优化选择模型

公交最优路径选择的数学模型及算法_雷一鸣

第17卷第2期湖南城市学院学报（自然科学版）V ol.17 No.2 2008年6月 Journal of Hunan City University （Natural Science） Jun. 2008 公交最优路径选择的数学模型及算法雷一鸣（广东工业大学华立学院，广州 511325）摘要：在公交出行查询系统中，最关键的部分是寻找两站点间乘车的出行最优路径问题．建立了以最小换乘次数为第一目标，最小途经站点为第二目标的公交出行最优路径模型．同时，设计了一种算法以确定最优公交线路序列，分析了线路相交的几种情况，给出了换乘点选择方法．关键词：最优路径；换乘次数；公交网络中图分类号：O232文献标识码：A文章编号：1672–7304(2008)02–0050–03 公交最优路径问题一直是应用数学、运筹学、计算机科学等学科的一个研究热点．对公交最优路径问题的理论研究主要包括公交网络的数学描述和设计最优路径算法．在公交网络描述方面，Anez等用对偶图描述能够涵盖公交线路的交通网络，Choi等讨论了利用GIS技术从街道的地理数据产生公交线路和站点的问题；在设计最优算法方面，常用的算法[1]有Dijkstra算法、Floyd 算法、Moore-pape算法等．Moore-pape算法计算速度较快，适用于大型网络，但它无法进行“一对一”的计算．Floyd算法虽然可以快速地进行“多对多”的计算，但它不能应用于大型网络，而Dijkstra算法是目前公认的最好的算法，但它数据结构复杂、算法时间长，不适合公交线路的查询．本文首先对公交网络进行了数学描述，考虑到公交乘客出行时所面临的各种重要因素，包括换乘次数、途径站点、出行耗时和出行费用等，选择以换乘次数最少作为最优路径算法的第一约束目标，而出行耗时虽难以准确测算但它与途径站点数相关，所以选择易于量化的途经站点数最少作为第二约束目标，建立公交乘车数学模型，设计相应的算法，并利用有关实验数据验证了它的有效性和可行性． 1 模型的建立及其算法 1.1 模型假设及符号规定为了更好地建立数学模型，首先对公交网络及出行者作出以下假设[2]： 1)不考虑高峰期、道路交通堵塞等外界因素对乘车耗时的影响． 2)假设出行者熟悉公交站点及附近地理位置，并且知道可乘的各种公汽和地铁以及到达目的地有哪几种不同选择的机会．在公交线路网中，不同的公交线路在行程上一定会有重叠，也就是说不同的线路上一定会有同名站点．在进行网络分析时，把空间上相近的异线同名站点合理抽象成一个节点． 3)假设出行者对公汽和地铁的偏好程度不一样．在不换乘的情况下，宁愿乘地铁，以求舒适；在路途较近的情况下，宁愿坐公汽而放弃乘地铁．出行者可根据自己的偏好结合自己的出行需求（换乘次数、最短路程、费用等），可在各种出行方案中选出满足自己出行需求的乘车方案．设() L I为经过点A或其附近的公交线路集，其中1,2,..., I m =；() S J为经过点B或其附近的公交线路集，其中,,..., J12n =；(,) E I U为线路 ) (I L上的站点，其中,,..., U12p =；(,) F J V为线路) (J S上的站点，其中,,..., V12q =；() X K为经过站点) ,(U I E的线路，其中,,..., K12w =；() Y O 为经过站点) , (V J F的线路，其中,,..., O12v =；(,) d E F M ≤表示从站点E步行到站点F之间的距离不超过乘客换车时步行的最大心理承受值M，其中M表示乘客在换车时步行的最大心理承受值．通常，M与公交站点间的平均距离呈线性正相关． Ai Z表示站点A的下行第i个站点； Bj Z表示站点B的上行第j个站点；另外，公交的可行线路的集合可表示为：{| i i TR TR TR == 0112,1 ,,,,,, i i i i d a p a p a ? < ,} id d p a>，其中，{} 01,1 ,,,, i i d d a a a a ? 为站点集合，{} 12,1 ,,,, i i i d d p p p p ? 为公交车次的集合， i TR 收稿日期：2008-03-10 作者简介：雷一鸣(1972-)，男，湖南临武人，助教，硕士，主要从事数学模型及经济信息管理研究．

用户点击行为模型分析

数据挖掘实验报告基于用户网站点击行为预测

...数据挖掘实验报告. (1) 一．概要： (3) 二．背景和挖掘目标： (3) 三．难点分析： (4) 四．难点解答： (4) 五．数据采集： (5) 六．分析方法： (6) 七．数据探索： (8) 7.1数据无效： (8) 7.2数据缺失： (8) 八.数据预处理 (9) 8.1数据清洗 (9) 8.2数据丢弃 (10) 8.3数据转换 (10) 九．挖掘过程： (11) 9.1计算用户爱好 (11) 9.2基于协同过滤算法进行预测 (12) 十．结果分析： (13) 十一.实验总结 (14) 11.1数据的采集 (14) 11.2在试验过程中遇到的问题 (14) 11.3解决方案以及改进 (14) 11.4数据挖掘学习体会： (15)

一．概要：这次的数据挖掘我们团队做的是基于用户网站点击行为预测，其中遇到的问题有数据量大，机器难以处理，含有时序关系，特征难以描述等，我们运用正负样本比例平衡的方法和时间衰减函数来解决这些问题，运用到的算法有基于协同过滤算法进行预测。二．背景和挖掘目标：随着互联网和信息技术的快速发展，广告的精准投放一直是各大广告商面临的问题。点击网络广告的一般有两类人。第一种是不小心点错的，相信大部分人都是不喜欢广告的，但由于网络的互动性，仍然会有部分人把广告当内容点击，其中网站诱导用户点击占了很大一部分比例。第二种是真的想看广告内容，这部分人对广告的内容感兴趣，或是符合他们的需求，才会点击网络广告。认真去研究这两类的行为，进行广告个性化的投放将产生巨大的价值。基于这个背景，本次课题我们进行了网站点击行为的数据挖掘。数据来自网络，包含了2015年1月1日-2015年6月22日间广告曝光和点击日志。目的是预测每个用户在8天内即2015年6月23日-2015年6月30日间是否会在各检测点上发生点击行为。利用数据挖掘技术可以帮助获得决策所需的多种知识。在许多情况下，用户并不知道数据存在哪些有价值的信息知识，因此对于一个数据挖掘系统而言，它应该能够同时搜索发现多种模式的知识，以满足用户的期望和实际需要。此外数据挖掘系统还应能够挖掘出多种层次（抽象水平）的模式知识。数据挖掘系统还应容许用户指导挖掘搜索有价值的模式知识

人力资源配置优化模型

xxxx实验论文报告系（院）：统计与数学学院专业：经济学班级：经基10-1 学号： 20100500xx 姓名： xxx 课程名称：数学建模实验时间： xxxxxx 指导教师： xx老师云南财经大学教务处制

用lingo求解人力资源的优化配置问题摘要随着中国企业的发展，缺乏科学合理的布局和人力资源配置管理是目前不少小型企业进一步发展的主要障碍。针对这一情况，本文关注企业人力资源配置与企业的最大利润之间的关系，在企业的人力资源配置方面，就如何更有效的提升人力资源配置的效率与企业的利益，本文进行了一些初步的建模研究。对于该人力资源配置问题，要求如何合理地分配现有的技术力量，使公司每天的直接受益最大，同时人员的分配要满足一定的结构约束条件。在此情况下，通过建立模型，用lingo程序求解有约束的线性规划问题。针对不同的客户要求，首先进行模型假设，然后建立具体的模型进行求解。求解出来的结果再进行灵敏度分析，从而进一步确定当目标函数的利润系数和约束右端项发生小的变化时，最优基和最优解、最优值如何变化。最后，根据模型假设，联系实际情况，对该模型进行一定的优化改进处理，从而达到更适合现实人员配置情况的目的，进而使该模型在现实中得到推广。 [关键词]：（人力资源模型利润最大lingo 灵敏度最优解)

一、问题重述 “PE公司”是一家从事电力工程技术的中美合资公司，现有41个专业技术人员，其结构和相应的工资水平分布如表1所示。表1 公司的人员结构及工资情况工作在现场完成；另外两项是工程设计，分别在C和D地，主要工作在办公室完成。由于4个项目来源于不同的客户，并且工作的难易程度不一，因此，各项目的合同对有关技术人员的收费标准不同，具体情况如表2所示。表2 不同项目和各种人员的收费标准为了保证工程质量，各项目中必须保证专业人员结构符合客户的要求，具体情况如表3。表3 各项目对专业技术人员结构的要求（1）表中“1～3”表示“大于等于1，小于等于3”，其它有“～”符号的表示相同的意义。（2）项目D，由于技术要求较高，人员配备必须是助理工程师以上，技术员不能参加。（3）高级工程师相对稀缺，而且是保证质量的关键，因此，各项目客户对高级工程师的配备有不少于一定数目的限制。各项目对其他专业人员也有不同的限制或要求。（4）各项目客户对总人数都有限制。（5）由于C、D两项目是在办公室完成，所以每人每天有50元的管理费开支。（6）由于收费是按照人工计算的，而且4个项目总共同时最多需要的人数是10＋16＋11＋18＝55，多于公司现有的人数41。因此需要解决的问题是：如何合理地分配现有的技术力量，使公司每天的直接受益最大？写出相应的论证报告。

特征选择方法在建模中的应用

特征选择方法在建模中的应用 ——以CHAID树模型为例华东师范大学邝春伟

特征选择是指从高维特征集合中根据某种评估标准选择输出性能最优的特征子集,其目的是寻求保持数据集感兴趣特性的低维数据集合,通过低维数据的分析来获得相应的高维数据特性,从而达到简化分析、获取数据有效特征以及可视化数据的目标。目前，许多机构的数据均已超载，因此简化和加快建模过程是特征选择的根本优势。通过将注意力迅速集中到最重要的字段（变量）上，可以降低所需的计算量，并且可以方便地找到因某种原因被忽略的小而重要的关系，最终获得更简单、精确和易于解释的模型。通过减少模型中的字段数量，可以减少评分时间以及未来迭代中所收集的数据量。减少字段数量特别有利于Logistic 回归这样的模型。

SPSS Modeler是一个非常优秀的数据挖掘软件。它的前身是SPSS Clementine及PASW Modeler。该软件的特征选择节点有助于识别用于预测特定结果的最重要的字段。特征选择节点可对成百乃至上千个预测变量进行筛选、排序，并选择出可能是最重要的预测变量。最后，会生成一个执行地更快且更加有效的模型—此模型使用较少的预测变量，执行地更快且更易于理解。案例中使用的数据为“上海高中生家庭教育的调查”，包含有关该CY二中的304名学生参与环保活动的信息。该数据包含几十个的字段（变量），其中有学生年龄、性别、家庭收入、身体状况情况等统计量。其中有一个“目标”字段，显示学生是否参加过环保活动。我们想利用这些数据来预测哪些学生最可能在将来参加环保活动。

案例关注的是学生参与环保活动的情况，并将其作为目标。案例使用CHAID树构建节点来开发模型，用以说明最有可能参与环保活动的学生。其中对以下两种方法作了对比： ?不使用特征选择。数据集中的所有预测变量字段均可用作CHAID 树的输入。 ?使用特征选择。使用特征选择节点选择最佳的4 个预测变量。然后将其输入到CHAID 树中。通过比较两个生成的树模型，可以看到特征选择如何产生有效的结果。

遗传算法在交叉口配时优化中的应用

遗传算法在交叉口配时优化中的应用摘要：介绍r模糊控制、人匸神经网络、遗传算法、蚁群算法、粒子群算法、女智能体等智能控制方法，详细分析了遗传算法的在交通控制领域的实际应用案例，更深入了解和学握了交通智能算法的应用。关键词：优化：相位；配时参数：遗传算法 1引言随着社会经济的发展，交通量急剧增长，交通拥堵加剧，交通事故频发，特别是在一些大城市，交通问题已成为制约城市经济发展的瓶颈⑴。为此，人们提岀建立智能交通系统(ITS)。作为ITS的重要组成部分，交通管理系统(ATMS〉在改善交通流秩序、提高交通安全性等方面发挥积极的作用。英中，交通信号优化控制是保证城市交通安全、有序、畅通、快速、高效运行的重要途径。当前，随着交通控制智能化的不断提高，智能控制方法在交通信号控制的重要性日益凸显。按照控制原理的不同，传统的交通信号控制分为宦时控制和感应控制。左时控制按事先设左的配时方案运行，英配时的依据是交通量历史数据°感应控制是某相位绿时根据车流量的变化而改变的一种控制方式，其中车流量可由安装在平面交叉口进口道上的车辆检测器测量。这两种控制方法存在共同的局限性：以数学模型为基础。由于城市交通系统中被控对象过程的非线性、较大的随机「?扰、过程机理错综复杂以及现场车辆检测的误差，建立精确的数学模型非常困难，这就适成了算法本身就有一定的缺陷。即使经过多次简化己建立的数学模型，它的求解还须简化计算才能完成。所以传统的交通控制方法并不能有效地解决目前复杂的交通问题。针对传统交通控制的固有缺陷和局限性，许多学者将模糊控制、神经网络、遗传算法、蚁群算法、多智能体技术等人工智能基础研究方法同常规交通控制方法结合应用。 2交通优化智能算法 2.1模糊逻辑模糊逻辑是一种处理不确左性、非线性等问题的有力工具，与人类思维的某些特征相一致，故嵌入到推理技术中具有良好效果。模糊逻借不需要获取模型中的复杂关系，不需要建立精确的数学模型，是一种基于规则的智能控制方式，特别适用于具有较大随机性的城市交通控制系统。 2.2人工神经网络人工神经网络是模拟生物的神经结构以及其处理信息的方式来进行计算的一种算法。它具有自适应、自组织和自学习能力，在认知处理、模式识别方而有很强的优势，最显著特点是具有学习功能。人工神经网络适用于非线性时变性系统的模拟与在线控制，交通控制系统正是一个非线性、时变系统。 2.3遗传算法遗传算法是运用仿生原理实现在解空间的快速搜索，广泛应用于解决大规模组合优化问题。它是一种比较先进的参数寻优算法，对于不易建立数学模型的场合实实用价值较为突出，是以同样适用于交通工程。1997年，Kiseok和Michael等应用遗传算法对交通网络内的交叉口信号相位进行设计⑴，在交叉口形成的冲突点，结果显示该方法给出的相位方案要优于TRANSYT给岀的方案。同年，Memon等人给出了利用遗传算法进行信号配时方案设汁的研究结果。陈小锋，史忠科针对典型的多车道双向交叉路口的交通流分布, 建立四相位控制的动态交通控制模型，采用遗传算法同时对信号周期时长和相位绿灯持续时间进行优化⑶。承向军等对到达车辆数目进行模糊分类，将不同数量车辆的信号控制决策方案以规则集形式存储在知识库中，利用改进的遗传算法对交叉口信号模糊控制器的模糊规则进行优化，建立了新的优化算法【旬。顾榕等

Fluent湍流模型选取的准则

Fluent湍流模型选取的准则湍流模型选取的准则：流体是否可压、建立特殊的可行的问题、精度的要求、计算机的能力、时间的限制。为了选择最好的模型，你需要了解不同条件的适用范围和限制。 FLUENT软件中提供以下湍流模型：1 Spalart-Allmaras 模型；2 k-ε模型； 3 k-ω模型； 4 雷诺应力模型（RSM）； 5 大涡模拟模型（LES）。 1 Spalart-Allmaras 模型应用范围： Spalart-Allmaras模型是设计用于航空领域的，主要是墙壁束缚（wall-bounded）流动，而且已经显示出很好的效果。在透平机械中的应用也愈加广泛。在湍流模型中利用Boussinesq逼近，中心问题是怎样计算漩涡粘度。这个模型被Spalart-Allmaras提出，用来解决因湍流动粘滞率而修改的数量方程。模型评价： Spalart-Allmaras模型是相对简单的单方程模型，只需求解湍流粘性的输运方程，不需要求解当地剪切层厚度的长度尺度；由于没有考虑长度尺度的变化，这对一些流动尺度变换比较大的流动问题不太适合；比如平板射流问题，从有壁面影响流动突然变化到自由剪切流，流场尺度变化明显等问题。 Spalart-Allmaras模型中的输运变量在近壁处的梯度要比k-ε中的小，这使得该模型对网格粗糙带来数值误差不太敏感。 Spalart-Allmaras模型不能断定它适用于所有的复杂的工程流体。例如不能依靠它去预测均匀衰退，各向同性湍流。 2 k-ε模型 ① 标准的k-ε模型：最简单的完整湍流模型是两个方程的模型，要解两个变量，速度和长度尺度。在FLUENT中，标准k-ε模型自从被Launder and Spalding提出之后，就变成工程流场计算中主要的工具了。适用范围广、经济、合理的精度。它是个半经验的公式，是从实验现象中总结出来的。湍动能输运方程是通过精确的方程推导得到，耗散率方程是通过物理推理，数学上模拟相似原型方程得到的。

数学建模最优路径设计

2015高教社杯全国大学生数学建模竞赛承诺书我们仔细阅读了《全国大学生数学建模竞赛章程》和《全国大学生数学建模竞赛参赛规则》（以下简称为“竞赛章程和参赛规则”，可从全国大学生数学建模竞赛下载）。我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括、电子、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛章程和参赛规则的，如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们重承诺，严格遵守竞赛章程和参赛规则，以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为，我们将受到严肃处理。我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。我们参赛选择的题号是（从A/B/C/D中选择一项填写）： A 我们的参赛报名号为（如果赛区设置报名号的话）：所属学校（请填写完整的全名参赛队员(打印并签名) ：1 2 指导教师或指导教师组负责人(打印并签名)：

（论文纸质版与电子版中的以上信息必须一致，只是电子版中无需签名。以上容请仔细核对，提交后将不再允许做任何修改。如填写错误，论文可能被取消评奖资格。）日期：2015年7 月27 日赛区评阅编号（由赛区组委会评阅前进行编号）：

2015高教社杯全国大学生数学建模竞赛编号专用页赛区评阅编号（由赛区组委会评阅前进行编号）：全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：

路径成本优化模型

第 3 章港口集卡路径成本优化模型 3.1 港口集卡作业模式分析 3.1.1面向“作业路”的传统集卡作业模式目前，我国大部分港口采用龙门吊装卸工艺，其中岸桥、集卡、龙门吊是完成集装箱装卸的主要机械设备，岸桥负责对到港的船舶进行装卸作业，龙门吊对堆场的集装箱进行进出场作业，集卡衔接码头前沿岸桥和后方堆场龙门吊的之间工作，是港口集装箱进口、出口、转堆作业过程中的重要运输设备，其主要在岸桥与堆场之间及堆场各箱区之间作水平运输。这些集装箱装卸设备只有相互协调、相互配合才能够保证集装箱装卸作业的顺利进行，否则会出现装卸设备等待现象和拥堵现象，降低设备资源的利用率和港口的物流能力。但大部分港口目前仍采用传统的集卡作业模式，即面向“作业路” 的集卡作业模式。该模式可描述为：港口工作人员根据装卸集装箱的业务量配置岸桥，且按照一定的比例为每台岸桥分配一定数量的集卡，从而形成由几辆集卡所组成的一组固定集卡为某一台特定的岸桥服务。在整个集装箱的装卸作业过程中，集卡在预先设定的固定路线上行驶，岸桥、集卡和龙门吊形成固定作业线路运载集装箱。在集装箱的进口作业中，首先由岸桥将船舶上需进口的集装箱放到等待卸船的空集卡上，然后装载进口集装箱的集卡沿固定路线行驶，并到指定的堆场箱区卸下集装箱，最后空车行驶到岸桥下等待下一个卸船作业。同样在装船作业中，首先龙门吊将堆场箱区内的出口集装箱放在空集卡上，然后由集卡运输出口集装箱行驶到岸桥下等待装船作业，装船结束后集卡再空载行驶到堆场箱区进行下一个装船作业[56, 70]。一般面向“作业路”的集卡作业模式会根据岸桥的配置数量安排需要服务的集卡数量，通常一台岸桥需要配置5~6 辆集卡，则所需集卡的总数量为装船和卸船岸桥总数的5 倍或6 倍[82]。这种面向“作业路”的传统集卡作业模式下司机操作简单、便于管理、沿固定作业路线不易出错，但是随着信息技术的进步、港口物流业的发展，这一模式逐渐暴露出缺点，阻碍港口物流效率的提高。其存在的弊端表现在以下几个方面：首先，如果某条作业路上集卡对岸桥的配置量是个已知的固定值，若集卡配置量少可能会导致岸桥等待集卡的现象，降低码头前沿的作业效率；相反，若集卡配置量过多又会产生资源的浪费、资源利用率低下；此作业路下可能会出现集卡排队等待的现象，而此时其它作业路可能集卡缺少，造成整个港口集卡资源的不合理利用，影响港口的整体运作效率。其次，在面向“作业路”的作业模式下，集卡为某一特定的岸桥服务，当集卡

常见的特征选择或特征降维方法

URL:https://www.360docs.net/doc/b310171974.html,/14072.html 特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。特征选择主要有两个功能： 1.减少特征数量、降维，使模型泛化能力更强，减少过拟合 2.增强对特征和特征值之间的理解拿到数据集，一个特征选择方法，往往很难同时完成这两个目的。通常情况下，选择一种自己最熟悉或者最方便的特征选择方法（往往目的是降维，而忽略了对特征和数据理解的目的）。在许多机器学习的书里，很难找到关于特征选择的容，因为特征选择要解决的问题往往被视为机器学习的一种副作用，一般不会单独拿出来讨论。本文将介绍几种常用的特征选择方法，它们各自的优缺点和问题。 1 去掉取值变化小的特征Removing features with low variance 这应该是最简单的特征选择方法了：假设某种特征的特征值只有0和1，并且在所有输入样本中，95%的实例的该特征取值都是1，那就可以认为这个特征作用不大。如果100%都是1，那这个特征就没意义了。当特征值都是离散型变量的时候这种方法才能用，如果是连续型变量，就需要将连续变量离散化之后才能用，而且实际当中，一般不太会有95%以上都取某个值的特征存在，所以这种方法虽然简单但是不太好用。可以把它作为特征选择的预处理，先去掉那些取值变化小的特征，然后再从接下来提到的特征选择方法中选择合适的进行进一步的特征选择。

2 单变量特征选择Univariate feature selection 单变量特征选择能够对每一个特征进行测试，衡量该特征和响应变量之间的关系，根据得分扔掉不好的特征。对于回归和分类问题可以采用卡方检验等方式对特征进行测试。这种方法比较简单，易于运行，易于理解，通常对于理解数据有较好的效果（但对特征优化、提高泛化能力来说不一定有效）；这种方法有许多改进的版本、变种。 2.1 Pearson相关系数Pearson Correlation 皮尔森相关系数是一种最简单的，能帮助理解特征和响应变量之间关系的方法，该方法衡量的是变量之间的线性相关性，结果的取值区间为[-1，1]，-1表示完全的负相关(这个变量下降，那个就会上升)，+1表示完全的正相关，0表示没有线性相关。 Pearson Correlation速度快、易于计算，经常在拿到数据(经过清洗和特征提取之后的)之后第一时间就执行。 Pearson相关系数的一个明显缺陷是，作为特征排序机制，他只对线性关系敏感。如果关系是非线性的，即便两个变量具有一一对应的关系， Pearson相关性也可能会接近0。 2.2 互信息和最大信息系数Mutual information and maximal information coefficient (MIC)

交通红绿灯配时优化模型研究

交通红绿灯配时优化模型研究在人民物质生活日益提高的今天，解决交通的拥堵状况成为一大难题。文章通过对三角湖路口的交通状况进行探究，利用采集到的数据，如车辆的到达率和离开率，车辆的延误时间等，建立良好的模型，对红绿灯的时长进行相应的优化，达到优化等待时间的目的，最后将一些影响甚微的因素考虑进来，使得优化更精确。标签：车辆到达率；离开率；延误时间；红绿灯时长 1 概述近年来，随着国內经济的迅猛发展，人们的交通出行方式开始多样化，但机动车通行依然占据着主导地位，随着我国机动车数量的不断增多，交通事故和交通拥堵的现象也开始频发，而交叉路口在其中起着至关重要的作用，合理的优化红绿灯配时不仅能缓解交通压力，还能达到节能减排的目的，促进可持续发展。本文利用目前流行的红绿灯模型优化实际通行道路。 2 模型假设（1）车辆在通行过程中，无交通事故造成拥堵。（2）忽略人为造成的交通现象。（3）忽略天气影响。（4）交通信号灯正常工作。 3 模型的建立因为在不同的交叉路口，交通量呈现很大的随机性，所以在统计不同方向和车道的车辆时要尤为注意（在本次试验的路口有2个方向是无法左转的）。通过对车流量信息的统计，为模型建立提供数据。因为路口交通情况复杂，有很多因素影响着交通，如：过马路的行人数量，车辆的车速等等，那么如何来评定一个路口的交通状况好坏呢，可以利用车辆的延误时间的作为参考因素，因为车辆作为交叉路口通行情况的主要制造者，车辆因为各种因素造成的延误时间越长，交通状况就越差，延误时间越短，交通状况就越好，因为每个方向的车辆数，车道数存在差异，因此将4个方向的车辆延误时间之和，即总延误时间，作为评定标准。通过实地研究发现，车辆的延误时间和每个路口车辆的到达率，离开率以及信号周期有关。记d为交叉路口的车辆到达率（辆/s），c为交叉路口的车辆离开率（辆/s），T为交叉路口信号周期（s），t绿为绿灯持续时间，发现：t1时刻红灯亮时，车辆陆续停留在路口等候，那么到达的车辆数就是车辆达到率乘车辆等候时间n1=d×t等，等到t2时刻绿灯亮时，车辆安全通过路口，当然不一定所有的等候车辆都能一次通过，有的车辆可能要等待2次红灯，那么在绿灯亮到t3时刻，即等候车辆都能安全通过（本文为优化交通状况，故视为一次均通过），通过车辆数为n2=c×（t3-t2）。当然离开率要大于到达率（不造成拥堵）。可以知

fluent模型选择

The Spalart-Allmaras模型对于解决动力漩涡粘性，Spalart-Allmaras 模型是相对简单的方程。它包含了一组新的方程，在这些方程里不必要去计算和剪应力层厚度相关的长度尺度。Spalart-Allmaras 模型是设计用于航空领域的，主要是墙壁束缚流动，而且已经显示出和好的效果。在透平机械中的应用也愈加广泛。在原始形式中Spalart-Allmaras 模型对于低雷诺数模型是十分有效的，要求边界层中粘性影响的区域被适当的解决。在FLUENT中，Spalart-Allmaras 模型用在网格划分的不是很好时。这将是最好的选择，当精确的计算在湍流中并不是十分需要时。再有，在模型中近壁的变量梯度比在k-e模型和k-ω模型中的要小的多。这也许可以使模型对于数值的误差变得不敏感。需要注意的是Spalart-Allmaras 模型是一种新出现的模型，现在不能断定它适用于所有的复杂的工程流体。例如，不能依靠它去预测均匀衰退，各向同性湍流。还有要注意的是,单方程的模型经常因为对长度的不敏感而受到批评，例如当流动墙壁束缚变为自由剪切流。在气体动力学中，对于有固壁边界的流动，利用Spalart-Allmaras模型计算边界层内的流动以及压力梯度较大的流动都可得到较好的结果。标准k-e模型最简单的完整湍流模型是两个方程的模型，要解两个变量，速度和长度尺度。在FLUENT中，标准k-e模型自从被Launder and Spalding提出之后，就变成工程流场计算中主要的工具了。适用范围广、经济，有合理的精度，这就是为什么它在工业流场和热交换模拟中有如此广泛的应用了。它是个半经验的公式，是从实验现象中总结出来的。由于人们已经知道了k-e模型适用的范围，因此人们对它加以改造，出现了RNG k-e模型和带旋流修正k-e模型。k-ε模型中的K和ε物理意义：k是紊流脉动动能（J），ε是紊流脉动动能的耗散率（%）；k越大表明湍流脉动长度和时间尺度越大，ε越大意味着湍流脉动长度和时间尺度越小，它们是两个量制约着湍流脉动。 RNG k-e模型 RNG k-e模型来源于严格的统计技术。它和标准k-e模型很相似，但是有以下改进：?RNG模型在e方程中加了一个条件，有效的改善了精度。 ?考虑到了湍流漩涡，提高了在这方面的精度。 ?RNG理论为湍流Prandtl数提供了一个解析公式，然而标准k-e模型使用的是用户提供的常数。 ?然而标准k-e模型是一种高雷诺数的模型，RNG理论提供了一个考虑低雷诺数流动粘性的解析公式。这些公式的效用依靠正确的对待近壁区域这些特点使得RNG k-e模型比标准k-e模型在更广泛的流动中有更高的可信度和精度。带旋流修正的k-e模型带旋流修正的k-e模型是近期才出现的，比起标准k-e模型来有两个主要的不同点。 ?带旋流修正的k-e模型为湍流粘性增加了一个公式。 ?为耗散率增加了新的传输方程，这个方程来源于一个为层流速度波动而作的精确方程。术语“realizable”，意味着模型要确保在雷诺压力中要有数学约束，湍流的连续性。带旋流修正的k-e模型直接的好处是对于平板和圆柱射流的发散比率的更精确的预测。而且它对于旋转流动、强逆压梯度的边界层流动、流动分离和二次流有很好的表现。带旋流修正的k-e 模型和RNG k-e模型都显现出比标准k-e模型在强流线弯曲、漩涡和旋转有更好的表现。由于带旋流修正的k-e模型是新出现的模型，所以现在还没有确凿的证据表明它比RNG k-e模

出版社资源优化配置模型

出版社资源优化配置的数学模型摘要本文通过对出版社提供的调查问卷等数据进行分析，建立相应的数学模型，以增加强势产品支持力度等为原则对出版社的书号资源进行优化配置。首先我们对所提供的问卷调查数据进行了分析，分别给出了该出版社各门学科所出版的书籍在所有书籍中所占的比率、调查数据中各学科书籍在所有书籍中的比例、该出版社在调查者心目中的排名情况、每年新书、旧书的比率、调查者获得教材的方式和被访者对该出版社与其他出版社主观评价平均得分的比较等，对该出版社目前在市场中的地位，市场状况等基本情况有一个基本的了解。为了使出版社06年的效益最大化，本文主要考虑以下三个方面。一、如何对效益进行量化二、强势产品的确定三、如何体现对强势产品的支持本文在确定效益的量化标准后，在书号总量，人力资源量，申请成功率，强势产品优先等约束条件下运用线性规划使效益达到最大。效益的量化方面，我们利用历年各学科书籍销量与价格均值计算出该学科的收入，再除以其总的书号数得到各学科历年每个书号的平均价值，通过灰色预测模型GM(1，1)预测2006年各分社每个书号的平均价值。这样以各分社书号分配量为变量，可以得到效益最大化的目标函数。强势产品的确定方面，我们考虑了该社各学科在市场中的占有率，以及各学科书目在整个市场的比例两个因素。通过累计重要度法，确定两个指标的权数，计算出各学科的重要度。然后以重要度对个学科排序，确定重要度高者工作能力满足率(即分配书号数/最大工作能力)亦高的约束条件。最后通过SPSS的聚类分析功能将学科进行分类，给出各学科强势水平的等级。线性规划的约束条件有以下几项:书号总数一定；得到书号数不能大于最大工作能力；为保持工作连续性和对各分社计划一定程度上的认可，出版社在分配书号时至少保证分给各分社申请数量的一半；申请成功率变化不超过历年均值的三倍标准差；重要度高者书号工作能力满足率亦高。在上述约束下由线性规划得到出版社06年书号的最优分配。分配方案为：计算机类68，经管类42，数学类120，英语类102，两课类55，机械能源类36，化学、化工类18，地理、地质类30，环境类29。最优方案下的最大效益为0.2142579E+08。数据分析发现历年各分社每一课程书号所占比例基本保持稳定，因此我们以此为依据再对各分社的书号进行分配。关键字：灰色预测模型累计重要度法线性规划

数学建模最优路径设计

承诺书我们仔细阅读了《全国大学生数学建模竞赛章程》和《全国大学生数学建模竞赛参赛规则》（以下简称为“竞赛章程和参赛规则”，可从全国大学生数学建模竞赛网站下载）。我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛章程和参赛规则的，如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛章程和参赛规则，以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为，我们将受到严肃处理。我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。我们参赛选择的题号是（从A/B/C/D中选择一项填写）： A 我们的参赛报名号为（如果赛区设置报名号的话）：所属学校（请填写完整的全名参赛队员(打印并签名) ：1 2 指导教师或指导教师组负责人(打印并签名)：（论文纸质版与电子版中的以上信息必须一致，只是电子版中无需签名。以上内容请仔细核对，提交后将不再允许做任何修改。如填写错误，论文可能被取消评奖资格。）日期： 2015年 7 月 27 日赛区评阅编号（由赛区组委会评阅前进行编号）：

编号专用页赛区评阅编号（由赛区组委会评阅前进行编号）：赛区评阅记录（可供赛区评阅时使用）：评阅人评分备注全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：

组织行为学的四种模型

明确最高管理层的管理模型十分重要，因为总裁头脑中的潜在模型往往渗透于整个企业。因此，组织行为学模型具有高度重要性。组织几乎完全由一位总裁控制的例子很多，比如百事可乐（Pepsi Co）的总裁罗杰·恩里科（Roger Enrico）和康柏电脑（Compaq Computer）的总裁埃克哈德·普法伊弗 6 （Eckhard Pfeiffer）。在本章中我们要着重介绍如下四个组织行为模型（理论范式）：独裁模型、看护模型、支持模型和社团模型（更早的理论，例如封建模型和奴隶模型等，此处不再赘述）。图2.5 是对这四种模型的概括。按照所介绍的顺序，这四个模型大致反映了过去100 年甚至更长时期中管理实践的历史进化。但是，虽然在某个特定的时期某一种模型倾向于占主导地位，其他模型也同时被某些组织所采纳。正象组织之间有很大不同一样，一个组织中各部门、各分支的管理者。图2.5 组织行为的四个模型资料来源：最早发表这四个模型的是：KeiZB Davis ,Human Relations at Work：ZBe Dynamics of Or-ganizational Behavior，3d ed,New York：McGraw-Hill Book Company，1967，p.480。也会有所不同。生产部门可能采纳看护模型，而在研发部门采用的是支持模型。当然，各个管理者因其个人的偏好或种自部门的条件不同，所从事的实践可能会不同于组织中的一般模型。因此，没有哪一种组织行为学模型能足以描述一个组织中所发生的一切，不可认同某一种模型有助于将一种组织生存方式与其他的方式区别开来。一个管理者对组织行为模型的选择决定于许多因素。正如我们前面讨论的，管理者的主导哲学、理想、使命和目标都会影响他们的组织行为模型（并被其所影响）。此外，环境条件有助于确定哪种模型最为有效。例如，某些企业现时动荡的局面需要迅速的决策和灵活性，便可能驱使企业采取更为社团化的模型。这说明，组织对于模型的选择不应该是静态的、一成不变的，而应该随时调整。下面，我们将大致按照历史演化的顺序，依次向您介绍这四种组织行为模型。 2.1 独裁模型独裁模型有其历史根源，必然性地，它成为工业革命的主导模型。如图 2.5 中提到的，独裁模型（autocratic model）的基础是权力。那些当权者必

数据分析的特征选择实例分析

数据分析的特征选择实例分析 1.数据挖掘与聚类分析概述数据挖掘一般由以下几个步骤： (l)分析问题:源数据数据库必须经过评估确认其是否符合数据挖掘标准。以决定预期结果，也就选择了这项工作的最优算法。 (2)提取、清洗和校验数据:提取的数据放在一个结构上与数据模型兼容的数据库中。以统一的格式清洗那些不一致、不兼容的数据。一旦提取和清理数据后，浏览所创建的模型，以确保所有的数据都已经存在并且完整。 (3)创建和调试模型:将算法应用于模型后产生一个结构。浏览所产生的结构中数据，确认它对于源数据中“事实”的准确代表性，这是很重要的一点。虽然可能无法对每一个细节做到这一点，但是通过查看生成的模型，就可能发现重要的特征。 (4)查询数据挖掘模型的数据:一旦建立模型，该数据就可用于决策支持了。 (5)维护数据挖掘模型:数据模型建立好后，初始数据的特征，如有效性，可能发生改变。一些信息的改变会对精度产生很大的影响，因为它的变化影响作为基础的原始模型的性质。因而，维护数据挖掘模型是非常重要的环节。聚类分析是数据挖掘采用的核心技术，成为该研究领域中一个非常活跃的研究课题。聚类分析基于”物以类聚”的朴素思想，根据事物的特征，对其进行聚类或分类。作为数据挖掘的一个重要研究方向，聚类分析越来越得到人们的关注。聚类的输入是一组没有类别标注的数据，事先可以知道这些数据聚成几簇爪也可以不知道聚成几簇。通过分析这些数据，根据一定的聚类准则，合理划分记录集合，从而使相似的记录被划分到同一个簇中，不相似的数据划分到不同的簇中。 2.特征选择与聚类分析算法 Relief为一系列算法，它包括最早提出的Relief以及后来拓展的Relief和ReliefF，其中ReliefF算法是针对目标属性为连续值的回归问题提出的，下面仅介绍一下针对分类问题的Relief和ReliefF算法。 2.1 Relief算法 Relief算法最早由Kira提出，最初局限于两类数据的分类问题。Relief算法是一种特征权重算法(Feature weighting algorithms)，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力。算法从训练集D中随机选择一个样本R，然后从和R同类的样本中寻找最近邻样本H，称为Near Hit，从和R不同类的样本中寻找最近邻样本M，称为NearMiss，然后根据以下规则更新每个特征的权重：如果R和Near Hit在某个特征上的距离小于R和Near Miss 上的距离，则说明该特征对区分同类和不同类的最近邻是有益的，则增加该特征的权重；反之，如果R和Near Hit 在某个特征的距离大于R和Near Miss上的距离，说明该特征对区分同类和不同类的最近邻起负面作用，则降低该特征的权重。以上过程重复m次，最后得到各特征的平均权重。特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。Relief算法的运行时间随着样本的抽样次数m和原始特征个数N的增加线性增加，因而运行效率非常高。具体算法如下所示：

考虑人均延误和人均排放的信号配时优化模型

第50卷第9期2018年9月哈尔滨工业大学学报JOＵRNAL OF HARBIN INSTITＵTE OF TECHNOLOGＹ Vol.50No.9Sep.2018 DOI：10.11918／ｊ.issn.0367-6234.201706174考虑人均延误和人均排放的信号配时优化模型刘畅，魏丽英（北京交通大学交通运输学院，北京100044）摘要：为将绿色交通二公交优先等理念融入交叉口信号配时优化的建模策略当中，建立以交叉口人均延误二人均CO 排放为优化指标，以各相位有效绿灯时间为自变量的多目标信号配时优化模型.在人均延误公式中引入公交折减系数，用以避免公交绝对优先对社会车辆通行效率的负面影响.模型求解过程中运用模糊折中规划方法使量纲不同的两个目标函数实现无量纲化，令其取值在（0，l ）；采用模糊偏好方法计算两个目标的隶属度函数的权重值，进而将多目标函数转化为单目标函数；然后利用自适应惯性权重和异步学习因子相结合的优化粒子群算法，基于MATLAB 软件平台实现单目标函数的求解；最后将模型应用于实际案例，对各目标值进行比较分析.结果表明：优化后人均延误下降了0.94s ，下降幅度为3.87%.人均CO 排放量下降了1.25g ，下降幅度为12.74%.说明优化后的信号配时方案对于延误和排放具有优化作用，验证了模型的有效性.关键词：城市交通；信号配时；模糊折中规划；信号交叉口；粒子群算法中图分类号：Ｕ121文献标志码：A 文章编号：0367－6234（2018）09－0083－06 Ｓｉｇｎａｌｔｉｍｉｎｇｏｐｔｉｍｉｚａｔｉｏｎｍｏｄｅｌｃｏｎｓｉｄｅｒｉｎｇｐｅｒｃａｐｉｔａｄｅｌａｙａｎｄｐｅｒｃａｐｉｔａｅｍｉｓｓｉｏｎｓ LIＵChang，WEI Liying （Sｃhool of Traffiｃand Transportation，Beiｊing Jiaotong Ｕniversity，Beiｊing 100044，China）Ａｂｓｔｒａｃｔ：To introduｃe the green traffiｃidea and the bus priority idea into the modeling strategy of signal timing optimization for interseｃtions，a multi-obｊeｃtive signal timing optimization model varying with the phase effeｃtive green light time was proposed by ｃonsidering the per ｃapita delay and per ｃapita CO emissions as the indexes.The bus deduｃtion ｃoeffiｃient was introduｃed into the delay per ｃapita to overｃome the negative effeｃt of absolute priority on private ｃar.The fuzzy ｃompromise method was used to transform the two obｊeｃtive funｃtions of different dimensions into a single obｊeｃtive funｃtion，and to determine the values of two dimensions lie in （0，l）.Fuzzy preferenｃe method was used to determine the membership funｃtion weights in the single obｊeｃtive funｃtion.The improved PSO （partiｃle swarm optimization ）whiｃh ｃombines the SAPSO （self-adaptive partiｃle swarm optimization）and the AsyLnCPSO （asynｃhronous learning-faｃtor ｃhanging partiｃle swarm optimization）were used to solve the single obｊeｃtive funｃtion based on the MATLAB software platform.Finally，the model was applied to an aｃtual ｃase and the target values were ｃompared and analyzed.Results showed that the per ｃapita delay reduｃed by 0.94s and deｃreased by 3.87%after optimization.The per ｃapita CO emission reduｃed by 1.25g and deｃreased by 12.74%.The optimized signal timing sｃheme has an optimal effeｃt on delay and emission，and the validity of the model was observed.Ｋｅｙｗｏｒｄｓ：urban traffiｃ；signal timing；fuzzy ｃompromise programming；signalized interseｃtion；partiｃle swarm optimization 收稿日期：2017－08－16 作者简介：刘畅（1994 ），女，硕士研究生；魏丽英（1974 ），女，副教授，硕士生导师通信作者：魏丽英，lywei＠bｊhttps://www.360docs.net/doc/b310171974.html,.ｃn 交通拥堵和环境污染已成为许多国家和地区所面临的严峻挑战，发展公共交通和控制尾气排放被认为是缓解这些问题的有效手段.国内外已有很多学者展开这方面的研究，如文献［1］在公交专用道不连续的情况下，建立了信号配时优化模型；文献［2］提出了一种分析公交信号优先策略（绿灯早启和绿灯延长）对于车辆延误影响的分析方法；文献［3］以总延误最小为目标优化信号周期，依据相位乘客流量比和相位饱和度确定绿信比.文献［4］根据公交车运行特性，在单点配时模型基础上，建立了定时式相邻交叉口的公交优先信号协调控制模型.但在已有研究中，评价指标多为车均延误二排队长度二通行能力等.同时以人均延误替代车均延误指标，以人均排放替代排放总量指标，可以体现以人为本和公交优先的思想，赋予公交一定的优先权，故本文建立了既考虑人均延误，又考虑人均排放的多目标信号配时优化模型，在保证公交运行效益的同时，万方数据