模糊规划毕业论文

模糊规划毕业论文

随机环境中经济增长模型研究

广义生产函数假设下的经济增长模型分析

考虑市场预期的供求关系模型

基于Matlab的离散事件模拟

用风险预算进行资产配置

有向图上的PAR贯序模拟系统

单圈图的一般Randic指标的极值问题

模糊数学在公平评奖问题中的应用

模糊矩阵在环境评估中的初步应用

模糊评判在电脑中的初步应用

数学家的数学思想

Riemann积分定义的网收敛表述

微积分思想在不等式证明中的应用

用有限的尺度标量无限的过程-略论极限ε语言在微积分及现代数学中的位置及意义

微积分思想在几何问题中的应用

齐次平衡法求KdV-Burgers方程的Backlund变换

Painleve分析法判定MKdV-Burgers方程的可积性

直接法求KdV-Burgers方程的对称及精确解

行波求解KdV-Burgers方程

因子有向图的矩阵刻划

简单图上的lit-only sigma-game

半正则图及其线图的特征多项式与谱

分数有向图的代数表示

WWW网络的拓扑分析

作者合作网络等的拓扑分析

古诺模型

价格歧视

用数学软件做计算微分方程的计算器

用数学软件做矩阵计算的计算器

弹簧－质点系统的反问题

用线性代数理论做隐含语义搜索

对矩阵若当标准型理论中变换阵求法的探讨

对矩阵分解理论的探讨

对矩阵不等式理论的探讨(1)

对矩阵不等式理论的探讨(2)

函数连续性概念及其在现代数学理论中的延伸

从有限维空间到无限维空间

Banach空间中脉冲泛函微分方程解的存在性

高阶脉冲微分方程的振动性

具有积分边界条件的分数阶微分方程解的存在唯一性

分数阶微分方程的正则摄动

一个形态形成模型的摄动解

一个免疫系统常微分方程模型的渐近解

前列腺肿瘤连续性激素抑制治疗的数学模型

前列腺肿瘤间歇性激素抑制治疗的数学模型

病毒动力学数学模型

肿瘤浸润数学模型

耗散热方程初边值问题解的正则性

耗散波方程初边值问题解的正则性

耗散Schrodinger方程初边值问题解的正则性

非线性发展方程解得稳定性

消费需求的鲁棒调节

生产函数的计量分析

企业的成本形态分析的研究

分数阶Logistic方程的数值计算

分数阶捕食与被捕食模型的数值计算

AIDS传播模型的全局性分析

HIV感染模型的全局性分析

风险度量方法的比较及其应用

具有区间值损益的未定权益定价分析

模糊规划及其在金融分析中的应用

长依赖型金融市场

股票价格与长相依性

分数布朗运动下的外汇期权定价

不确定性与资产定价

加油站点的分布与出租车行业的关系

专科的经济管理毕业论文怎么写，有范文吗？

【题名】：部门经济管理(BuMenJingJiGuanLi)
【关键词】：经济管理 质量评价 外商直接投资 客户价值 价格折扣 突发事件 解析模型 项目风险
【作者】：无 【来源】： 知识词典
【期刊名称】：中国学术期刊文摘(ZhongGuoXueShuQiKanWenZhai)
【国际标准刊号】：1005-8923 【国内统一刊号】：
【作者单位】：不详(BuXiang)
【分类号】：F123.16 【页码】：-224-227 【出版年】：2007.24
三级供应链应对突发事件的价格折扣契约研究,网络计划项目风险元传递解析模型研究,基于工期协调的项目公司与承包商收益激励模型,基于客户价值的客户序位评价研究,外商直接投资质量评价,非对称信息对高新技术企业融资的影响，基于超效率CCR—DEA的中国港口上市公司成本效率评价研究.

【题名】：浅谈医院经济管理(QianTanYiYuanJingJiGuanLi)
【关键词】：医院 经济管理 卫生资源
【作者】：刘文敏 【来源】： 知识词典
【期刊名称】：中国当代医学(ZhongGuoDangDaiYiXue)
【国际标准刊号】：1810-8755 【国内统一刊号】：
【作者单位】：蚌埠市第一人民医院,安徽蚌埠233000(BangBuShiDiYiRenMinYiYuan,AnHuiBangBu233000)
【分类号】：R197.322 【页码】：-56-56 【出版年】：2007.6
在目前社会主义市场经济体制还不成熟，医疗补偿机制还小完伞到位的情况下，加强经济管理，合理利用卫生资源，建设特色专科，降低医疗成本，减轻病人负担，成为医院发展的重要手段。经济管理过程中，严格审计监督，规范物质采购制度，合理有效利用资金．

【题名】：经济管理与模糊决策(JingJiGuanLiYuMoHuJueCe)
【关键词】：经济管理 模糊线性规划 应用 模糊决策 模糊数学
【作者】：李琪 【来源】： 知识词典
【期刊名称】：陕西经贸学院学报(ShanXiJingMaoXueYuanXueBao)
【国际标准刊号】：1008-1097 【国内统一刊号】：61-1307
【作者单位】：陕西经贸学院统计系(ShanXiJingMaoXueYuanTongJiXi)
【分类号】：F20 【页码】：-34-36 【出版年】：1999.5
模糊线性规划是近年来兴起的研究不确定数量关系的有效方法，它特别适合于分析经济问题，本文简要介绍了模糊线性规划在经济管理中的应用。

遗传算法tsp问题求解~80高分求解还会继续加分

遗传算法GA
遗传算法：
旅行商问题(traveling saleman problem,简称tsp)：
已知n个城市之间的相互距离，现有一个推销员必须遍访这n个城市，并且每个城市只能访问一次，最后又必须返回出发城市。如何安排他对这些城市的访问次序，可使其旅行路线的总长度最短？
用图论的术语来说，假设有一个图 g=(v,e)，其中v是顶点集，e是边集，设d=(dij)是由顶点i和顶点j之间的距离所组成的距离矩阵，旅行商问题就是求出一条通过所有顶点且每个顶点只通过一次的具有最短距离的回路。
这个问题可分为对称旅行商问题(dij=dji,,任意i,j=1,2,3，…,n)和非对称旅行商问题(dij≠dji,,任意i,j=1,2,3，…,n)。
若对于城市v={v1,v2,v3,…,vn}的一个访问顺序为t=(t1,t2,t3,…,ti,…,tn),其中ti∈v(i=1,2,3,…,n)，且记tn+1= t1，则旅行商问题的数学模型为：
min l=σd(t(i),t(i+1)) （i=1,…,n）
旅行商问题是一个典型的组合优化问题，并且是一个np难问题，其可能的路径数目与城市数目n是成指数型增长的，所以一般很难精确地求出其最优解，本文采用遗传算法求其近似解。
遗传算法：
初始化过程：用v1,v2,v3,…,vn代表所选n个城市。定义整数pop-size作为染色体的个数，并且随机产生pop-size个初始染色体，每个染色体为1到18的整数组成的随机序列。
适应度f的计算：对种群中的每个染色体vi，计算其适应度，f=σd(t(i),t(i+1)).

评价函数eval(vi)：用来对种群中的每个染色体vi设定一个概率，以使该染色体被选中的可能性与其种群中其它染色体的适应性成比例，既通过轮盘赌，适应性强的染色体被选择产生后台的机会要大，设alpha∈(0,1)，本文定义基于序的评价函数为eval(vi)=alpha*(1-alpha).^(i-1) 。[随机规划与模糊规划]
选择过程：选择过程是以旋转赌轮pop-size次为基础，每次旋转都为新的种群选择一个染色体。赌轮是按每个染色体的适应度进行选择染色体的。
step1 、对每个染色体vi,计算累计概率qi，q0=0;qi=σeval(vj) j=1,…,i;i=1,…pop-size.
step2、从区间(0,pop-size)中产生一个随机数r；
step3、若qi-1<r<qi,则选择第i个染色体 ；
step4、重复step2和step3共pop-size次，这样可以得到pop-size个复制的染色体。
grefenstette编码：由于常规的交叉运算和变异运算会使种群中产生一些无实际意义的染色体，本文采用grefenstette编码《遗传算法原理及应用》可以避免这种情况的出现。所谓的grefenstette编码就是用所选队员在未选（不含淘汰）队员中的位置，如：
8 15 2 16 10 7 4 3 11 14 6 12 9 5 18 13 17 1
对应：
8 14 2 13 8 6 3 2 5 7 3 4 3 2 4 2 2 1。
交叉过程：本文采用常规单点交叉。为确定交叉操作的父代，从 到pop-size重复以下过程：从[0，1]中产生一个随机数r，如果r<pc ，则选择vi作为一个父代。
将所选的父代两两组队，随机产生一个位置进行交叉，如：
8 14 2 13 8 6 3 2 5 7 3 4 3 2 4 2 2 1
6 12 3 5 6 8 5 6 3 1 8 5 6 3 3 2 1 1
交叉后为：
8 14 2 13 8 6 3 2 5 1 8 5 6 3 3 2 1 1
6 12 3 5 6 8 5 6 3 7 3 4 3 2 4 2 2 1
变异过程：本文采用均匀多点变异。类似交叉操作中选择父代的过程，在r<pm 的标准下选择多个染色体vi作为父代。对每一个选择的父代，随机选择多个位置，使其在每位置按均匀变异（该变异点xk的取值范围为[ukmin,ukmax],产生一个[0，1]中随机数r，该点变异为x'k=ukmin+r(ukmax-ukmin)）操作。如：
8 14 2 13 8 6 3 2 5 7 3 4 3 2 4 2 2 1
变异后：
8 14 2 13 10 6 3 2 2 7 3 4 5 2 4 1 2 1
反grefenstette编码：交叉和变异都是在grefenstette编码之后进行的，为了循环操作和返回最终结果，必须逆grefenstette编码过程，将编码恢复到自然编码。
循环操作：判断是否满足设定的带数xzome，否，则跳入适应度f的计算；是，结束遗传操作，跳出。

//c++的程序
#include<iostream.h>
#include<stdlib.h>
template<class T>
class Graph
{
public:
Graph(int vertices=10)
{
n=vertices;
e=0;
}
~Graph(){}
virtual bool Add(int u,int v,const T& w)=0;
virtual bool Delete(int u,int v)=0;
virtual bool Exist(int u,int v)const=0;
int Vertices()const{return n;}
int Edges()const{return e;}
protected:
int n;
int e;
};
template<class T>
class MGraph:public Graph<T>
{
public:
MGraph(int Vertices=10,T noEdge=0);
~MGraph();
bool Add(int u,int v,const T& w);
bool Delete(int u,int v);
bool Exist(int u,int v)const;
void Floyd(T**& d,int**& path);
void print(int Vertices);
private:
T NoEdge;
T** a;
};
template<class T>
MGraph<T>::MGraph(int Vertices,T noEdge)
{
n=Vertices;
NoEdge=noEdge;
a=new T* [n];
for(int i=0;i<n;i++){
a[i]=new T[n];
a[i][i]=0;
for(int j=0;j<n;j++)if(i!=j)a[i][j]=NoEdge;
}
}
template<class T>
MGraph<T>::~MGraph()
{
for(int i=0;i<n;i++)delete[]a[i];
delete[]a;
}
template<class T>
bool MGraph<T>::Exist(int u,int v)const
{
if(u<0||v<0||u>n-1||v>n-1||u==v||a[u][v]==NoEdge)return false;
return true;
}
template<class T>
bool MGraph<T>::Add(int u,int v,const T& w)
{
if(u<0||v<0||u>n-1||v>n-1||u==v||a[u][v]!=NoEdge){
cerr<<"BadInput!"<<endl;
return false;
}
a[u][v]=w;
e++;
return true;
}
template<class T>
bool MGraph<T>:delete(int u,int v)
{
if(u<0||v<0||u>n-1||v>n-1||u==v||a[u][v]==NoEdge){
cerr<<"BadInput!"<<endl;
return false;
}
a[u][v]=NoEdge;
e--;
return true;
}
template<class T>
void MGraph<T>::Floyd(T**& d,int**& path)
{
d=new T* [n];
path=new int* [n];
for(int i=0;i<n;i++){
d[i]=new T[n];
path[i]=new int[n];
for(int j=0;j<n;j++){
d[i][j]=a[i][j];
if(i!=j&&a[i][j]<NoEdge)path[i][j]=i;
else path[i][j]=-1;
}
}
for(int k=0;k<n;k++){
for(i=0;i<n;i++)
for(int j=0;j<n;j++)
if(d[i][k]+d[k][j]<d[i][j]){
d[i][j]=d[i][k]+d[k][j];
path[i][j]=path[k][j];
}
}
}
template<class T>
void MGraph<T>::print(int Vertices)
{
for(int i=0;i<Vertices;i++)
for(int j=0;j<Vertices;j++)
{

cout<<a[i][j]<<' ';if(j==Vertices-1)cout<<endl;
}
}
#define noEdge 10000
#include<iostream.h>
void main()
{
cout<<"请输入该图的节点数："<<endl;
int vertices;
cin>>vertices;
MGraph<float> b(vertices,noEdge);
cout<<"请输入u,v,w:"<<endl;
int u,v;
float w;
cin>>u>>v>>w;
while(w!=noEdge){
//u=u-1;
(u-1,v-1,w);
(v-1,u-1,w);
cout<<"请输入u,v,w:"<<endl;
cin>>u>>v>>w;
}
(vertices);
int** Path;
int**& path=Path;
float** D;
float**& d=D;
(d,path);
for(int i=0;i<vertices;i++){
for(int j=0;j<vertices;j++){
cout<<Path[i][j]<<' ';
if(j==vertices-1)cout<<endl;
}
}
int *V;
V=new int[vertices+1];
cout<<"请输入任意一个初始H-圈："<<endl;
for(int n=0;n<=vertices;n++){

cin>>V[n];
}
for(n=0;n<55;n++){
for(i=0;i<n-1;i++){
for(int j=0;j<n-1;j++)
{
if(i+1>0&&j>i+1&&j<n-1){
if(D[V[i]][V[j]]+D[V[i+1]][V[j+1]]<D[V[i]][V[i+1]]+D[V[j]][V[j+1]]){
int l;
l=V[i+1];V[i+1]=V[j];V[j]=l;
}
}
}
}
}
float total=0;
cout<<"最小回路："<<endl;
for(i=0;i<=vertices;i++){

cout<<V[i]+1<<' ';
}
cout<<endl;
for(i=0;i<vertices;i++)
total+=D[V[i]][V[i+1]];
cout<<"最短路径长度："<<endl;
cout<<total;
}

这个你 看得懂么？