托运货物获利的研究.docVIP

托运货物获利的研究 摘要 货运公司托运货物时要考虑到公司的收益问题，同时要进行市场预测，本文运用最优化，灰色预测，曲线拟合，网络神经等模型和方法解决了托运货物中的这些问题。 对于问题一，首先通过对题目的分析，发现问题要求获得最大利益，从而建立整数规划模型，并通过LINGO数学软件实现最优化编程，得到海鲜类6200kg，禽苗类5500kg，服装类4000kg及其它类3000kg,并求出公司最大获利为44275元。这个结果不够具体，所以又通过矩阵重新建立了新的优化模型得到每一辆车对每一类的具体批复量。 对于问题二，利用MATLAB数学软件对一个月的数据进行函数拟合，发现每类货物申请量没有显著的函数关系，然后重新建立了灰色预测中的GM（1,1）BP神经网络的数学模型，利用MATLAB编程将预测值和真实值比较，检验得出误差很小，从而对未来7天各类货物申请量进行预测。 对于问题三，基于问题二的预测结果建立整数规划模型，利用LINGO编程得到未来7天每一天的收益。 本文综合整数规划、函数拟合、灰色预测、BP神经网络等模型，结合MATLAB、LINGO等数学软件，对托运货物获利问题进行了多角度分析，并给出了利用合理的方法预测未来数据的模型。在文章最后对模型进行了评价和推广，在实际应用中有较大的参考价值。 关键词：整数规划 灰色预测 函数拟合 BP神经网络 最优化 一、问题重述 2 二、问题分析 3 2.1 问题一的分析 3 2.2 问题二的分析 3 2.3 问题三的分析 3 三、模型假设 4 四、符号说明 4 五、模型的建立 5 5.1对问题一建立模型 5 5.2对问题二建立模型 6 5.2.1函数拟合 6 5.2.2灰色预测 6 5.2.3 BP神经网络模型 7 5.3模型的建立 8 六、模型的求解 9 6.1对问题一的模型求解 9 6.2对问题二的模型求解 9 6.2.1函数拟和求解 9 6.2.2灰色预测模型求解[7] 10 6.2.3 BP神经网络模型求解[5] 11 6.3对问题三的模型求解 15 七、结果分析 15 7.1问题一结果分析与检验 15 7.2问题二结果分析与检验 15 7.3问题三结果分析与检验 16 八、模型的评价与推广 16 8.1整数规划模型 16 8.3灰色预测模型 17 8.4 BP神经网络模型 17 九、参考文献 17 十、附录 18 一、问题重述 某公司拥有3辆汽车，每辆载重量均为9000kg，可载体积为，该公司为客户从甲地托运货物到乙地，收取一定费用。托运货物可分为四类：A、鲜活类 B、禽苗类 C、服装类 D、其他类，四类货物可以实现任意混装。 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0～1000kg0则表示拒绝客户的申请。 问题1、如果某天客户申请量为：A 类 6200kg，B类 5500kg，C 类 4000kg，D 类3000kg，如果要求C类货物占用的体积不能超过B、D两类体积之和的三倍 注意：仅在问题1中作此要求 。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量，为了获取更大收益，需要对将来的申请总量进行预测。现有一个月的数据（见附录二），请预测其后7天内，每天各类货物申请量大约是多少？ 问题3、一般，客户的申请是在一周前随机出现的，各类申请单立即批复，批复后即不能更改，并且不能将拒绝量（即申请量减批复量）累计到以后的申请量。请根据你对下周7天中各类货物申请量的预测，估算这7天的收益各为多少？ 二、问题分析 2.1 问题一的分析 问题一要求公司根据客户申请量对每类货物进行批复使得获利最大。首先，分析得出这是一个最优化问题，因此，由每类货物的托运单价、申请量数目、体积和质量以及题目中要求的约束条件建立了最优化中的整数规划模型。 2.2 问题二的分析 问题二要求预测未来7天内每天各类货物的申请量，根据前一个月每天各类货物的申请量，发现数据没有规律可寻，在解决问题过程中，很明显要求建立合理的数学预测模型。 预测每天各类货物申请量需要考虑到实际值与预测值拟合比较接近，首先根据这些数据利用MATLAB进行了函数拟合，整理函数进行检验得出对于一部分数据误差较大，不能很好的拟合，故这种方法不适用这类问题的预测；然后想将这些数据的时间序列按照微分方程拟合去逼近该时间序列所描述的动态过程，进而外推，达到预测的目的，即灰色系统GM（1,1）BP神经网络数学模型对一个月中4-30天的数据进行预测并检验得出误差很小，故用此方法对后面7天各类货物申请量进行了预测。 2.3 问题三的分析 问题三要求依据问题二的预测结果估算未来七天的收益各为多少，并以其预测