税收政策不确定下资源动态优化开采研究

针对资源税改革时间不确定,探讨了提高资源税对资源开采的影响。根据资源税改革时间把开采过程分为2个阶段,利用动态思想处理资源开采过程,并结合最优控制理论建立了动态优化模型,通过模型的求解得到资源的最优开采路径。结果表明:在开采初期,资源税政策提出的可能性(或资源税率)提高会加快资源的耗竭;在开采后期,则会促进资源保护;转折的时间点与初始储量有关,初始储量的提高会推迟该转折时间的到来。     

基于不完全序值信息的双边匹配决策方

双边匹配问题一直是经济管理等领域学者关注的焦点问题之一． 针对基于不完全序值信息的双边匹配问题,从完全双边匹配的视角提出了一种新的决策方法． 首先描述了该双边匹配问题,同时引入了完全双边匹配的概念,接着探讨了完全双边匹配的存在性,进一步给出了完全双边匹配存在和不存在情形下的双边匹配决策方法; 在此基础上提出了求解基于不完全序值信息的双边匹配问题的算法,使用该算法可获得完全双边匹配结果． 实例分析说明了所提方法的可行性和有效性．     

一种差异工件单机批调度问题的蚁群优化算法

由于在利用蚁群算法构建差异工件(即工件有尺寸差异)单机批调度问题的解时,批的加工时间是不确定的.从而不能类似于经典调度问题的蚁群算法把批加工时间的倒数作为蚁群算法中的启发式信息,引入批的利用率和批的负载均衡率作为蚁群算法中的启发式信息,提出了JACO(ant colony optimization based a job sequence)和BACO(ant colony optimization based a batch sequence)两种蚁群优化算法.在算法JACO中,解的编码为工件序列,它对应着用BF(best fit)分批规则生成的调度方案,信息素代表工件间的排列顺序;在算法BACO中,解的编码为批序列,信息素代表工件间的批相关性,由此信息素通过中间信息素量来构造相应的解,并引入特定的局部优化策略,提高了算法的搜索效率.实验表明,与以往文献中的SA(simula-ted annealing)、GA(genetic algorithm)算法以及FFLPT(first-fit longest processing time)、BFLPT (best-fit longest processing time)启发式规则相比,算法JACO和BACO明显优于它们,且BACO算法比JACO算法效果更好.     

集装箱港口多期投资优化决策模型研究

以集装箱港口综合成本为主要优化目标,在分析运营效率、生态承载力、港口损益等约束下,借助动态规划建立集装箱港口多期投资优化决策理论模型,解决现有的集装箱港口投资优化决策理论忽视港口运营效率、生态承载力等可持续发展能力的弊端,从而防止港口资源的巨大浪费和对生态环境的破坏,具有现实指导意义.     

考虑分时电价的多目标批调度问题蚁群算法求解

对同时优化电力成本和制造跨度的多目标批处理机调度问题进行了研究,设计了两种多目标蚁群算法,基于工件序的多目标蚁群算法(J-PACO,Job-based Pareto Ant Colony Optimization)和基于成批的多目标蚁群算法(B-PACO,Batch-based Pareto Ant Colony Optimization)对问题进行求解分析。由于分时电价中电价是时间的函数,因而在传统批调度进行批排序的基础上,需要进一步确定批加工时间点以测定电力成本。提出的两种蚁群算法分别将工件和批与时间线相结合进行调度对此类问题进行求解。通过仿真实验将两种算法对问题的求解进行了比较,仿真实验表明B-PACO算法通过结合FFLPT(First Fit Longest Processing Time)启发式算法先将工件成批再生成最终方案,提高了算法搜索效率,并且在衡量算法搜索非支配解数量的Q指标和衡量非支配集与Pareto边界接近程度的HV指标上,均优于J-PACO算法。     

基于粒子群算法的短期汽车租赁服务的调度优化问题研究

汽车租赁服务是一个服务分布网络化、客户需求不确定与汽车租赁服务短期供给不确定的行业,这就使得汽车租赁服务商会面临复杂的日常运营决策问题。混合了车辆升级的统一调度方法是降低供给与需求不确定的有效解决方案,可以提高汽车出租率和车辆利用率,满足客户需求,增加服务提供商的收入。本文正是基于此,提出了使用类子群算法求解的车辆分配、升级和调度优化的方案,算例表明这种方法可以有效提高汽车租赁服务的收入。     

高校制定和优化人才培养方案的思考

论文从当今社会发展对人才适应性的要求出发,分析了现阶段高等院校人才培养方案建设存在的主要问题,阐述了制定和优化人才培养方案的原则和方法,并在此基础上提出了以素质教育为指导思想,努力构建创新型人才培养方案,争取培养更多高质量、高素质的合格人才,以满足社会对各层次人才的需求、促进经济建设的不断发展。     

物联网环境下企业组织管理特征、问题与方法

随着物联网、人工智能、智慧城市等万物互联的智能时代来临，在上世纪大规模生产背景下及其之后互联网背景下产生的传统管理学理论，面临着新的挑战，为此，本文以物流行业为应用对象，提出物联网环境下企业组织管理新问题和方法。首先分析了物联网系统和环境的基本特征，然后从结构、流程、行为和宏观环境四个方面，分析了企业在物联网系统、技术和物联网环境下企业组织所具有的特征和性能。基于这些分析，从组织的结构、流程、行为和运作四个方面，提出了物联网环境下企业组织管理研究的科学问题和新的研究方法。为物联网环境或智能环境下企业组织管理研究提供了思路并指出了发展方向。     

Variable selection in gamma regression models via artificial bee colony algorithm

Variable selection is an important task in regression analysis. Performance of the statistical model highly depends on the determination of the subset of predictors. There are several methods to select most relevant variables to construct a good model. However in practice, the dependent variable may have positive continuous values and not normally distributed. In such situations, gamma distribution is more suitable than normal for building a regression model. This paper introduces an heuristic approach to perform variable selection using artificial bee colony optimization for gamma regression models. We evaluated the proposed method against with classical selection methods such as backward and stepwise. Both simulation studies and real data set examples proved the accuracy of our selection procedure.     

Time-consistent strategies for multi-period mean-variance portfolio optimization with the serially correlated returns

Abstract

In this paper, we discuss several different styles of multi-period mean-variance portfolio optimization problems under the serially correlated returns. We derive the time-consistent strategies for the classical multi-period mean-variance optimization with and without risk-free asset using a backward induction approach. We also propose an alternative multi-period mean-variance model, and the corresponding time-consistent strategies are derived. Whereafter, we provide some portfolio evaluation indexes and perform extensive empirical studies based on real data, aiming to provide useful advice for investors. To a large extent, the empirical results answer one important and practical question: in actual investment situations, which strategy is preferred by different investors?