毕业论文：基于马氏GM(1_1)和BP神经网络的货运公司收益问题.doc

PAGE PAGE 1 基于马氏GM(1,1)和BP神经网络的货运公司收益问题 摘要 货运公司依托该市所具有的物流、人流、信息的中心地位，和一批在全省有一定影响的专业市场及大型工业企业，在运营过程中，要考虑到公司的收益问题，同时也有对市场进行预测的问题。本文通过建立单目标规划模型，马氏GM(1,1)模型和BP神经网络模型对这些问题进行了深入的研究。 问题一中，忽略了其他方面的影响，只是要求怎么样批复使得公司获利最大，我们建立了与之相对应的单目标规划模型，通过求解得出，当公司对四种货物的批复分别为：E类6460kg，F类5000kg，G类4000kg，H类0kg。公司获利最多为40232元。 问题二中，我们要根据表中所给30天的数据，对未来7天各种货物的申请量做预测。考虑到这些数据具有随机性和波动性，我们分别建立了与之相对应的模型一：马氏GM(1,1)模型和模型二：BP神经网络模型。在模型一中，我们先用GM(1,1)模型进行了预测，然后用马尔科夫链中的转移概率定律对其进行了优化，发现误差波动较大，在0-1000之间。在模型二中，我们建立了BP神经网络模型，通过设置参数，输入数据后，通过训练使其进行了很好的自学习过程，误差相对较小，波动在0-30之间，采用单步外推预测,然后对未来7天货物的申请量做了预测。最后通过比较最终选定BP神经网络的结果作为我们最终的结果。 然后我们对模型进行了推广，由于两种模型在某些方面能互相弥补对方的缺陷，所以我们将两种模型进行了组合，提出了马氏GM(1,1)-BP神经网络模型，并说明了此模型除了能很好解决此题中所提出的问题外，还能对其它问题，像人口的预测问题做出很好的解答，给出了解决的例子。由于时间和学习能力有限并没有给出马氏GM(1,1)-BP神经网络模型严密的理论证明，但是该模型在实践中有着比较好的应用前景。 最后，评价了模型的优缺点。 关键字: 单目标规划模型 马氏GM(1,1)模型 BP神经网络模型 组合模型 单步外推预测 一 问题重述 甲市的通畅物流货运中心主要依托该市所具有的物流、人流、信息流中心地位，和在全省有一定影响的贸易广场、轻纺城、旧货市场、建材市场、蔬菜批发市场、果品批发市场等一批专业市场，以及经济开发区、工业园的企业群等一批大型工业企业，创立的一家专业物流公司，该公司拥有3辆卡车，每辆载重量均为8000kg，可载体积为9.084m3，是一个集业务受理、仓储、运输为一体的专业运输企业，运输区域遍及全国各地。该公司为客户托运货物主要有四类：E类、F类 、G类、H类，公司有技术实现四类货物任意混装。从甲地到乙地平均每类货物每公斤（kg） 表一 各类货物每公斤所占体积及托运单价 类别 E类 F类 G类 H类 体积（m3/kg） 0.0012 0.0015 0.003 0.0008 托运单价(元/kg) 1.7 2.25 4.5 1.12 托运手续是客户首先向公司提出托运申请，公司给予批复，客户根据批复量交货给公司托运。申请量与批复量均以公斤为单位，例如客户申请量为1000kg，批复量可以为0～1000kg内的任意整数，若取0则表示拒绝客户的申请。 小张同学在该公司调度室做毕业实习，有一天公司经理给他2个问题，希望他能研究研究。 问题1：如果某天客户申请量为：E类6500kg，F类5000kg，G类4000kg，H类3000kg，要求G类货物占用的体积不能超过F、H两类货物体积之和的三倍，问公司应如何批复才能使得公司获利最大？ 问题2：每天各类货物的申请总量是随机变量，现有六月份一个月的数据，为获取更大收益，需要对将来的货物申请总量进行预测。请预测其后7天内(7月1日至7日)，每天各类货物申请量大约是多少？ 二 基本假设 1 表中所给数据真实，不存在人为的误差。 2 忽略突发事件对公司运营的影响。 3 托运单价稳定不变，申请客户不会毁约。 4 假设这四类货物的申请量受季节的影响不大。 5 每辆卡车都能在最大限度内使用。 6 忽略在货运过程中由于货物的破损造成的损失。 三 符号说明 公司分别批复客户类类类类货物的千克数 公司的获利金额 时间序列 时间序列中的第个观察值， 通过对序列累加生成的新序列 新序列中的第个值，=1,2…,30 时间 发展灰数 内生控制灰数 BP神经网络学习的输入量 BP神经网络的输出量 学习误差终值 四 模型建立与求解 4.1 问题一 4.1.1 问题分析 已知某天客户的四类货物的申请量，并且知道类货物占用的体积不能超过两类货物体积之和的三倍，在基本假设中，我们忽略了其他方面因素的影响，因此在此问中，我们只需求出怎样分配才能使得公司获利最大即可。也就是说，这是个典型的单目标规划问题，我们建立相应的单目标规划模型。 4.1.