低碳政策下考虑道路拥堵的多式联运路径选择问题

为明确低碳政策及道路拥堵对多式联运路径选择的影响,构建了不同碳排放政策下考虑道路拥堵的多式联运路径选择模型。模型在考虑拥堵对运输时间影响的基础上进一步量化其对系统碳排放的作用效果。针对此类整数规划模型,设计了基于保优策略和移民策略的遗传算法进行求解。最后,通过算例探讨强制排放、碳税、碳交易及碳补偿四种碳排放政策对多式联运减排、缓解拥堵及成本的影响。结果表明考虑道路拥堵对运输碳排放的影响可得到更加合理的路径决策,且以强制碳排放政策为主的多种政策组合能更好的降低碳排放、缓解道路拥堵并促进多式联运推广。本模型可为政府制定合理的多式联运低碳政策以及企业制定合理的路径决策提供理论依据。     

集装箱多式联运通道的形成与运作机理分析

通过集装箱化对物流形态影响的分析,探讨集装箱多式联运通道的形成原因,研究集装箱多式联运通道的一般运作机理,并讨论了集装箱多式联运通道的发展趋势。     

考虑订单合并和货物转运的多式联运路径优化研究

为了获得运输的规模经济效应,本文研究了一种考虑订单合并和货物转运的零担多式联运路径优化问题。首先,以总运输成本为目标函数,以网络中的运输工具容量、可以提供的运输工具最大数量、运输工具服务的关闭时间以及订单时间窗为约束,构建混合整数规划模型,在模型中允许多个订单进行合并运输并考虑运输过程中的转运成本。其次,由于多式联运路径优化问题是典型的NP-hard问题,为了快速求解该模型,开发了一种可以快速为该问题提供近似最优解和下界的列生成启发式算法。最后,生成并测试了大量算例,结果表明所开发的列生成启发式算法可以在较短的时间内提供高质量的近似最优解。文章所构建的模型和开发的列生成启发式算法可以为零担自营多式联运物流企业提供高效的决策支持。     

碳排放限制下的冷藏集装箱多式联运路径优化

为了降低碳排放限制下的冷藏集装箱多式联运成本,实现节能减排的目的,高效的路径选择至关重要.该文基于碳排放限制的视角,针对多式联运网络中铁路和水路运输具有发班时间限制,以及冷藏集装箱需要考虑制冷费用、货损货差的特点,建立了在碳排放限制下以总成本最低为目标的优化模型.构建总成本时不仅考虑了运输费用和转运费用,还考虑了受发班时间影响而动态变化的冷藏费用和货损费用.设计了遗传算法求解,并进行了算例分析.结果表明:通过该模型和算法,可根据决策者的要求快速地选出成本最少的运输方案,为决策者提供决策支持.     

基于多蜂群模型的多目标人工蜂群算法研究

提出了一种基于多蜂群模型的新颖多目标人工蜂群算法(MCMOABC,).算法使用外部档案存储非支配解,运用自适应网格对档案进行维护.在MCMOABC算法中存在3个搜索域各不相同的蜂群,其中2个称为基本蜂群,第3个为综合蜂群.选择4个常用的性能指标,将MCMOABC与其他主流算法在CEC2009测试集上进行比较,实验结果显示了算法的优越性.     

承继关系下多资源受限多项目选择计划模型及其智能决策方案

综合多资源、项目权重和承继因素,以充分利用资源和均衡分配计划期内资源为目标,提出含多重资源约束的多项目选择计划混合优化决策模型;进而,基于体液免疫应答中B细胞应答抗原的运行机制和机理,提取简化的应答框架并结合资源约束设计算子模块,获得寻求多资源受限多项目选择计划问题的最优决策方案的隐并行免疫算法;数值实验比较结果显示该算法能获得满足资源限制的最佳决策方案,论证了该决策模型的合理性和应用潜力.     

空铁联运网络的模型构建与算法设计

针对空铁联运网络具体联运路径的设计问题,借鉴枢纽航线网络p-枢纽中位问题的研究思想,将非枢纽城市间可以直航考虑进去,以联运网络总成本最低为目标函数,构建了允许直航的空铁联运网络混合整数规划模型,并设计了基于遍历搜索的最短路算法来求解模型.最后选取样本城市对模型和算法进行算例分析,给出了不同参数组合下的最优目标值和具体联运路径,设计了中国14个城市的空铁联运网络.算例结果表明联运总成本大小和联运路径的数目与枢纽数目m、折扣系数ρ紧密相关:m越大,ρ越小,联运总成本越小,联运路径数目越多;反之亦然.     

基于CVaR的多目标投资组合模型

金融市场的发展与完善,以及人民收入水平的提高,使越来越多人关注金融投资并成为热点.理性的投资者总是期望风险尽可能低同时收益又尽可能高,而且希望投资的资产易于管理和管理成本低.考虑投资者多个目标的要求,将运用CVaR风险度量方法,提出一个均值—CVaR—资产数目的多目标投资组合模型,并利用多目标粒子群算法对模型进行实证分析,验证新模型的可行性和有效性,为热衷投资的投资者进行投资组合提供一个新方法.     

基于模糊需求的多产品供应商选择的多目标规划模型

由决策于环境的不确定性,供应商选择问题存在大量的模糊信息,传统的确定性规划模型已经不能够很好地处理此类问题。本文基于模糊需求量信息,对于多产品供应商问题建立了模糊多目标规划模型。同时考虑到各目标及约束的重要性程度不同的影响,通过引进适当的权重对多目标规划模型进行求解。文中结合实际算例验证模型的可行性和有效性。     

证券投资组合一种多目标优化模型及其算法

针对Young(1998)提出的证券投资组合极小极大(Minimax)模型,给出了一种有效算法;并在此基础上建立了一个多目标优化模型以及求解该问题的一个中心算法.最后通过算例分析,对两种模型及其算法进行了比较.     

Model Selection for Regularized Least-Squares Algorithm in Learning Theory

We investigate the problem of model selection for learning algorithms depending on a continuous parameter. We propose a model selection procedure based on a worst-case analysis and on a data-independent choice of the parameter. For the regularized least-squares algorithm we bound the generalization error of the solution by a quantity depending on a few known constants and we show that the corresponding model selection procedure reduces to solving a bias-variance problem. Under suitable smoothness conditions on the regression function, we estimate the optimal parameter as a function of the number of data and we prove that this choice ensures consistency of the algorithm.     

Lasso变量选择的分布式算法

Lasso是机器学习中比较常用的一种变量选择方法,适用于具有稀疏性的回归问题.当样本量巨大或者海量的数据存储在不同的机器上时,分布式计算是减少计算时间提高效率的重要方式之一.本文在给出Lasso模型等价优化模型的基础上,将ADMM算法应用到此优化变量可分离的模型中,构造了一种适用于Lasso变量选择的分布式算法,证明了...     

Bayesian Ising Graphical Model for Variable Selection

In this article, we propose a new Bayesian variable selection (BVS) approach via the graphical model and the Ising model, which we refer to as the “Bayesian Ising graphical model” (BIGM). The BIGM is developed by showing that the BVS problem based on the linear regression model can be considered as a complete graph and described by an Ising model with random interactions. There are several advantages of our BIGM: it is easy to (i) employ the single-site updating and cluster updating algorithm, both of which are suitable for problems with small sample sizes and a larger number of variables, (ii) extend this approach to nonparametric regression models, and (iii) incorporate graphical prior information. In our BIGM, the interactions are determined by the linear model coefficients, so we systematically study the performance of different scale normal mixture priors for the model coefficients by adopting the global-local shrinkage strategy. Our results indicate that the best prior for the model coefficients in terms of variable selection should place substantial weight on small, nonzero shrinkage. The methods are illustrated with simulated and real data. Supplementary materials for this article are available online.     

投资项目评价选择模型的遗传算法

针对一类常见的投资项目评价选择模型提出了一种快速有效的遗传算法。考虑到模型的特殊形式，算法采用了特别的编码方式、遗传算子和适应度确定方法，并与穷举法和隐枚举法进行了对比试验，结果表明该方法能快速有效地给出解决方案。     

A Multiobjective Exploratory Procedure for Regression Model Selection

Variable selection is recognized as one of the most critical steps in statistical modeling. The problems encountered in engineering and social sciences are commonly characterized by over-abundance of explanatory variables, nonlinearities, and unknown interdependencies between the regressors. An added difficulty is that the analysts may have little or no prior knowledge on the relative importance of the variables. To provide a robust method for model selection, this article introduces the multiobjective genetic algorithm for variable selection (MOGA-VS) that provides the user with an optimal set of regression models for a given dataset. The algorithm considers the regression problem as a two objective task, and explores the Pareto-optimal (best subset) models by preferring those models over the other which have less number of regression coefficients and better goodness of fit. The model exploration can be performed based on in-sample or generalization error minimization. The model selection is proposed to be performed in two steps. First, we generate the frontier of Pareto-optimal regression models by eliminating the dominated models without any user intervention. Second, a decision-making process is executed which allows the user to choose the most preferred model using visualizations and simple metrics. The method has been evaluated on a recently published real dataset on Communities and Crime Within the United States.     

凸约束优化问题的带记忆模型信赖域算法

本文我们考虑求解凸约束优化问题的信赖域方法 .与传统的方法不同 ,我们信赖域子问题的逼近模型中包括过去迭代点的信息 ,该模型使我们可以从更全局的角度来求得信赖域试探步 ,从而避免了传统信赖域方法中试探步的求取完全依赖于当前点的信息而过于局部化的困难 .全局收敛性的获得是依靠非单调技术来保证的     

基于CVaR的危险品公铁联运路径选择研究

公铁联运在危险品的多式联运中扮演着重要角色,为了降低危险品公铁联运风险,提高危险品公铁联运的安全性,危险品公铁联运的路径选择至关重要。本文运用条件风险价值(CVaR)理论,在对危险品公铁联运网络进行变形的基础上构建了考虑决策者风险规避程度的危险品公铁联运路径选择模型,设计了求解该模型的算法,并进行了算例分析。研究结果表明:通过该模型及其算法,可根据决策者对所需运输的危险品的运输风险规避程度,在危险品公铁联运网络中快速地选出使危险品公铁联运风险最小的运输路径和运输方式;决策者的风险规避程度会对危险品公铁联运过程中的运输路径和运输方式的选择产生重要影响。     

含交易费用的实用型资产分配优化建模与算法求解

本文以灵活选择投资策略为目的,在Markowitz经典模型的基础上,引入了风险规避参数。并针对风险证券交易费用对投资收益量化过程的影响不容忽视这一事实,建立了含最小交易单位的交易费用函数,得到了改进的含交易费用的实用型资产分配优化模型。并引入投资实例,用分区域多目标进化算法求解,验证了该模型的可行性,以及该算法的高效性。     

带有缺失数据的结构方程模型中的模型选择问题

结构方程模型在社会学、教育学、医学、市场营销学和行为学中有很广泛的应用。在这些领域中,缺失数据比较常见,很多学者提出了带有缺失数据的结构方程模型,并对此模型进行过很多研究。在这一类模型的应用中,模型选择非常重要,本文将一个基于贝叶斯准则的统计量,称为L_v测度,应用到此类模型中进行模型选择。最后,本文通过一个模拟研究及实例分析来说明L_v测度的有效性及应用,并在实例分析中给出了根据贝叶斯因子进行模型选择的结果,以此来进一步说明该测度的有效性。