价格-数量调节网络交通流演化模型

首次运用经济学非瓦尔拉斯均衡中的价格-数量调节原理和方法,建立网络交通流动态演化模型.假设出行者在路径选择决策时,不但受路径出行时间(价格)的影响,而且还受到路径剩余通行能力(数量)的影响,并将这种路径选择行为形成的稳定交通流模式定义为价格-数量混合调节用户均衡.论文分别建立了价格调节演化模型和数量调节演化模型,进而构建了价格-数量共同调节演化模型,证明了演化模型的稳定状态等价于价格-数量调节用户均衡,且价格调节用户均衡和数量调节用户均衡均为价格-数量调节用户均衡的特例.论文最后以一个简单的测试网络为例对文中建立的演化模型进行了计算分析,结果显示三种演化模型均可较理想地模拟路径流随时间变化的过程,且模型稳定状态分别对应三种用户均衡交通流模式.     

双目标用户均衡下的交通流逐日动态演化模型

时间和费用是出行者在路径选择时关注的两个重要目标,许多研究将两者加权组合为单目标来考虑,存在一定缺陷.在静态交通分配模型的研究中,已有学者提出将两者分开考虑的双目标用户均衡.然而,在动态交通分配模型中,现有研究仍多以传统的单目标用户均衡作为交通流演化的最终状态.因此,本文针对双目标用户均衡,提出了一种新的基于路径流量更新的交通流逐日动态演化模型,假设出行者在每天的路径选择中会将出行时间和收费分开比较以决定是否变换路径.论文从理论上证明了该模型的收敛性,以及交通流演化的最终状态会达到双目标用户均衡,同时数值算例也验证了模型的有效性.     

固定需求交通网络的一般系统最优模型与性质

考虑用户社会经济特征和收入水平的差异性，在固定需求异质用户交通网络中，构建了一般系统最优数学规划模型并给出了一阶最优性条件，该模型适用于任何连续或有限间断点分布的用户时间价值． 进一步分析了一般系统与标准系统以及多用户类系统最优模型之间的关系． 研究表明: 当所有用户的时间价值一致时，一般系统最优模型退化为标准系统最优模型;当用户时间价值呈阶梯分布时，一般系统最优模型与多用户类系统最优模型是等价的．     

EPR 下供应链网络报废产品排放内生污染税模型

利用均衡理论及变分不等式研究工具,研究了生产者责任延伸( EPR) 制度下的正向和逆向相结合的包含制造商、销售商 /回收中心及需求市场的闭环供应链网络． 考虑网络中各层决策者之间的相互作用,并与报废产品排放环境污染税相结合,建立了竞争环境中的多层供应链网络均衡模型,描述了网络中各层决策者的竞争行为,给出了供应链网络各层均衡及整体均衡的条件、经济解释及有限维变分不等式模型,最后通过算例验证了模型及算法的有效性并进行分析．     

EPR下供应链网络报废产品排放内生污染税模型

利用均衡理论及变分不等式研究工具,研究了生产者责任延伸(EPR)制度下的正向和逆向相结合的包含制造商、销售商/回收中心及需求市场的闭环供应链网络.考虑网络中各层决策者之间的相互作用,并与报废产品排放环境污染税相结合,建立了竞争环境中的多层供应链网络均衡模型,描述了网络中各层决策者的竞争行为,给出了供应链网络各层均衡及整...     

合理制定铁路客票价格的优化模型及算法

在充分考虑出行者和铁路客运部门两方面的利益情况下 ,提出一个双层规划模型以得到在多种交通方式竞争条件下的铁路客票价格制定的最优策略 .既保障了出行者使自己的广义出行费用最小 ,又能使铁路客运部门在运输市场竞争中取得的经济效益最大 .并且给出了求解该模型的 SAB算法。最后用一个简单的算例说明了模型及算法的应用     

弹性需求下网络设计问题和电子路票问题研究

应用双(二)层规划模型研究弹性需求下网络设计问题与电子路票收取问题,其中只考虑在部分路段进行路段能力扩充和收取电子路票.上层决策者(网络规划者)选择路段能力增加和收取电子路票的数量来获得最优的社会总福利.下层决策者(网络用户)选择路径来最小化他们的出行成本(路径出行时间与所付出电子路票的价值的和).应用下层规划问题的Ka-rush-Kuhn-Tucker(KKT)条件,将双层规划模型转化为单层规划模型.为了解决互补条件所造成的求解困难,本文构造了松弛算法进行求解,并用数值试验研究了模型和算法的可行性.数值结果表明,本文的模型在缓解交通拥挤方面可以得到更好的效果,而且只在部分路段进行路段能力扩充和收取电子路票更加方便实用.在可交易电子路票方案中,更多出行的用户需要购买电子路票来为他们的额外出行付费,而减少出行的用户则可以卖出多余电子路票得到补偿,同时电子路票的交易价格是在完全竞争的市场上形成的,因此本文中的可交易电子路票机制是收入中性的.     

A hybrid knowledge discovery model using decision tree and neural network for selecting dispatching rules of a semiconductor final testing factory

One of the most challenging production decisions in the semiconductor testing industry is to select the most appropriate dispatching rule which can be employed on the shop floor to achieve high manufacturing performance against a changing environment. Job dispatching in the semiconductor final testing industry is severely constrained by many resources conflicts and has to fulfil a changing performance required by customers and plant managers. In this study we have developed a hybrid knowledge discovery model, using a combination of a decision tree and a back-propagation neural network, to determine an appropriate dispatching rule using production data with noise information, and to predict its performance. We built an object-oriented simulation model to mimic shop floor activities of a semiconductor testing plant and collected system status and resultant performances of several typical dispatching rules, earliest-due-date (EDD) rule, first-come-first-served rule, and a practical dispatching heuristic taking set-up reduction into consideration. Performances such as work-in-process, set-up overhead, completion time, and tardiness are examined. Experiments have shown that the proposed decision tree found the most suitable dispatching rule given a specific performance measure and system status, and the back propagation neural network then predicted precisely the performance of the selected rule.