基于级差格式的GM(2,1)模型参数估计优化研究

参数估计的优化是提高灰色模型精度的一个重要途径,级差格式的提出避免了背景值的复杂构造.现有的GM(2,1)模型计算较为复杂,且参数估计基于目标函数是原始序列一次差分序列的拟合误差平方和最小化来确定,同时,参数估计中微分到差分的转换以及背景值构造存在较大误差.针对这些问题,本文基于GM(2,1)模型微分方程的时间响应函数推导了级差格式,给出了最小二乘法的参数估计方法,然后基于原始序列误差平方和最小的目标函数,优化了模型的两个初始条件,同时,推导出GM(1,1)回归模型和GM(1,1,exp)模型是该模型的特殊情况,最后通过实例比较本文优化方法与现有方法估计的GM(2,1)模型拟合精度与预测精度.实例结果显示,本文的优化方法估计的GM(2,1)模型具有较好的效果.     

广义累加灰色预测控制模型及其优化算法

基于矩阵理论建立了广义累加灰预测控制模型参数的矩阵形式,由此得到了数乘变换下模型的参数性质; 利用每个生成序列值作为边界条件并使平均相对误差函数最小, 构建了广义累加GM(1,1)时间响应函数的最优模型. 将该优化模型应用于经典的“电视机销售问题”之中, 得到了非常好的预测效果.     

离散GM(1,1)模型的特性与优化

GM(1,1)模型在对纯指数序列进行拟合时通常仍然存在偏差,对原始序列和发展系数有太多限制.离散GM(1,1)模型与原模型的很多性质很相似,可以看成是原模型的精确形式,而且对发展系数和原始序列没有非负限制,因此对于离散GM(1,1)模型的特性研究就极为重要.文章对离散模型模拟数据增长率特点、对指数序列的拟合以及数乘变换下的参数特性进行了理论证明.研究表明离散GM(1,1)模型可以完全拟合指数序列.数乘变换不改变原始序列的模拟精度,为解决灰色预测模型的病态性提供了思路.文章提出了分段修正离散GM(1,1)模型并对建模机理进行了证明.应用实例表明了该模型能够显著提高模拟精度.     

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 .     

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.     

初始值优化的离散灰色预测模型

针对经典GM(1,1)模型的不足,研究了离散GM(1,1)模型选取不同初始迭代点的模拟数据增长率特点.应用最优化技术求解初始迭代点,证明了改进的离散GM(1,1)模型能够完全模拟指数序列.提出了两类分段修正离散GM(1,1)模型,对建模机理进行了证明,并对改进模型进行了推广.结果表明,优化初始迭代点的分段修正离散GM(1,1)模型能够完全拟合分段等比序列.     

优化的GM(1,1)模型及其在农村劳动力转移预测中的应用

GM(1,1)预测模型一直是灰色系统理论研究者关注的热点。在已有灰色理论的基础上,利用“最小二乘法”确定GM(1,1)白化函数的时间响应函数中的常数C,摈弃了传统GM(1,1)把原始序列中X(0)(1)作为初始条件的做法,从而构建了GM(1,1)的优化模型。最后,以河南省农村劳动力转移预测为例,进行两类预测模型的模拟精度比较,并进行了预测。表1,参7。     

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.     

GM(1,1)模型的背景值构造方法和应用(Ⅲ)

将作者在重构的背景值公式引入 GM ( 1,1)模型 ,导出了 GM ( 1,1)模型的逻辑斯蒂( Logistic)形式 ,并以此为基础 ,对 GM( 1,1)模型进行了稳定态 ,周期态及混沌态特性研究 .研究结果表明 :重构的背景值公式扩大了 GM( 1,1)模型的适应性 ,能提高其拟合和预测精度 ,使 GM( 1,1)模型在实践中能发挥更大的效果.     

求解度限制最小生成树问题的启发式遗传搜索算法

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。