【文章內(nèi)容簡介】 ，賓館⑧有1輛45座客車同時發(fā)車。（4）客車運行規(guī)則；；；，到達指定分會場后，與會代表自行下車，客車前往下一分會場，直至與會代表全部下車；相關(guān)費用：租借會議室及客車的總費用大約為3萬元七、模型改進 模型優(yōu)點最少賓館數(shù)目及相對最小聚集指標優(yōu)化模型（模型3）為了求解模型3，我們首先分別對最小聚集指數(shù)和最少賓館數(shù)目這兩個單目標規(guī)劃問題進行了求解。在得到各自最優(yōu)解的前提下，以最少賓館數(shù)目為主要優(yōu)化目標，同時綜合考慮選定賓館之間的距離盡量?。▽⒕奂笖?shù)小于某設(shè)定值作為約束條件），構(gòu)成模型3，最終求得結(jié)果同時滿足聚集指數(shù)最小、賓館數(shù)目最少，且結(jié)果比較合理。 模型缺點（1）在方案制定中，我們沒有考慮實際與會代表人數(shù)與預(yù)測與會代表人數(shù)不一致時可能造成的空房費用或因客房不夠而造成代表的不滿所引起的“費用”；（2）客車運行規(guī)則的設(shè)定過于簡單，雖然一方面簡化了優(yōu)化模型的建立，但是造成了租用客車過多而引起費用過大的問題； 模型改進（1）針對“模型缺點”中的提到的沒有考慮實際與會代表人數(shù)與預(yù)測與會代表人數(shù)不一致時可能造成的“費用”，可以考慮建立相關(guān)概率模型，從概率學(xué)的角度建立相關(guān)優(yōu)化模型。（2）針對“模型缺點”中的提到的客車運行規(guī)則的設(shè)定過于簡單造成租車費用過高的問題，可以考慮讓客車途中搭載其他賓館的代表，或者每半天每輛客車運送代表的次數(shù)多余1次；參考文獻[1] 王正林，龔純，何倩，《精通MATLAB科學(xué)計算》，北京：電子工業(yè)出版社，2009 年8月。[2] 傅立，《灰色系統(tǒng)理論及其應(yīng)用》，北京：科學(xué)技術(shù)文獻出版社 ，1992年10月。[3] 周衛(wèi)，《基于MATLAB的灰色系統(tǒng)沉降預(yù)測》，測繪通報P34~36，2002年6月。[4] 謝金星，薛毅，《優(yōu)化建模與LINDO/LINGO軟件》，北京：清華大學(xué)出版社，2009 年12月。附錄附錄1與的擬合情況：Linear model Poly1: f(x) = p1*x + p2Coefficients (with 95% confidence bounds): p1 = (, ) p2 = (, )Goodness of fit: SSE: Rsquare: Adjusted Rsquare: RMSE: 附錄2function gm11(x0,n)%預(yù)測后n年的數(shù)據(jù)，并給出精度。lx0=size(x0,2)。%已知數(shù)據(jù)長度%累加序列x1=[]。z=[]。x1(1)=x0(1)。z(1)=x1(1)。for i=2:lx0 sum=0。 for j=1:i sum=sum+x0(j)。 end x1(i)=sum。 z(i)=(x1(i)+x1(i1))/2。endB=[(z(2:lx0)*(1))39。 ones(lx01,1)]。Y=x0(2:lx0)39。A=inv(B39。*B)*B39。*Y。a=A(1)。b=A(2)。%x1的模擬值x1px1p=[]。x1p(1)=x1(1)。for i=2:lx0+n x1p(i)=(x0(1)b/a)*exp(1*a*(i1))+b/a。end%x0的模擬值x0px0p=[]。x0p(1)=x0(1)。for i=1:lx0+n1 x0p(i+1)=x1p(i+1)x1p(i)。end%檢驗精度（前l(fā)x0項）%殘差序列e0%相對誤差序列drt0e0=[]。drt0=[]。for i=1:lx0 e0(i)=x0(i)x0p(i)。 drt0(i)=e0(i)/x0(i)。end%平均相對誤差disp(39。平均相對誤差：39。)drt=mean(drt0)disp(39。濾波相對誤差：39。)drt0(lx0)%計算x0與x0p的灰色關(guān)聯(lián)度epshmS=0。mSp=0。mSpS=0。sum1=0。sum2=0。for i=2:lx01 sum1=sum1+(x0(i)x0(1))。 sum2=sum2+(x0p(i)x0p(1))。endsum1=sum1+*(x0(4)x0(1))。sum2=sum2+*(x0p(4)x0p(1))。mS=abs(sum1)。mSp=abs(sum2)。mSpS=abs(sum2sum1)。disp(39。x0與x0p的灰色關(guān)聯(lián)度:39。)epsh=(1+mS+mSp)/(1+mS+mSp+mSpS)%計算均方差Sx0（S1）,Se(S2)Sx0=sqrt(var(x0(1:lx0))/lx0)。Se=sqrt(var(e0(1:lx0))/lx0)。%均方差比值Cdisp(39。均方差比值C:39。)C=Se/Sx0%計算小誤差概率j=0。%計數(shù)for i=1:lx0 if abs(e0(i)mean(e0))*Sx0 j=j+1。 endenddisp(39。小誤差概率:39。)P=j/lx0disp(39。預(yù)測序列x0p:39。)x0p附錄3表 15 灰色預(yù)測精度檢驗等級參照表　 指標臨界性精度等級相對誤差關(guān)聯(lián)度均方差比值小誤差概率一級二級三級四級附錄4圖 7 以第⑦家賓館為原點的坐標系附錄5最小聚集指標模型Lingo求解程序model:sets:index1 /1..10/:xj,x,y。index2 /1..6/:Rp。index3 (index1,index2):kjp,kjpmax。index4 (index1,index2)|amp。2 LE 3:djp。index5 (index1,index1):r。endsetsMin = (@sum(index5(i,j):r(i,j)*xj(i)*xj(j))/(n*(n1)))。@for(index2(p)|pLE3:(@sum(index1(j):kjp(j,p)*xj(j)))=Rp(p))。@for(index2(p)|pGE4:(@sum(index1(j):(kjp(j,p)+djp(j,p3))*xj(j)))=Rp(p))。@for(index3(j,p)|pLE3:(kjp(j,p)+djp(j,p))=kjpmax(j,p)*xj(j))。@for(index3(j,p)|pGE4:kjp(j,p)=kjpmax(j,p)*xj(j))。n=@sum(index1(j):xj(j))。@for(index5(i,j):r(i,j)=((x(i)x(j))^2+(y(i)y(j))^2)^())。@for(index1:@bin(xj))。@for(index3:@gin(kjp))。@for(index4:@gin(djp))。data:kjpmax=050300302085650000502402700504500007040000004030403005000400304040004500060006000100000。Rp=104 69 22 149 86 54。x=0 0 200 0 300 0 0 200 200 0。y=300 450 1000 950 0 300 0 0 150 1000。Enddata附錄6最少賓館數(shù)目優(yōu)化模型Lingo求解程序model:sets:index1 /1..10/:xj。index2 /1..6/:Rp。index3 (index1,index2):kjp,kjpmax。index4 (index1,index2)|amp。2 LE 3:djp。endsetsMin = @sum(index1(j):xj(j))。@for(index2(p)|pLE3:(@sum(index1(j):kjp(j,p)*xj(j)))=Rp(p))。@for(index2(p)|pGE4:(@sum(index1(j):(kjp(j,p)+djp(j,p3))*xj(j)))=Rp(p))。@for(index3(j,p)|pLE3:(kjp(j,p)+djp(j,p))=kjpmax(j,p)*xj(j))。@for(index3(j,p)|pGE4:kjp(j,p)=kjpmax(j,p)*xj(j))。@for(index1:@bin(xj))。@for(index3:@gin(kjp))。@for(index4:@gin(djp))。data:kjpmax=050300302085650000502402700504500007040000004030403005000400304040004500060006000100000。Rp=10469221498654。enddata附錄7最少賓館數(shù)目及相對最小聚集指標優(yōu)化模型Lingo求解程序model:sets:index1 /1..10/:xj,x,y。index2 /1..6/:Rp。index3 (index1,index2):kjp,kjpmax。index4 (index1,index2)|amp。2 LE 3:djp。index5 (index1,index1):r。endsetsMin = @sum(index1(j):xj(j))。@for(index2(p)|pLE3:(@sum(index1(j):kjp(j,p)*xj(j)))=Rp(p))。@for(index2(p)|pGE4:(@sum(index1(j):(kjp(j,p)+djp(j,p3))*xj(j)))=Rp(p))。@for(index3(j,p)|pLE3:(kjp(j,p)+djp(j,p))=kjpmax(j,p)*xj(j))。@for(index3(j,p)|pGE4:kjp(j,p)=kjpmax(j,p)*xj(j))。C=@sum(index5(i,j):r(i,j)*xj(i)*xj(j))/(n*(n1))。C=400。n=@sum(index1(j):xj(j))。@for(index5(i,j):r(i,j)=((x(i)x(j))^2+(y(i)y(j))^2)^())。@for(index1:@bin(xj))。@for(index3:@gin(kjp))。@fo