灰色MGM(1,m,N)模型的构建及其在雾霾预测中的应用

针对传统MGM(1,m)模型和GM(1,N)模型均未能反映多个系统行为变量在多个因素变量影响下的模拟预测问题,本文根据两个模型各自特点对传统MGM(1,m)模型和GM(1,N)模型进行拓展,构建了灰色MGM(1,m,N)模型.研究该模型的建模机理及过程,并解决在多个因素变量的影响下多个系统行为变量的模拟预测问题.最后,将三种模型应用于雾霾的模拟预测中,结果表明,MGM(1,m,N)模型预测精度高于传统的MGM(1,m)模型和GM(1,N)模型,这主要是由于该模型能够较好地描述和反映多个系统行为变量受多个因素变量的影响.     

基于向量连分式理论的MGM(1,n)模型

分析了多变量灰色模型(multi-vaiiable grey motiel)MGM(1,n)中的背景值构造方法,基于向量连分式理论提出了用有理插值和数值积分中的梯形公式及外推法重构背景值,可以有效地提高模型的模拟精度和预测精度,实例分析结果表明了该方法的有效性和实用性.     

非等间隔GM(1,1)幂模型及应用

GM(1,1)幂模型是灰色Verhulst模型的推广.在灰色Verhulst模型和等间隔GM(1,1)幂模型基础上提出了非等间隔GM(1,1)幂模型,并对模型进行求解.同时讨论了GM(1,1)幂模型曲线形状和幂指数以及发展系数之间的关系,研究了非等间隔GM(1,1)幂模型的参数空间.将平均相对误差看成幂指数的函数,根据序列形状判断幂指数的范围,利用粒子群算法求解幂指数,克服了灰色Verhulst模型的缺陷.最后实例表明:GM(1,1)幂模型建模精度高于灰色Verhulst模型,该方法具有重要的理论意义.     

基于遗传算法的GM(1,1,λ)模型

用差分格式将灰色模型 GM(1,1)模型推广为 GM(1,1,λ)模型 ,λ=0 .5即为 GM(1,1)模型 ;由于参数λ与误差之间存在明显的非线形特性 ,而且某些目标函数不可微 ,使得传统的优化方法无能为力 ,文中应用遗传算法求解最优的 λ值 ,然后进行预测 .由 λ的取值知 ,GM(1,1,λ)模型的预测精度一定比 GM(1,1)高 ,数值计算的结果也证实了这一点 .     

灰色模型GM（1，1）的一种新优化方法

根据灰色系统理论的新息优先原理,提出了将X(1)的第n个分量作为灰色微分模型的初始条件与优化背景值相结合的方法,对GM(1,1)模型进行了改进,改进后的模型既适用于低增长指数序列建模,也适用于高增长指数序列建模,尤其是对高增长指数序列,改进的GM(1,1)模型的模拟精度与预测精度都有提高,即使在发展系数|a|大于2时,新模型的拟合精度仍然很高.     

灰色关联度分析在变量筛选应用中的误区

探讨了多元回归建模中灰色关联度分析应用于变量筛选时存在的问题及其原因 ;结合实例阐明 ,GM(1 ,n )模型本身无法克服模型的多重相关性 ,用灰色关联度分析来筛选变量所获得的 GM(1 ,n )模型是不可靠的.     

GM(1,1)幂模型的派生模型

为了进一步完善灰色幂模型体系, 分析了经典GM(1,1)模型和GM(1,1)幂模型之间的变换关系, 在GM(1,1)幂模型的定义型和白化型的基础上, 推导了GM(1,1,x⁽²⁾)幂模型、GM(1,1,x⁽¹⁾)幂模型、GM(1,1,b)幂模型、GM(1,1,exp)幂模型和GM(1,1,C)幂模型五种派生型GM(1,1)幂模型, 构建了GM(1,1)幂模型群. 结果表明, GM(1,1)幂模型与GM(1,1)模型的时间响应函数在本质上是一致的, 不同的GM(1,1)幂模型派生模型在结构、内涵、解析式、功能方面存在一定的区别, 体现了灰色系统解非唯一性原理. 在实际应用中, 可以依据一定的准则, 在默认解群中找出一个最合适的白化解.     

非等间距新息GM(1,1)的逐步优化模型及其应用

应用灰色系统建模方法及新信息原理,在GM(1,1)建模思想的基础上提出了一种基于直接建模的逐步优化的新息非等间距GM(1,1)模型,该模型采用原始数据的第n个分量作为灰色微分方程的初始条件,通过优化背景值与差商调节系数来估计模型参数.该模型不仅适合于等间距建模,也适合于非等间距建模,且突破了发展系数的绝对值较大时,不能用GM(1,1)模型的禁区,提高了建模的精度.实例表明所建模型的实用性与可靠性.     

多变量非等间距GM(1,m)模型及其应用

对于多变量非等间距数据序列,建立了一类GM(1,m)预测模型。基于灰色模型的指数特性和积分定义,提出了构造多变量非等间距序列的GM(1,m)模型背景值的方法。该方法可以提高GM(1,m)模型的拟合精度和预测精度,拓广了灰色模型的应用范围。应用该方法,建立了中国农村青少年生长水平的灰色预测模型,结果理想可靠,有较好的实际意义。     

基于级比优化的广义GM(1,1)预测模型

从GM(1,1)模型差分方程的角度推导出差分GM(1,1)模型及其还原时间响应函数,并与经典GM(1,1)模型(微分GM(1,1)模型)及其还原时间响应函数进行类比分析,得出两者具有同构性,其唯一差别为级比的结论.再由两者的同构性提出了一个广义GM(1,1)预测模型,新模型具有一般性,能有效概括差分方程与微分方程模型,极大提取了原始序列的灰信息;另一方面,与差分GM(1,1)模型及微分GM(1,1)模型的级比固定性不同,广义GM(1,1)模型的级比具有可优化性,通过非线性最小二乘优化方法可得出最优级比,进而从级比的角度优化了GM(1,1)模型,拓展了灰色系统理论.最后通过一个实例充分反映了新模型的上述优点.     

MGM(1,n)灰色模型及应用

提出多变量灰色模型（ｍｕｌｔｉ－ｖａｒｉａｂｌｅｇｒｅｙｍｏｄｅｌ）—ＭＧＭ（１，ｎ）模型，它是单变量的ＧＭ（１，１）模型在多变量（ｎ元变量）情况下的自然推广。通过对国有建筑施工企业就业人数和城镇集体建筑施工企业就业人数的建模和预测，表明ＭＧＭ（１，ｎ）模型的精度高于分别单独使用的ＧＭ（１，１）模型的精度.     

Combined model based on optimized multi-variable grey model and multiple linear regression

The construction method of background value is improved in the original multi-variable grey model (MGM(1,m)) from its source of construction errors.The MGM(1,m) with optimized background value is used to eliminate the random fluctuations or errors of the observational data of all variables,and the combined prediction model together with the multiple linear regression is established in order to improve the simulation and prediction accuracy of the combined model.Finally,a combined model of the MGM(1,2) with optimized background value and the binary linear regression is constructed by an example.The results show that the model has good effects for simulation and prediction.     

PSO-BP模型在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测BP神经网络法对初始权值敏感、易陷入局部极小点和收敛速度慢等问题,通过对城市时用水量数据特征的分析,应用基于全局随机优化思想的粒子群优化(PSO)算法对BP网络的初始权值进行优化,建立了PSO-BP城市时用水量预测模型.在算例分析中与传统BP神经网络预测法进行对比,发现该方法的收敛速度明显提高,且平均预测精度提高了2%,在用水量短期预测中非常有效.     

多因子灰色$MGM^p(1,n)$优化模型

在多因子灰色模型的几种精确级差格式的基础上 .将误差融入级差格式 ,基于理想状态时的相对误差提出了一种新的灰色模型—— $MGM^p(1,n)$优化模型 .该模型对相对误差具有优良的抗噪性 ,实例表明该模型拟合效果和预测效果相当好.     

基于遗传算法的改进的GM(1,1)模型IGM(1,1)直接建模

CM（1,1）模型一般以模型还原值与实际值平均相对误差检验模型的模拟精度。本文以模型还原值与实际值平均相对误差最小化为目标函数将CM（1,1）模型转化成一个不用进行灰微分方程参数辨识的优化模型，称之为改进的GM（1,1）模型，简称IGM（1,1）。IGM（1,1）避开了灰微分方程参数辨识时传统的优化无法求解，本文针对IGM（1,1）模型的直接建模。由于IGM（1,1）目标函数非连续，不可导，用传统的优化无法求解，本文针对IGM（1,1）模型的模拟特性设计了求解该优化模型的遗传算法并进行了算例验证，秋解结果表明了IGM（1,1）模型IGM（1,1）模型。     

含季节性虚拟变量的GM(1,1)模型及其应用

针对GM（1，1）模型难以准确预测季节性时间序列的问题，本文将季节性虚拟变量作为灰作用量引入传统GM（1，1）模型中，提出了含季节性虚拟变量的GM（1，1）模型（简记为GMSD（1，1））.在GMSD（1，1）模型定义型和白化型的基础上，推导了GMSD（1，1，x⁽¹⁾）模型、GMSD（1，1，x⁽⁰⁾）模型、GMSD（1，1，b）模型、GMSD（1，1，exp）模型、GMSD（1，1，C）模型等五种派生型GMSD（1，1）模型，构建了季节性虚拟变量GM（1，1）模型群.同时利用粒子群算法对GMSD（1，1）模型和GMSD（1，1，exp）模型中的解析式进行最优化求解.最后以中国水力发电量的季度数据为例，验证了含季节性虚拟变量的GM（1，1）模型及其派生模型的有效性和优越性.结果表明：相较于传统GM（1，1）模型，引入季节性虚拟变量的GMSD（1，1）模型及其派生模型更能准确地描述系统特征序列的季节性波动和周期性变化特征.     

机车二系弹簧载荷调整混合算法优化方法

针对机车二系弹簧支承载荷均匀性分配调整的复杂多变量优化问题，提出了综合运用遗传算法（GA）和蚂蚁算法（AA）的混合优化调整算法模型。该算法模型首先采用GA进行全局快速随机搜索，获得若干候选的近似优化解，以此生成蚂蚁算法初始信息素分布，再用AA求得全局优化精确解。论文给出了混合算法模型的设计。对SS3b和SS9机车的仿真计算结果表明，该方法应用于二系调簧的多维连续性空间优化问题，可获求解性能和时间效率的综合提高。     

Convexification and Hierarchical Optimization Algorithm for Distribution of Water Supply Systems

ＣｏｎｖｅｘｉｆｉｃａｔｉｏｎａｎｄＨｉｅｒａｒｃｈｉｃａｌＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍｆｏｒＤｉｓｔｒｉｂｕｔｉｏｎｏｆＷａｔｅｒＳｕｐｐｌｙＳｙｓｔｅｍｓＺＨＯＮＧＷｅｉｊｎｎａｎｄＸＵＮａｎｒｏｎｇ（ＩｎｓｔｉｔｕｔｅｏｆＳｙｓｔ...