堆石坝变形监测的灰色非线性时序组合模型

结合堆石坝变形的特点 ,应用逐步回归方法提取大坝变形观测数据系列的水压和温度分量后 ,用灰色非线性系统模型模拟剩余数据系列的趋势项 ,用时间序列模型模拟剩余数据系列的随机项 ,由此建立了堆石坝变形监测的灰色非线性时序组合模型 .计算分析表明新模型提高了拟合精度 ,使堆石坝变形监测的数学模型更趋于合理 .

最优非负变权灰色非线性模型及桥梁变形预测

针对灰色预测模型GM(1,1)拟合精度低的情况,创新性的提出GM(1,1)模型同正弦函数、余弦函数、指数函数和同常数相结合的灰色非线性模型,并给出模型解算和精度评定方法。在此基础上,根据变权原理又提出了最优非负变权灰色非线性模型解算思路。并用某桥梁变形监测工程实例进行验证。通过比较分析各模型精度发现:最优非负变权灰色非线性模型预测精度较GM(1,1)模型、灰色非线性模型得到一定程度的提高,可以应用于桥梁变形预测中。

基于LMI的灰色非线性精敏供应链稳定性判定方法

平稳运行是精敏供应链管理的重要基础,针对具有区间灰色非线性特征的精敏供应链系统波动性的难题,以非线性时滞精敏供应链系统为研究基础,建立了灰色非线性精敏供应链系统,采用线性矩阵不等式算法分析其稳定性问题,并获取了一种灰色非线性精敏供应链系统的稳定性判定方法。为验证该方法的有效性和可行性,以医药行业YL集团核心产品的供应链系统为案例分析对象,通过观测两个时点的运行数据,使用Matlab7.0计算工具,得出[0,20]和[20,40]2个时间段供应链系统的稳定性状态变化图。并假设当客户订货分离点(CODP)下移时,运用同样的观测数据,模拟系统稳定性状态的变化。对比案例分析的结果得出结论:随着CODP从精敏供应链的上游端在下移至下游端时,不仅仅体现的是供应链系统类型的改变,而且更重要的是揭示了精益供应链和敏捷供应链稳定性的影响因素不同,前者受订单量大小程度的影响,而后者由市场需求预测的准确性程度决定。

解灰色非线性规划问题的随机搜索算法

对带约束条件的灰色非线性规划问题进行了探讨,首先将原灰色约束非线性规划问题进行均值白化处理,转化成一个确定型的带约束条件的非线性规划问题,对该确定型的非线性约束规划问题提出一个基于分布估计算法的随机搜索方法,对所提出的求解方法的关键技术作了详细的说明并给出了具体的算法步骤。初步的数值算例表明所提出的方法是可行有效的。

机械灰色非线性优化的理论及其应用

探讨了含有灰参数的机械非线性优化理论与求解方法 ,通过引入灰数的概念 ,建立了机械优化设计中广义不确定性的灰凸集、灰凸规划的初步理论 ,提出了拓广的 Kuhn- Tucker定理 ,得到了机械工程中一类含有灰色线性约束的灰色非线性优化模型的直接求解法 ,即将原非线性优化分解为等价的 2个确定性边界模型直接求解 .这不仅为机械优化设计提供了有效的手段 ,而且建立了确定性优化和非确定性优化的联系 .最后通过含有灰系数线性约束与非线性目标函数的优化问题 。

生物种群灰色非线性变换通用模型及其应用

基于灰色高阶增量动态GMS(n,1)建模原理和方法,提出Logistic扩展模型—LM(n,1)模型、理查兹生长函数扩展模型-LLM(n,1)模型、库柏茨生长函数扩展模型—LE(n,1)模型,能有效描述生物种群数量非平稳、振荡性增长过程。应用本文模型对福建三明格氏栲种群数量增长序列进行模拟,复相关系数R^2>0.9974,平均误差率为<4.0343％。拟合优度、精度均佳。文献[1]～[3]中3种模型模拟值在序列前期存在系统偏差,本文3种模型模拟值有效消除了这一系统偏差,更适合格氏栲种群动态增长特征。本文模型信息包容量极为丰富,为非线性生物种群离散时间序列建模、预测、控制提供了新的有效规范方法,在生物、生态等领域具有广泛适用性与广阔应用前景。

基于“灰色+非线性回归”的煤矿死亡人数预测

为探究我国煤矿现阶段安全管理水平,从煤矿近年死亡人数为切入点,分析灰色模型[Gray Model, GM(1,1)]、回归模型在煤矿事故的预测效果,进而建立“灰色+回归”模型。首先,建立灰色模型,利用后残差比值、小概率误差验证灰色模型的预测等级为“好”,满足改进要求;其次,对回归模型进行线性拟合,建立“灰色+回归”预测模型,并对3类模型的预测准确性进行评估;最后,利用“灰色+非线性回归”模型预测2023年煤矿死亡人数。结果显示:以2021—2022年数据为基准,“灰色+非线性回归”预测相对误差依次为4.5%和1.3%,预测结果接近实际值,适用于短中期预测;经分析,“灰色+非线性回归”对煤矿死亡人数预测具有较高的研究价值。2023年煤矿死亡人数控制在123~136人,煤矿死亡人数呈下降趋势。

灰色非线性增量动态模型在农药残留量模拟中的应用

提出灰色高阶增量 GMS ( m ,1)动态模型及参数反馈辨识方法 ;构建出灰色非线性 L M ( m ,1)、LE ( m,1)及 LLM ( m,1)模型 ,能有效模拟农药残留等振荡或涨落衰减离散动态时间序列的非线性变化规律 .应用本文模型对代森锰锌在西红柿中的消解残留量模拟 ,复相关系数 R2≈ 1,平均误差率δ<0 .14 ;对氯氰菊脂在小白菜上的残留量模拟 ,R2 >0 .9989,δ<9.19 .模拟优度、精度明显优于若干新方法 [3 ,4] .为非线性离散动态过程建模、控制、预测提供了新的有效规范方法 ,亦可为非线性动力学研究提供新的建模思路 ,在生态。

灰色非线性规划问题及其遗传算法求解方法

灰色系统中的非线性规划问题是一类重要问题 .本文针对一般灰色非线性规划问题 ,给出了一种基于随机模拟的遗传算法求解方法 .实例证明 。

灰色非线性约束规划的改进引力搜索算法求解

灰色非线性约束规划是灰色系统中一个重要的优化问题.为求解灰色非线性约束规划,给出了一种改进引力搜索算法的求解方法.实验结果表明改进引力搜索算法对求解灰色非线性约束规划可行有效.

基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。

一种改进的蚁群算法用于灰色约束非线性规划问题求解

针对灰色约束非线性规划问题,设计了一种改进蚁群算法.该算法采用了正反馈机制,在对灰色约束非线性规划问题白化处理后,将罚函数方法引入到目标函数中,同时给出了改进蚁群算法的仿真流程.实例应用表明,将改进后的蚁群算法应用于灰色约束非线性规划问题的求解是可行有效的.

建筑施工事故非线性灰色伯努利模型预测

为提高建筑施工事故灰色预测模型精度,在传统GM(1,1)模型基础上,建立非线性灰色伯努利模型(NGBM),并采用粒子群优化(PSO)算法对参数进行优选。以2001—2011年全国建筑事故死亡人数统计数据为基础,运用该模型对2012—2013年的相应人数进行预测,并与GM(1,1)模型和灰色Verhulst模型的结果相对比。结果表明,NGBM拟合精度最好,平均相对误差仅为2.65%,验证了模型的可行性和准确性。

非线性灰色预测模型在房地产投资价格中的应用

房地产价格预测是房地产投资决策必不可少的工作之一。本文用非线性灰色预测模型,对房地产投资价格进行了预测分析。通过实例证明此模型具有要求样本数据少、运算方便、短期预测精度高等优点,在房地产投资价格预测中能取得令人满意的效果。

滑坡非线性灰色预测及其软件设计

在深入分析非线性灰色模型基本原理的基础上，开发了滑坡发生时间的非线性灰色预测软件，并通过实例验证了本模型用于预测滑坡发生时间的适用性以及本软件的可靠性。

非线性灰色模型在污染物总量预测中的应用

在前人工作的基础之上介绍了几种修正的GM(1,1)非线性模型 ,并以衡阳市 1990～ 1996年城区污染物总量 (COD)的预测为例 ,探讨了各种模型的应用效果。结果表明 :非线性模型的拟合精度更高 。

一类非线性灰色微分方程的拟合方式

给出了形如dxdt+axα=b的一类非线性微分方程拟合的形式 ,对于非负离散点列 ,根据离散点列的凹凸性 ,讨论了选取α的方法 ,然后确定未知参数a、b .

诱发地震主震发生时间的非线性灰色预测及其软件系统

在深入分析非线性灰色模型基本原理的基础上， 开发了诱发地震主震发生时间的预测软件，

江西省经济增长中能源消费与碳排放的预测分析——基于非线性灰色伯努利模型

使用非线性灰色伯努利模型预测了2014-2022年江西省能源消费与碳排放的量值,整体而言,江西省的能源消费总量和碳排放总量在增长率呈现下降的趋势。非线性灰色伯努利模型具有较好的预测能力,预测发现到2022年江西省的能源消费量达到11 060.1万吨标准煤,碳排放达到6 282.4万吨;从2014年到2022年江西省能源消费量的年均增长率为4.06%,碳排放量的年均增长率为3.11%。

基于非线性灰色微分方程的PPI预测

由于工业品出厂价格指数(PPI)是衡量工业产品出厂价格变动程度的指数,PPI的变化会影响居民消费价格指数(CPI),存在PPI向CPI的传导关系,是有关部门制定经济政策的重要依据,因而对PPI进行有效的预测具有现实的重要意义。由于微分进化算法(DE)具有很强的全局寻优功能、较快的收敛速度及较好的稳定性的优点,该文采用微分进化算法对非线性灰色微分方程中的参数进行寻优,从而建立起基于非线性灰色微分方程的PPI预测模型,仿真结果表明了该模型的有效性。