模型輔助決策支持(參考版)
2025-01-18 05:01本頁面
【正文】 ? 改進(jìn) Elman的主要改進(jìn)：① 在隱含層和輸出層單元的凈輸入中增加 增益因子，以便改變作用函數(shù)的陡度，在學(xué)習(xí)過程中，增益因子同權(quán)值或閾值一樣調(diào)整，從而實(shí)現(xiàn)算法收斂速度和精度的提高；② 采用 自適應(yīng)學(xué)習(xí)率調(diào)整方案 ，提升網(wǎng)絡(luò)學(xué)習(xí)速度。? 改進(jìn)的 GM(1,1)模型的主要改進(jìn)：① 選用 GaussLegendre求積公式和相鄰最近插值法求背景值；② 選用折扣最小一乘法和蟻群優(yōu)化算法來擬合參數(shù)。多模型輔助決策支持決策者分析影響糧食產(chǎn)量的主要因素（投入水平、科技水平、生產(chǎn)條件，并集體討論，共同決策該縣在 2023年預(yù)測值： 2023年糧食總產(chǎn)量為 15億斤。多模型輔助決策支持 （ 5）三次平滑預(yù)測模型 預(yù)測 2023年總產(chǎn)量 。 （ 4）多元回歸預(yù)測模型 其中 x x x x t、 x6分別為：化肥、種子、水、種糧面積、時間、政策因素。 （ 2）生長曲線預(yù)測模型 預(yù)測 2023年總產(chǎn)量為 。為此，利用該縣從 1990年到 2023年各年的糧食產(chǎn)量數(shù)據(jù)，按照不同預(yù)測模型的要求，分別建立了五個不同的數(shù)學(xué)模型，并分別進(jìn)行了預(yù)測計(jì)算 :多模型輔助決策支持 （ 1）灰色模糊預(yù)測模型 其中 x x x x4分別為：良種面積、汗?jié)潮Ｊ彰娣e、化肥施用量、農(nóng)藥用量。這是一種采用多模型并行組合的決策方案。– 串行組合 ：一個模型的輸出為另一個模型的輸入。 多模型輔助決策支持模型的組合分兩種：并行組合與串行組合。2. 組合 標(biāo)準(zhǔn)數(shù)學(xué)模型，建立決策方案。 數(shù)學(xué)模型的決策支持Px X Y p0 2 6 3000100 2 6 3200200 2 6 3400300 2 6 3600400 2 6 3800500 2 6 4000600 2 6 4200700 2 6 4400800 4 3 4700900 4 3 51001000 4 3 5500 從上表可見 px的改變 而 不改變最優(yōu)解 （ x， y）的最小值與最大值，即最優(yōu)域?yàn)?:0≤ px ≤700 同樣方法可求出 py的最優(yōu)域值為：py ≥200 其它 whatif分析的問題在此不進(jìn)行討論。它是公司領(lǐng)導(dǎo)層是否對新產(chǎn)品生產(chǎn)的重要決策支持。設(shè)每周生產(chǎn)新門的數(shù)量為 x，生產(chǎn)新窗的數(shù)量為 y。? 玻璃門的單位利潤 估計(jì) 為 =300元；玻璃窗的單位利潤 估計(jì) 為 =500元。? 工廠 A每周 大約 有 4個小時用來生產(chǎn)玻璃門；工廠 B每周 大約 有 12個小時用來生產(chǎn)鋁框窗；工廠 C每周大約 有 18個小時用來生產(chǎn)玻璃門和鋁框窗。 數(shù)學(xué)模型的決策支持模型的 whatif分析的決策支持– whatif分析：（ if）線性規(guī)劃模型中的參數(shù)變化→ 最優(yōu)解的怎樣改變（ what）– 分析模型中 參數(shù)的精確程度對最優(yōu)解的影響 ，有效地指導(dǎo)決策者作出最終的決策。– 實(shí)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1