学位论文 > 优秀研究生学位论文题录展示

基于智能算法的选址规划问题研究-以台湾地区资源回收处理中心为例

作　者: 叶林
导　师: 叶春明
学　校: 上海理工大学
专　业: 管理科学与工程
关键词: 选址规划问题资源回收循环经济萤火虫粒子群优化算法
分类号: TP301.6
类　型: 硕士论文
年　份: 2010年
下　载: 73次
引　用: 0次
阅　读: 论文下载

内容摘要

2010年10月31日，为期184天的上海世博会落下了帷幕。以“城市，让生活更美好”为主题的上海世博会落幕之后，中国将迎来“后世博”时代，同时也将拉开“十二五”建设的序幕，世博成果如何有效转化备受社会各界关注。后世博时代的城市发展成为一个新的课题。2010年10月18日，备受关注的《中共中央关于制定国民经济和社会发展第十二个五年规划的建议》（以下简称“十二五规划建议”）发布，其中把“坚持把建设资源节约型、环境友好型社会作为加快转变经济发展方式的重要着力点。深入贯彻节约资源和保护环境基本国策，节约能源，降低温室气体排放强度，发展循环经济，推广低碳技术，积极应对气候变化，促进经济社会发展与人口资源环境相协调，走可持续发展之路。”作为推进社会发展的基本要求写入建议。上海市发展与改革委员会副主任肖林此前曾表示，上海世博效应将持续释放带来的转型推动机遇，新理念、新模式将融入城市发展各个环节，节能减排、环境保护将成为发展转型的突破口。经过近半年的展示，上海世博会所演绎的这本集世界智慧的“城市发展百科全书”正火热翻开后续篇章，开启一次永不落幕的“后世博之旅”。其中，本届世博会的创举之一城市最佳实践区就是“后世博文章”中的佼佼者——据介绍，将有多个实践区的案例在中国得到“复制”，目前已有上海、天津、唐山等多个城市与实践区中的案例城市签订了合作意向。位于世博E片区，案例联合馆4-3内的台北案例Ⅰ馆（案例名称:迈向资源循环永续社会的城市典范）就是其中一个典型。该馆展示了台北城市采取减量化与资源化策略，通过垃圾不落地、垃圾费随袋征收、家户厨余全面回收、焚化底渣再利用等措施，达到“资源全回收，垃圾零掩埋”的目标。上海市政协委员、杨浦区委书记等党政领导、杨浦党校等相关部门都曾专门赴该馆调研学习。笔者在台北交换学习期间，恰恰也被台北市资源回收的管理模式所吸引，并在台湾导师的帮助下展开了相关走访研究，本文即以台湾的资源回收中心的选址规划问题展开讨论。本文首先，介绍了问题的研究背景，之后针对选址规划的相关问题及模型进行了回顾和归纳整理；其次，本文重点研究引进了一种国际上最新发展起来的群体智能优化算法——萤火虫优化算法（GSO算法），对该算法的发展过程，主要特点及基本流程进行了整理分析，并与目前国内外研究较多的两种群体智能算法ACO算法和PSO算法进行了对比研究，进一步发掘该算法的亮点。之后本文将GSO算法与PSO算法进行了有机整合，改进出一种新的萤火虫-粒子群算法（G-PSO算法），并采用典型的生产调度问题对算法性能进行了验证测试，试验结果证明了该改进算法的有效性和先进性；再次，针对笔者在台湾交换学习期间的调研走访结果，针对台湾地区资源回收中心的布局设置中存在的问题结合选址规划问题模型设计了两种规划模式，分别建立了相关数学模型并采用本文改进的G-PSO算法进行求解，采用相关的GIS工具对结果进行了可视化展现，并对两种模型及其结果进行了比较研究。最后，对本文的研究内容和有关成果进行了必要的总结和展望。

全文目录

摘要  5-7
ABSTRACT  7-11
第一章绪论  11-18
  1.1 课题研究背景及意义  11-12
  1.2 国内外研究综述  12-15
    1.2.1 选址规划问题研究综述  12-13
    1.2.2 群体智能算法研究综述  13-15
  1.3 本文研究内容及研究技术路线  15-18
    1.3.1 研究内容  15
    1.3.2 研究技术路线  15-18
第二章选址规划相关理论  18-38
  2.1 选址规划问题概述  18
  2.2 选址规划问题的模型分类  18-22
    2.2.1 基本选址问题模型  18-19
    2.2.2 扩展选址问题模型  19-22
  2.3 地理信息处理系统（GIS）在选址问题中应用  22-37
    2.3.1 地理信息处理系统（GIS）概述  22-24
    2.3.2 GIS应用简介  24-26
    2.3.3 常用的GIS软件及工具介绍  26-37
  2.4 本章小结  37-38
第三章萤火虫优化算法研究  38-48
  3.1 萤火虫优化算法（GSO算法）描述  38-43
    3.1.1 GSO算法发展历程  38
    3.1.2 GSO算法基本原理  38-40
    3.1.3 GSO算法流程  40-43
  3.2 GSO算法与其他智能算法比较  43-47
    3.2.1 GSO算法与蚁群算法（ACO）  43-45
    3.2.2 GSO算法与粒子群算法（PSO）  45-47
  3.3 本章小结  47-48
第四章粒子群算法及与GSO算法的整合研究  48-61
  4.1 粒子群算法  48-53
    4.1.1 粒子群算法的来源和基本理论  48-49
    4.1.2 粒子群算法的描述  49-50
    4.1.3 粒子群算法的基本流程  50-51
    4.1.4 粒子群算法的局限性与改进方向  51-53
  4.2 粒子群算法与萤火虫算法的比较研究  53-54
  4.3 基于萤火虫算法思想的粒子群算法改进研究  54-58
    4.3.1 算法改进思路  54
    4.3.2 改进算法的基本流程  54-58
  4.4 萤火虫粒子群算法（G-PSO）的一个实例应用测试  58-60
    4.4.1 生产调度问题描述  58
    4.4.2 Benchmark问题求解测试  58-60
  4.5 本章小结  60-61
第五章 G-PSO算法在选址规划问题的应用研究  61-76
  5.1 台湾地区资源回收处理经验简介  61-65
    5.1.1 台湾地区资源回收处理的发展历程  61-63
    5.1.2 当前台湾地区的资源回收处理政策  63-64
    5.1.3 台湾地区资源回收处理流程  64-65
  5.2 台湾地区资源回收处理中心规划现状及问题描述  65-66
    5.2.1 台湾地区资源回收处理中心分布情况  65
    5.2.2 当前模式存在的问题  65-66
  5.3 模型一（P-Median模型）  66-69
    5.3.1 模型描述及构建  66-67
    5.3.2 模型求解  67-68
    5.3.3 GIS图形化展示及结果分析  68-69
  5.4 模型二（LSCP—P-Median两阶段模型）  69-74
    5.4.1 模型描述及构建  69-71
    5.4.2 模型求解  71-73
    5.4.3 GIS图形化展示及结果分析  73-74
  5.5 两种模型比较分析  74-75
  5.6 本章小结  75-76
第六章总结与展望  76-77
附录萤火虫-粒子群算法求解选址规划问题部分源程序  77-81
参考文献  81-88
在读期间公开发表的论文和承担科研项目及取得成果  88-89
致谢  89

基于智能算法的选址规划问题研究-以台湾地区资源回收处理中心为例

内容摘要

全文目录

相似论文