(quán)的長期股權(quán)投資按支付的對價確認初始投資成本。而權(quán)益法按支付對價與被投資單位可辨認凈資產(chǎn)公允價份額的較高者確認初始投資成本。第三，長期股權(quán)投資的后續(xù)計量方法不同。成本法核算的長期股權(quán)投資原賬面價值，不隨被投資單位凈資產(chǎn)變動作出份額調(diào)整，持有股權(quán)期間取得被投資方分配的股利額時直接確認投資收益；而權(quán)益法需調(diào)整擁有被投資單位凈資產(chǎn)變動的份額。第四，轉(zhuǎn)換業(yè)務(wù)中調(diào)整初始成本的確認方法不同。成本法轉(zhuǎn)換為權(quán)益法核算時，應(yīng)追溯調(diào)整累積影響額及初始成本。第五，明細賬的設(shè)置方法不同。權(quán)益法下需要在長期股權(quán)投資總賬下分被投資單位專設(shè)“成本、損益調(diào)整、其他權(quán)益變動”這三個明細賬，而成本法核算下只需區(qū)分被投資單位，不進一步分設(shè)明細賬。另外在投資企業(yè)編制合并報表時，對關(guān)聯(lián)交易形成的內(nèi)部利潤調(diào)整方法也不同。

二、權(quán)益法計量被投資單位凈資產(chǎn)變動份額的核算實例

為表達筆者對權(quán)益法核算規(guī)制內(nèi)容的理解，舉例說明如下：

[例]燎原公司在2010年1月3日從群信公司原股東丙中購入了群信公司的30%股權(quán)，支付給丙的對價形式為辦公房、專利權(quán)及貨幣資金，各種對價的賬面價及公允價如表1所示：

假設(shè)各種對價均已辦妥相關(guān)轉(zhuǎn)移確認手續(xù)，公允價中已包含權(quán)屬轉(zhuǎn)移中的相關(guān)稅費，股權(quán)購入后燎原公司派員參與了群信公司重大的財務(wù)及經(jīng)營決策。

燎原公司購買股權(quán)日的有關(guān)資產(chǎn)賬面價及公允價：投資確認日群信公司可辨認凈資產(chǎn)公允價5000萬元；賬面價值3800萬元，除表2中資產(chǎn)外，該公司的其他資產(chǎn)、負債公允價及賬面價值相同（金額單位：萬元）。

2010年4月1日群信公司將原賬面成本200萬元，按不含稅價300萬元銷售給燎原公司，收取了價款。燎原公司在當年末尚有60%該批商品未實現(xiàn)對外銷售，形成了期末存貨；2010年內(nèi)，群信公司年初存貨中有70%實現(xiàn)了對外銷售，假設(shè)其余30%在次年全部實現(xiàn)了銷售。2010年群信公司實現(xiàn)凈利800萬元，當年未分派股利，2010年末群信公司可辨認凈資產(chǎn)公允價5900萬元。2011年內(nèi)群信公司按170元的虧本價全部向第三方銷售了上年關(guān)聯(lián)交易形成的60%結(jié)余存貨。2011年群信公司實現(xiàn)凈利潤600萬元，2011年末群信公司可辨認凈資產(chǎn)公允價5500萬元，2012年初分配股利200萬元。雙方核算會計政策相同，假設(shè)不考慮所得稅調(diào)整等其他因素影響，燎原公司核算長期股權(quán)投資業(yè)務(wù)的有關(guān)會計處理如下：

2010年有關(guān)業(yè)務(wù)會計核算

（1）1月3日支付對價取得股權(quán)業(yè)務(wù)（為簡化核算，直接結(jié)轉(zhuǎn)固定資產(chǎn)）：

長期股權(quán)投資初始成本=max（分享群信公司凈資產(chǎn)公允價份額，支付對價）= max（5000×30%，1400）=1500（萬元）

處置固定資產(chǎn)利得=1200-（800-100）=500（萬元）

處置無形資產(chǎn)損失=50-（100-30-10）= -10（萬元）

股權(quán)投資初始計量中確認利得=5000×30%-1400=100（萬元）

借：長期股權(quán)投資——群信公司（成本） 1500

累計折舊 100

累計攤銷 30

無形資產(chǎn)減值準備 10

營業(yè)外支出——處置非流動資產(chǎn)損失 10

貸：固定資產(chǎn) 800

無形資產(chǎn) 100

銀行存款 150

營業(yè)外收入——處置非流動資產(chǎn)利得 500

營業(yè)外收入 100

（2）年末按公允價及未實現(xiàn)關(guān)聯(lián)交易調(diào)整群信公司當年的凈利潤額

按投資日公允價調(diào)整凈利額=增加折舊費用+增加無形資產(chǎn)攤銷+沖減多轉(zhuǎn)銷存貨成本額

=（2000/40-1800/50）+（1400/35-1000/50）+（500-560）×70%=14+20 - 42= - 8（萬元）（需調(diào)增）

本期關(guān)聯(lián)交易形成未實現(xiàn)損益調(diào)減凈利額=（300-200）×60%=60（萬元）

調(diào)整后群信公司當年的凈利潤額=800+8-60=748萬元

年末燎原公司應(yīng)分享群信公司可辨認凈資產(chǎn)變動份額=（5900-5000）×30%=270（萬元）

其中：應(yīng)分享的凈利潤變動額=748×30%=224.4（萬元）

其他權(quán)益變動額=270-224.4=45.6（萬元）

借：長期股權(quán)投資——群信公司（損益調(diào)整） 224.4

——群信公司（其他權(quán)益變動） 45.6

貸：投資收益 224.4

資本公積——其他資本公積 45.6

年末對群信公司長期股權(quán)投資賬戶余額為1770萬元，其中成本1500萬元，損益調(diào)整224.4萬元，其他權(quán)益變動45.6萬元。

2011年及2012年有關(guān)業(yè)務(wù)核算

由于群信公司銷售的關(guān)聯(lián)交易虧本數(shù)額已經(jīng)在其凈利潤中得到了體現(xiàn)，因此，不需要調(diào)整這個虧本數(shù)額，而還是要按照已實現(xiàn)對外銷售的原關(guān)聯(lián)交易商品的內(nèi)部利潤調(diào)整。

（1）年末按公允價及已實現(xiàn)關(guān)聯(lián)交易調(diào)整群信公司當年凈利潤額

按投資日公允價調(diào)整凈利額=增加折舊費用+增加無形資產(chǎn)攤銷+沖減多轉(zhuǎn)銷存貨成本額

=（2000/40-1800/50）+（1400/35-1000/50）+（500-560）×30%=14+20 -18= 16萬元（需調(diào)減）

轉(zhuǎn)回本期已實現(xiàn)關(guān)聯(lián)交易利潤調(diào)增額=（300-200）×60%=60（萬元）

調(diào)整后群信公司當年的凈利潤額=600-16+60=644（萬元）

年末燎原公司應(yīng)分享群信公司可辨認凈資產(chǎn)變動份額=（5500-5900）×30%= - 120（萬元）

其中：應(yīng)分享的凈利潤變動額=644×30%=193.2（萬元）

其他權(quán)益變動份額= -120-193.2=-313.2（萬元）

借：長期股權(quán)投資——群信公司（損益調(diào)整） 193.2

資本公積——其他資本公積 313.2

貸：投資收益 193.2

長期股權(quán)投資——群信公司（其他股權(quán)變動） 313.2

（2）按持股比例分享股利

借：應(yīng)收股利（200×30%） 60

貸：長期股權(quán)投資-群信公司（損益調(diào)整） 60

2011年末對群信公司長期股權(quán)投資賬戶余額2590萬元，其中成本1500萬元，損益調(diào)整357.6萬元，其他權(quán)益變動（-267.6萬元）。

如果群信公司發(fā)生了虧損，應(yīng)按持股比例調(diào)減凈損益份額；如果發(fā)生了巨額虧損，應(yīng)當以對群信公司長期股權(quán)投資賬戶余額減記為零為限；如果以后增持股份到控制權(quán)，應(yīng)轉(zhuǎn)換為成本法核算，從而需追溯調(diào)整轉(zhuǎn)換前所持有股份的初始投資成本及產(chǎn)生的累積影響數(shù)。還應(yīng)注意到的是，如果燎原公司需編制合并報表，應(yīng)調(diào)整關(guān)聯(lián)交易形成的未實現(xiàn)內(nèi)部利潤，且調(diào)整方法不同于控股合并中編制合并報表的抵消分錄。

[本文系杭州職業(yè)技術(shù)學院重大招標課題“校企對接情境下的高職會計課程學做融合研究”（編號： ZDZB201303）階段性研究成果]

篇9

養(yǎng)殖水質(zhì)中亞硝酸鹽含量的高低將決定著養(yǎng)殖水質(zhì)的好壞，影響著養(yǎng)殖水產(chǎn)品的產(chǎn)量；一些長期貯存的飲用水中亞硝酸酸鹽含量超標，人一旦長期飲用會影響人體健康，甚至有致癌的風險；在食品生產(chǎn)中亞硝酸鹽作為一種著色劑和防腐劑使用，少則無害多存隱患。在人類生活水平得到提高的前提下，人類越來越關(guān)注健康，越來越來關(guān)注水質(zhì)的質(zhì)量，越來越關(guān)注食品安全，亞硝酸鹽是水質(zhì)監(jiān)測與食品添加劑中常測指標之一。測定亞硝酸鹽的方法主要有分光光度法、熒光法、離子色譜法、液相色譜法、流動注射法、共振散射光譜法、電化學法、化學發(fā)光法等[1]。在生活節(jié)奏越來越快的當下，亞硝酸鹽含量檢測的高效性與準確性成為檢測行業(yè)追求的新態(tài)勢。本文就測試水中亞硝酸鹽含量的眾多方法中選用的流動分析儀與紫外分光光度計兩臺儀器的測試情況進行了比較與分析。

1 方法與儀器

1.1 方法原理

《水質(zhì) 亞硝酸鹽氮的測定 分光光度法》 在磷酸介質(zhì)中，pH值為1.8時，試份中的亞硝酸根離子與4-氨基苯磺酰胺反應(yīng)生成重氮鹽，再與鹽酸萘乙二胺偶聯(lián)生成紅色染料，540nm波長測定吸光度[2]。

《亞硝酸鹽的測定-流動分析法》在酸性介質(zhì)中，亞硝酸鹽與磺胺發(fā)生重氮化反應(yīng)，其產(chǎn)物再與鹽酸萘乙二胺偶合生成紅色偶氮染料，于550波長測定[3]。

1.2 儀器與工作參數(shù)

連續(xù)流動分析儀Futura（法國ALLIANCE公司），測量波長540nm，參比波長660nm，分析速率40樣/h，取樣時間45s，尋峰時間15～65s，清洗時間45s，顯色劑進樣管0.76mm，水樣進樣管內(nèi)徑1.85mm。

紫外分光光度計Cary 100 Conc（美國VARIAN公司），測量波長540nm，光程10mm比色皿。

2 試劑與前處理

2.1 試劑

亞硝酸鹽標準溶液：100mg/L，購于中國計量科學研究院，證書號GBW（E）080223。亞硝酸鹽環(huán)境標準樣品：0.151±0.008 mg/L，購于環(huán)境保護部標準物質(zhì)研究所，證書號：200633。其它試劑選用至少分析純級別，水質(zhì)符合測試分析的2類水質(zhì)。

2.1.1 流動分析儀測試標準曲線的配制

取1.00mL亞硝酸鹽標準溶液（100mg/L）于100.0mL容量瓶，用超純水定容至刻度線，濃度為1000?g/L，用流動分析儀自備稀釋器分別稀釋成0、5.00、10.00、25.00、50.00、100.0、150.0、200.0?g/L，共8個濃度點進行測試標準曲線。

2.1.2 紫外分光光度法測試標準曲線的配制

分別移取0、1.00、3.00、5.00、7.00、10.00mL（濃度為1000?g/L的亞硝酸鹽標準中間液）至50mL比色管，用水稀釋至標線，配制濃度分別為0、20.00、60.00、100.0、140.0、200.0?g/L，共6個濃度點，再分別加入1.0mL顯色劑，密塞，搖勻靜置，2h內(nèi)用紫外分光光度計測試標準曲線。

2.2 樣品前處理 水質(zhì)均經(jīng)過0.45um濾膜過濾后測定

2.2.1 流動分析儀測試所需的水量

待測水樣樣量

2.2.2 紫外分光光度計測試所需的水量

待測水樣約量50mL左右，選用傳統(tǒng)的抽空泵進行抽濾水樣，達到50mL水樣量為待測樣品。

2.3 實驗步驟

2.3.1 流動分析儀測試過程

配制好顯色劑，調(diào)試儀器至最佳工作狀態(tài)，開始泵入顯色劑，待試劑基線穩(wěn)定后，調(diào)節(jié)基線和增益，標準溶液及待測水樣置于自動取樣器固定架中，再次等待基線穩(wěn)定后進行標準曲線與待測樣品的測試。

2.3.2 紫外分光光度計測試過程

測試時取50.0mL各待測水樣，分別手動加入1.0mL顯色劑，密塞，搖勻靜置，2h內(nèi)于540nm最大吸光度波長處，用光程長10mm的比色皿，用水做參比測定樣品濃度。

3 結(jié)果與討論

3.1 標準曲線、線性及范圍

分別用流動分析儀與紫外分光光度計測試亞硝酸鹽0～200?g/L濃度點的標準曲線，測試情況如表1，流動分析儀與紫外分光光度計測試標準曲線的范圍均在0～200?g/L之間，線性相關(guān)系數(shù)均大于0.997，檢出限均較低。

3.2 測試精密度與準確度

分別用流動分析儀與紫外分光光度計測試水質(zhì)樣品與編號200633（GSBZ5006-88）的環(huán)境標準樣品各7次，精密度與準確度如表2，對同一水樣的測試標準偏差范圍在1.1%～6.9%之間，測試環(huán)境標準樣品的濃度值在0.151±0.008 mg/L范圍，均符合證書要求。

3.3 樣品的加標回收率

在待測水樣中加入低、中、高的亞硝酸鹽標準溶液，按上述處理方法分別用兩臺儀器進行測試，測試結(jié)果如表3，加標回收率在92.0%～102.0%之間，均達到方法要求。

4 結(jié)論

用流動分析儀與紫外分光光度2臺不同的儀器對相同水樣進行測試可知：標準曲線、線性相關(guān)系數(shù)、方法檢出限均接近達到相關(guān)規(guī)定；2臺儀器測試樣品的精密度、準確度、加標回收率均能達到方法要求；但流動分析儀測試樣品的前處理較簡便與快速、測試時自動化程度高、分析速度快、消耗的待測樣量少、測試后產(chǎn)生的廢液少等優(yōu)勢，故流動分析x是水質(zhì)亞硝酸鹽測試的理想測試儀器之選，值得推廣與普遍使用。

參考文獻

[1]胡浩光，王耀，謝翠美，等.連續(xù)流動分析法測定環(huán)境水樣中痕量亞硝酸鹽[J].現(xiàn)代儀器，2010（06）：68-70.

篇10

金融工具是指形成一個企業(yè)的金融資產(chǎn)，同時形成其他單位的金融負債或權(quán)益工具的合同。

金融工具的經(jīng)濟實質(zhì)是一種“合同”。因為金融工具最基本的表現(xiàn)方式就是存在發(fā)行方和接受方，雙方以一種契約的方式達成交易。例如有價證券、債權(quán)債務(wù)。

企業(yè)成為金融工具合同的一方時，應(yīng)當確認一項金融資產(chǎn)或金融負債，根據(jù)管理者持有意圖，金融資產(chǎn)可以劃分為四類：（1）以公允價值計量且其變動計入當期損益的金融資產(chǎn)；（2）持有至到期投資；（3）貸款和應(yīng)收款項；（4）可供出售金融資產(chǎn)。分類不同，會計核算不同，對報表的影響也不相同。

“企業(yè)會計準則第22號——金融工具確認與計量”規(guī)定：以公允價值計量且其變動計入當期損益的金融資產(chǎn)，具體分為交易性金融資產(chǎn)和直接指定為以公允價值計量且其變動計入當期損益的金融資產(chǎn)兩類。兩類均通過“交易性金融資產(chǎn)”來進行核算。

交易性金融資產(chǎn)是指企業(yè)為了近期內(nèi)出售而持有的金融資產(chǎn)，比如企業(yè)以賺取差價為目的，從二級市場上購入的股票、債券、基金等。

可供出售金融資產(chǎn)是指企業(yè)沒有劃分為以公允價值計量且其變動計入當期損益的金融資產(chǎn)、持有至到期投資、貸款和應(yīng)收款項的金融資產(chǎn)。如企業(yè)購入的在活躍市場上有報價的股票、債券、基金等，沒有劃分為交易性金融資產(chǎn)或持有至到期投資的，可以歸為此類。

交易性金融資產(chǎn)與可供出售金融資產(chǎn)在會計核算中有很多類似的地方，下面我們用一個簡單的案例，以表格的形式來進行分析，幫助大家理解兩者核算的異同之處。

假定不考慮其他因素，我們分析A公司將一項投資分別劃分為交易性金融資產(chǎn)或可供出售金融資產(chǎn)，在兩種不同情況下的賬務(wù)處理。

2010年6月6日，A公司支付價款1 021萬元，購入B公司發(fā)行的股票200萬股（含交易費用3萬元和已宣告尚未派發(fā)的現(xiàn)金股利18萬元），占B公司有表決權(quán)股份的0.9%。

2010年6月16日，A公司收到B公司發(fā)放的現(xiàn)金股利18萬元。

2010年6月30日，該股票市價為每股5.2元。

2010年12月31日，A公司仍持有該股票，當日該股票市價為每股4.7元。

2011年5月18日，B公司宣告派發(fā)現(xiàn)金股利，根據(jù)A公司所占份額，可獲得30萬元。

2011年5月28日，A公司收到B公司實際發(fā)放的現(xiàn)金股利。

2011年6月26日，A公司以4.86元/股的價格將股票全部轉(zhuǎn)讓。

篇11

感到激動的還有英國劍橋大學量子物理學教授阿德里安?肯特，他說：“我對中國發(fā)射量子衛(wèi)星這事感到很興奮。”他認為，這是為使用量子技術(shù)構(gòu)建全球性安全通信網(wǎng)絡(luò)邁出的“第一步”。

德國整合量子科學和技術(shù)中心負責人托馬索?卡拉爾科說：“中國發(fā)射全球首顆量子衛(wèi)星意義重大，在實現(xiàn)全球安全量子通信的道路上邁出了決定性的一步。”

解讀衛(wèi)星意義

科學家們還從不同角度解讀了量子衛(wèi)星的意義。美國馬薩諸塞大學的量子專家王晨說，用衛(wèi)星參與量子通信，主要是可以減少搭載信號的光子在遠距離傳輸中的損耗。因為與在光纖和地面空氣中傳播相比，光子在太空中的傳輸損耗更小。

謝爾吉延科給出了更詳細的解釋。他說，地面上量子通信的主要限制是距離，因為即便最好的光纖也有固有損耗，目前量子通信通常的運行距離只有50到100公里。雖然也有一些量子通信實驗的距離達到了250到300公里，但沒有太大實際用處，因為這是以可用性極低的密鑰分發(fā)速率作為代價換取的。通過使用衛(wèi)星，可以把地球表面距離相當遙遠的兩個點通過天上的一個節(jié)點連接起來。

有的科學家則提到中國量子衛(wèi)星影響的不只是量子通信，還有量子計算。阿德里安?肯特說，中國的量子衛(wèi)星“對未來最終形成一個分布式的量子計算網(wǎng)絡(luò)也非常重要”。

肯特還提到了中國衛(wèi)星對國際科學合作的意義，因為這個衛(wèi)星項目中還有奧地利科學家是合作方。肯特說：“科學是無邊界的，中國和奧地利科學家合作的這個量子衛(wèi)星項目正是讓人興奮的明證。”

奧地利著名量子科學家安東?蔡林格參與了中國量子衛(wèi)星項目，他認為中國衛(wèi)星會帶動全球相關(guān)領(lǐng)域的發(fā)展，因為如果中國團隊取得成功，那么其他團隊將更容易獲得對量子衛(wèi)星的資助。

如何影響生活

那量子衛(wèi)星會怎樣影響我們的生活呢？卡拉爾科說：“基于量子的技術(shù)如今已進入我們的日常生活，沒有量子力學，我們就不會有晶體管和激光器，也不會有計算機和互聯(lián)網(wǎng)。”他說，量子衛(wèi)星可能會促進相關(guān)領(lǐng)域進一步發(fā)展，令現(xiàn)有技術(shù)更加準確、靈敏、安全且性能更佳。

篇12

量子計算的實現(xiàn)在方法上大致可以被分為兩種，量子邏輯門方法和絕熱量子計算方法。研究表明這兩種方法在計算能力和計算復雜度方面是等價的。他們選取了一種可以用絕熱量子計算實現(xiàn)的量子算法，通過對一維橫場伊辛模型和XY模型基態(tài)糾纏任伊熵的分析發(fā)現(xiàn)，在絕熱量子計算的實現(xiàn)過程中，在一些量子相里，絕熱量子計算需要整體相干操作，而在另一些量子相里，絕熱量子計算可以通過較簡單的局域操作輔助以經(jīng)典通訊。而對比如量子搜索的研究表明，局域操作在所謂的量子加速方面并不起作用。從而表明不同的量子相具有不同的量子計算能力。

篇13

一、在材料科學中的應(yīng)用

（一）在建筑材料方面的應(yīng)用

水泥是重要的建筑材料之一。1993年，計算量子化學開始廣泛地應(yīng)用于許多水泥熟料礦物和水化產(chǎn)物體系的研究中，解決了很多實際問題。

鈣礬石相是許多水泥品種的主要水化產(chǎn)物相之一，它對水泥石的強度起著關(guān)鍵作用。程新等[1,2]在假設(shè)材料的力學強度決定于化學鍵強度的前提下，研究了幾種鈣礬石相力學強度的大小差異。計算發(fā)現(xiàn)，含Ca鈣礬石、含Ba鈣礬石和含Sr鈣礬石的Al-O鍵級基本一致，而含Sr鈣礬石、含Ba鈣礬石中的Sr，Ba原子鍵級與Sr-O，Ba-O共價鍵級都分別大于含Ca鈣礬石中的Ca原子鍵級和Ca-O共價鍵級，由此認為，含Sr、Ba硫鋁酸鹽的膠凝強度高于硫鋁酸鈣的膠凝強度[3]。

將量子化學理論與方法引入水泥化學領(lǐng)域，是一門前景廣闊的研究課題，它將有助于人們直接將分子的微觀結(jié)構(gòu)與宏觀性能聯(lián)系起來，也為水泥材料的設(shè)計提供了一條新的途徑[3]。

（二）在金屬及合金材料方面的應(yīng)用

過渡金屬(Fe、Co、Ni)中氫雜質(zhì)的超精細場和電子結(jié)構(gòu)，通過量子化學計算表明，含有雜質(zhì)石原子的磁矩要降低，這與實驗結(jié)果非常一致。閔新民等[4]通過量子化學方法研究了鑭系三氟化物。結(jié)果表明，在LnF3中Ln原子軌道參與成鍵的次序是：d＞f＞p＞s，其結(jié)合能計算值與實驗值定性趨勢一致。此方法還廣泛用于金屬氧化物固體的電子結(jié)構(gòu)及光譜的計算[5]。再比如說，NbO2是一個在810℃具有相變的物質(zhì)(由金紅石型變成四方體心)，其高溫相的NbO2的電子結(jié)構(gòu)和光譜也是通過量子化學方法進行的計算和討論，并通過計算指出它和低溫NbO2及其等電子化合物VO2在性質(zhì)方面存在的差異[6]。

量子化學方法因其精確度高，計算機時少而廣泛應(yīng)用于材料科學中，并取得了許多有意義的結(jié)果。隨著量子化學方法的不斷完善，同時由于電子計算機的飛速發(fā)展和普及，量子化學在材料科學中的應(yīng)用范圍將不斷得到拓展，將為材料科學的發(fā)展提供一條非常有意義的途徑[5]。

二、在能源研究中的應(yīng)用

（一）在煤裂解的反應(yīng)機理和動力學性質(zhì)方面的應(yīng)用

煤是重要的能源之一。近年來隨著量子化學理論的發(fā)展和量子化學計算方法以及計算技術(shù)的進步，量子化學方法對于深入探索煤的結(jié)構(gòu)和反應(yīng)性之間的關(guān)系成為可能。

量子化學計算在研究煤的模型分子裂解反應(yīng)機理和預(yù)測反應(yīng)方向方面有許多成功的例子,如低級芳香烴作為碳/碳復合材料碳前驅(qū)體熱解機理方面的研究已經(jīng)取得了比較明確的研究結(jié)果。由化學知識對所研究的低級芳香烴設(shè)想可能的自由基裂解路徑，由Guassian98程序中的半經(jīng)驗方法UAM1、在UHF/3-21G*水平的從頭計算方法和考慮了電子相關(guān)效應(yīng)的密度泛函UB3LYP/3-21G*方法對設(shè)計路徑的熱力學和動力學進行了計算。由理論計算方法所得到的主反應(yīng)路徑、熱力學變量和表觀活化能等結(jié)果與實驗數(shù)據(jù)對比有較好的一致性，對煤熱解的量子化學基礎(chǔ)的研究有重要意義[7]。（二）在鋰離子電池研究中的應(yīng)用

鋰離子二次電池因為具有電容量大、工作電壓高、循環(huán)壽命長、安全可靠、無記憶效應(yīng)、重量輕等優(yōu)點，被人們稱之為“最有前途的化學電源”，被廣泛應(yīng)用于便攜式電器等小型設(shè)備，并已開始向電動汽車、軍用潛水艇、飛機、航空等領(lǐng)域發(fā)展。

鋰離子電池又稱搖椅型電池，電池的工作過程實際上是Li+離子在正負兩電極之間來回嵌入和脫嵌的過程。因此，深入鋰的嵌入-脫嵌機理對進一步改善鋰離子電池的性能至關(guān)重要。Ago等[8]用半經(jīng)驗分子軌道法以C32H14作為模型碳結(jié)構(gòu)研究了鋰原子在碳層間的插入反應(yīng)。認為鋰最有可能摻雜在碳環(huán)中心的上方位置。Ago等[9]用abinitio分子軌道法對摻鋰的芳香族碳化合物的研究表明，隨著鋰含量的增加，鋰的離子性減少，預(yù)示在較高的摻鋰狀態(tài)下有可能存在一種Li-C和具有共價性的Li-Li的混合物。Satoru等[10]用分子軌道計算法，對低結(jié)晶度的炭素材料的摻鋰反應(yīng)進行了研究，研究表明，鋰優(yōu)先插入到石墨層間反應(yīng)，然后摻雜在石墨層中不同部位里[11]。

隨著人們對材料晶體結(jié)構(gòu)的進一步認識和計算機水平的更高發(fā)展，相信量子化學原理在鋰離子電池中的應(yīng)用領(lǐng)域會更廣泛、更深入、更具指導性。

三、在生物大分子體系研究中的應(yīng)用

生物大分子體系的量子化學計算一直是一個具有挑戰(zhàn)性的研究領(lǐng)域，尤其是生物大分子體系的理論研究具有重要意義。由于量子化學可以在分子、電子水平上對體系進行精細的理論研究，是其它理論研究方法所難以替代的。因此要深入理解有關(guān)酶的催化作用、基因的復制與突變、藥物與受體之間的識別與結(jié)合過程及作用方式等，都很有必要運用量子化學的方法對這些生物大分子體系進行研究。毫無疑問，這種研究可以幫助人們有目的地調(diào)控酶的催化作用,甚至可以有目的地修飾酶的結(jié)構(gòu)、設(shè)計并合成人工酶；可以揭示遺傳與變異的奧秘,進而調(diào)控基因的復制與突變，使之造福于人類；可以根據(jù)藥物與受體的結(jié)合過程和作用特點設(shè)計高效低毒的新藥等等，可見運用量子化學的手段來研究生命現(xiàn)象是十分有意義的。

綜上所述，我們可以看出在材料、能源以及生物大分子體系研究中，量子化學發(fā)揮了重要的作用。在近十幾年來，由于電子計算機的飛速發(fā)展和普及，量子化學計算變得更加迅速和方便。可以預(yù)言，在不久的將來，量子化學將在更廣泛的領(lǐng)域發(fā)揮更加重要的作用。

參考文獻：

[1]程新.[學位論文].武漢:武漢工業(yè)大學材料科學與工程學院,1994

[2]程新,馮修吉.武漢工業(yè)大學學報,1995,17(4):12

[3]李北星,程新.建筑材料學報,1999,2(2):147

[4]閔新民,沈爾忠,江元生等.化學學報,1990,48(10):973

[5]程新,陳亞明.山東建材學院學報,1994,8(2):1

[6]閔新民.化學學報,1992,50(5):449

[7]王寶俊,張玉貴,秦育紅等.煤炭轉(zhuǎn)化,2003,26(1):1

[8]AgoH,NagataK,YoshizawAK,etal.Bull.Chem.Soc.Jpn.,1997,70:1717