灰色系統(tǒng)理論是針對(duì)既無(wú)經(jīng)驗(yàn)，數(shù)據(jù)又少的不確定性問(wèn)題，即“少數(shù)據(jù)不確定性”問(wèn)題提出的�；疑Ｐ虶M（1,1）是應(yīng)用最廣泛的灰色系統(tǒng)理論動(dòng)態(tài)模型，其主要作用是對(duì)復(fù)雜事物中主導(dǎo)因素的模擬與預(yù)測(cè)，目前學(xué)者對(duì)它的研究主要集中在初始數(shù)列的處理、背景值以及灰倒數(shù)的改進(jìn)。論文研究?jī)?yōu)化灰色動(dòng)態(tài)理論模型GM（1,1）的優(yōu)化與應(yīng)用，給出了兩種有效優(yōu)化方法，一種是通過(guò)設(shè)計(jì)合理的灰作用量?jī)?yōu)化灰色理論動(dòng)態(tài)模型GM（1,1）；另一種方法是設(shè)計(jì)新算法即混合遺傳算法，并對(duì)灰色模型GM（1,1）的參數(shù)進(jìn)行估計(jì)。首先，運(yùn)用灰作用量b₁+kb₂替換灰作用量b優(yōu)化GM（1,1）模型，且通過(guò)求解GM（1,1）模型的白化方程論證了新方法的合理性。給出了通過(guò)對(duì)數(shù)變換處理原始數(shù)據(jù)的合理性證明，為下文算例的數(shù)據(jù)處理提供了有效方法。其次，針對(duì)基本遺傳算法容易過(guò)早陷入局部最優(yōu)解及其后期局部能力差的缺點(diǎn)，論文給出了一種帶有局部搜索技術(shù)的混合遺傳算法，將一種局部搜索技術(shù)加入到遺傳算法中。將基本遺傳算法和混合遺傳算法進(jìn)行數(shù)值結(jié)果比較，說(shuō)明了該算法具有較高的效率，并利用新算法——混合遺傳算法對(duì)GM（1,1... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 最優(yōu)化理論的產(chǎn)生和發(fā)展
    1.2 灰色系統(tǒng)理論的產(chǎn)生和發(fā)展
    1.3 遺傳算法的產(chǎn)生和發(fā)展
    1.4 組合預(yù)測(cè)模型的產(chǎn)生與發(fā)展
    1.5 課題提出背景及研究意義
    1.6 論文的主要工作與創(chuàng)新
第2章 基礎(chǔ)知識(shí)
    2.1 灰色系統(tǒng)理論動(dòng)態(tài)模型 GM(1,1)
        2.1.1 灰色模型 GM(1,1)基本原理
    2.2 優(yōu)化算法基本原理
        2.2.1 無(wú)約束問(wèn)題的最優(yōu)性條件
        2.2.2 無(wú)約束優(yōu)化問(wèn)題的算法框架
    2.3 遺傳算法的基本操作
        2.3.1 遺傳編碼
        2.3.2 適應(yīng)度函數(shù)的設(shè)計(jì)
        2.3.3 遺傳算子
    2.4 時(shí)間序列模型
        2.4.1 平穩(wěn)時(shí)間序列模型
        2.4.2 非平穩(wěn)序列的平穩(wěn)化處理
    2.5 指數(shù)平滑預(yù)測(cè)模型
        2.5.1 一次指數(shù)平滑法
        2.5.2 二次指數(shù)平滑法
    2.6 組合預(yù)測(cè)模型
    2.7 本章小結(jié)
第3章 GM(1,1)模型的灰作用量?jī)?yōu)化
    3.1 引言
    3.2 GM(1,1)模型原始序列的優(yōu)化
        3.2.1 對(duì)數(shù)變換的理論證明
    3.3 GM(1,1)模型背景值的優(yōu)化
    3.4 GM(1,1)模型灰作用量的優(yōu)化
        3.4.1 灰作用量?jī)?yōu)化的理論證明
    3.5 實(shí)例分析
    3.6 評(píng)價(jià)預(yù)測(cè)結(jié)果
    3.7 本章小結(jié)
第4章 GM(1,1)模型參數(shù)估計(jì)的新算法—混合遺傳算法
    4.1 引言
    4.2 遺傳算法
    4.3 最速下降法
    4.4 局部搜索技術(shù)
    4.5 收斂性證明
    4.6 數(shù)值算例
    4.7 GM(1,1)模型的參數(shù)估計(jì)
    4.8 實(shí)例分析
    4.9 本章小結(jié)
第5章 基于 GM(1,1)、指數(shù)平滑與 ARIMA 模型的組合預(yù)測(cè)模型
    5.1 引言
    5.2 各種模型建模原理
        5.2.1 ARIMA 模型及建模步驟
        5.2.2 指數(shù)平滑法模型及建模步驟
        5.2.3 組合預(yù)測(cè)模型及建模步驟
    5.3 內(nèi)蒙古自治區(qū)人均 GDP 的預(yù)測(cè)及分析
        5.3.1 ARIMA 模型的預(yù)測(cè)結(jié)果
        5.3.2 指數(shù)平滑法預(yù)測(cè)模型
        5.3.3 改進(jìn) GM(1,1)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果
        5.3.4 組合預(yù)測(cè)模型
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]Inverse procedure for determining model parameter of soils using real-coded genetic algorithm[J]. 李守巨,邵龍?zhí)?王吉喆,劉迎曦.  Journal of Central South University. 2012(06)
[2]改進(jìn)的貨運(yùn)量最優(yōu)變權(quán)組合預(yù)測(cè)模型[J]. 譚司庭,史峰.  鐵道科學(xué)與工程學(xué)報(bào). 2011(03)
[3]參數(shù)最優(yōu)化的GM（1,1）模型[J]. 李蔚.  計(jì)算機(jī)工程與應(yīng)用. 2011(14)
[4]改進(jìn)的組合預(yù)測(cè)模型在大壩安全監(jiān)測(cè)中的應(yīng)用[J]. 王剛,任德記,張超,周亮.  人民黃河. 2011(04)
[5]基于組合預(yù)測(cè)模型的我國(guó)GDP預(yù)測(cè)分析[J]. 楊揚(yáng),何偉.  科技和產(chǎn)業(yè). 2011(03)
[6]河南經(jīng)濟(jì)增長(zhǎng)預(yù)測(cè)[J]. 王浩,劉榮利.  四川教育學(xué)院學(xué)報(bào). 2011(03)
[7]基于遺傳算法與線性鑒別的近紅外光譜玉米品種鑒別研究[J]. 王徽蓉,李衛(wèi)軍,劉揚(yáng)陽(yáng),陳新亮,來(lái)疆亮.  光譜學(xué)與光譜分析. 2011(03)
[8]ARIMA與指數(shù)平滑法在江蘇省GDP預(yù)測(cè)中的應(yīng)用[J]. 范恒瑞,任黎秀.  江西農(nóng)業(yè)學(xué)報(bào). 2011(02)
[9]基于負(fù)荷誤差和經(jīng)濟(jì)發(fā)展趨勢(shì)的組合預(yù)測(cè)模型在中長(zhǎng)期負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 溫青,張?bào)慊?楊旭.  電力系統(tǒng)保護(hù)與控制. 2011(03)
[10]改進(jìn)型GM（1,1）模型在電力需求預(yù)測(cè)中的應(yīng)用[J]. 李明洋,田利強(qiáng),張希亮.  山西建筑. 2011(04)



本文編號(hào)：3306099