CN108519957A - 一种基于加速广义既约梯度的数据协调方法 - Google Patents
一种基于加速广义既约梯度的数据协调方法 Download PDFInfo
- Publication number
- CN108519957A CN108519957A CN201810138686.9A CN201810138686A CN108519957A CN 108519957 A CN108519957 A CN 108519957A CN 201810138686 A CN201810138686 A CN 201810138686A CN 108519957 A CN108519957 A CN 108519957A
- Authority
- CN
- China
- Prior art keywords
- variable
- formula
- value
- broad sense
- algorithms
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于加速广义既约梯度的数据协调方法,属于信息技术领域。对真实工业的双线性金属平衡数据进行协调,首先根据约束方程进行最小代价求解,或使用罚函数法结合改进的粒子群算法进行求解,进行前期加速并得到初始可行解;在此基础上,应用改进的广义既约梯度算法,结合优化选取基变量、优化迭代步长等,进行加速求解,从而得到最终的数据协调结果。本发明能够在保证精度的前提下,快速有效求解双线性数据协调问题,能更好地辅助现场统计人员进行物料、资源以及生产过程的平衡优化工作。
Description
技术领域
本发明属于信息技术领域,涉及到数据协调、智能优化算法等技术,是一种基于加速广义既约梯度算法的数据协调方法。本发明对真实工业的金属平衡数据进行协调,首先根据约束方程进行最小代价求解,或使用罚函数法结合改进的粒子群优化算法进行求解,进行前期加速并得到初始可行解;在此基础上,应用改进的广义既约梯度算法进行加速求解,从而得到最终的数据协调结果。这种数据协调方法可更好地辅助现场统计人员进行物料、资源以及生产过程的平衡优化工作。
背景技术
在有色金属、冶金等行业的实际生产中,每隔一段时间需要对全厂各物料及主要元素进行盘点计算,以确定生产状态及存余情况。理论上,厂内参与生产和流通的各物料应保证其主要元素平衡,即总投入约等于总产出。但由于测量精度不高、人为引入粗大误差、随机误差等因素,造成物料数量及元素品位测量值不准确的情况,进而导致期末盘点时各元素不能保持投入-产出平衡,两者偏差超出合理范围。
对于该类数据协调问题,通常建立基于最小二乘估计的数据协调模型,再对该模型进行求解,进而得到所需数据协调值。在其中核心的数据协调模型求解方面,常见手段包括采用解析的方法,其通过拉格朗日乘子求偏导,直接求解数据协调模型得到最优解;智能优化算法,常用算法有粒子群算法、遗传算法等,其通过罚函数法对数据协调模型进行迭代求解;梯度下降法,其中以投影梯度法(CROWE C M.“Reconciliation of Process FlowRates by Matrix Projection.Part II:The nonlinear case,”AIChE Journal,vol.32(4),pp.616-623,1986)及二次规划法(Tjoa I B,Biegler L T.“Simultaneousstrategies for data reconciliation and gross error detection of nonlinearsystems,”Computers and Chemical Engineering,vol.15(10),pp.679~690,1991)应用最为广泛。
以上方法存在如下不足:首先,解析的方法一般只针对单线性协调问题,而工业生产过程往往是不可降阶的双线性的问题,因而不适用于本发明专利应用场合;其次,虽然智能优化算法适用性较强,但当变量维数较高时,由于在整个变量空间的随机性分布不足,容易陷入局部最优值,无法继续进行收敛计算;再次,梯度下降法虽然可用于求解非线性问题,但其收敛速度较为缓慢,且包括迭代初始解必须为可行解等苛刻要求,难以直接实际应用。
发明内容
本发明主要解决有色金属、冶金等企业生产中的数据协调问题。方法使用采集自现场的真实工业数据,主要提出改进的广义既约梯度(Generalized Reduced Gradient,GRG)算法对数据进行协调,并综合利用最小代价求解、粒子群优化(Particle SwarmOptimization,PSO)算法、基变量的优化选取、优化迭代步长等多种方法对其进行加速。
本发明的技术方案如下:
一种基于加速广义既约梯度的数据协调方法,步骤如下:
(1)结合工业实际建立数据协调模型,根据数据特性选择使用最小代价求解或PSO算法进行计算,替代GRG算法前期计算过程,加速得出较为靠近最优解的初始可行解;
(2)将初始可行解代入GRG算法,基于最大下降速度及可线性求取基变量的原则,优化选取基变量,为GRG加速打下基础;
(3)设置固定初始迭代步长,使用GRG算法进行迭代计算;
(4)迭代计算30次后,根据历史迭代步长计算优化的迭代步长,继续使用GRG算法进行迭代计算;
(5)达到迭代终止条件后,收敛至最优解,即获得最终各数据项协调值。
本发明的有益效果:本发明能够在保证精度的前提下,快速有效求解双线性数据协调问题,能更好地辅助现场统计人员进行物料、资源以及生产过程的平衡优化工作。
附图说明
图1为金属生产典型投入产出示意图。
图2为本发明应用流程图。
具体实施方式
为了更好地理解本发明的技术方案与具体实施方法,下面以国内某金属生产企业为例说明本专利具体实施方式。附图1所示为该企业投入产出示意图,其中投入产出物料均包含多股物流,每股物流中又包含多种主要元素。图中的生产单元可以为某生产过程、某分厂(包含多个生产过程)或某工厂整体(包含多个分厂)。
本发明的具体实施步骤如下:
步骤1:数据准备与预处理
从工业现场数据库读取物流量、元素品位测量值及相应的方差,对于未发生的流量进行标记,并补齐缺失测量方差。
步骤2:建立最小二乘估计模型
表达式(1)中,Xm是物流量的测量值,是物流量的协调值,Qx是对应物流量测量值的方差矩阵,n是需要协调的元素种类,是第i种元素在各物流中品位的测量值,是第i种元素在各物流中品位的协调值,是对应第i种元素品位测量值的方差矩阵,c(i)是约束方程常量项,A是对角系数矩阵,表示物流的投入产出属性,其对角元由1或-1组成,p是物流的个数,是的第j个元素,是的第j个元素,xu (j)和xl (j)是变量的上下限,wu (i)(j)和wl (i)(j)是变量的上下限。
步骤3:前期加速求解
GRG算法要求代入计算的初始解为可行解,则前期使用最小代价求解或改进的PSO算法替代GRG算法,对数据协调模型进行计算,得出满足约束条件的初始可行解。
(1)最小代价求解:
Xm T·A·Wm (i)-c(i)=r(i)≠0,(i=1,2…n) (2)
表达式(2)所示为测量值不满足约束方程,即不平衡状态,r(i)为在测量值下的约束残差。将表达式(2)写成非向量形式如表达式(3)所示:
表达式(3)中xm (j)是Xm的第j个元素,wm (i)(j)是Wm (i)的第j个元素,a(j)是A的第j个对角元素,为得到满足约束条件的可行解,将表达式(3)写作如下形式:
如表达式(4)所示,对于每一个约束方程,找出某一调整变量进行调整则可以使约束方程得到满足,应用下式寻找产生最小代价的变量作为调整变量:
表达式(5)中是对角线上的第k个元素,调整后的调整变量为:
将表达式(6)中的调整后变量与其他未调整变量组合,则为初始可行解。
(2)改进的PSO算法:
若使用最小代价求解时,约束方程不易求解计算,或无法求得符合变量上下限要求的调整变量,或求出的初始可行解所对应的目标函数值过大,则可改用PSO算法进行求解。使用PSO算法时,需将应用罚函数法将表达式(1)转化为PSO算法的适应度函数:
表达式(7)中γ是惩罚系数。
以下简要整理PSO算法的计算步骤:
①初始化粒子群[Z1,Z2…Zn]以及粒子速度[V1,V2…Vn],其中每一个粒子Z包含物流量以及元素品位值n为粒子群中的粒子个数。
②按照以下公式对各粒子进行更新:
其中c1和c2是学习因子,r1和r2是0~1之间的随机数,Pbesti是第i个粒子的历史最优解(局部最优解),Gbest是粒子群整体的历史最优解(全局最优解)。
③检查各粒子速度并计算|Vi|,找出最小值记作|Vi|min,若|Vi|min大于阈值TV,则粒子群还未收敛,回到步骤②;若|Vi|min小于等于阈值TV,则粒子群已经收敛,进入下一步。
④记录当前适应度函数值F,若F小于等于阈值TF,则保留Gbest计算结束;若F大于阈值TF,则粒子群中仅保留Gbest并回到步骤①。
所得Gbest即为初始可行解。
步骤4:改进的GRG算法求解
GRG算法是一种梯度下降算法,其通过将变量分为基变量和非基变量,在非基变量上求取广义既约梯度方向,而后再通过约束方程解出基变量。为叙述方便,这里将所有变量均包含进一个向量写作XW,包括物流量以及元素品位值广义既约梯度方向的求取过程如下:
表达式(9)与表达式(1)意义相同,其中F为目标函数,Gi为约束方程,xwu (j)和xwl (j)是变量xw(j)的上下限。
表达式(10)所示为将变量分为基变量和非基变量,其中XWB为基变量,XWN为非基变量。
表达式(11)所示为对目标函数F求取全微分dF,其中G=[G1,G2…Gn],是在F上关于变量XW的偏微分,是在F上关于变量XWB的偏微分,是在F上关于变量XWN的偏微分,是在G上关于变量XWB的偏微分,是在G上求取关于变量XWN的偏微分。
表达式(12)中rN即为所求得广义既约梯度。
表达式(10)中所示的变量分割中,基变量的具体选取过程如下:
表达式(13)中,是在G上关于变量XW的偏微分,选取基变量时要求:
①基变量数目与约束方程数目相同。
②在XW点非奇异。
③基变量所对应的为中的最大主子式。
具体到该问题,由于:
并且结合以上选取要求,为计算方便,选取同一对应的n个作为基变量,则具体的选取标准为:
表达式(15)中,tw为设定阈值,可根据实际情况而定。
以下简要整理GRG算法的计算步骤:
①按照表达式(15)选取与约束方程数量相同的基变量,将变量分为基变量XWB和非基变量XWN。
②按照表达式(12)计算广义既约梯度rN。
③按照下式计算dN:
④若||dN||<ε,其中ε为设定精度,则计算结束;否则进入下一步。
⑤选取合适的步长λ更新XWN,得到
⑥求解方程组得到更新的回到步骤①。
上述计算步骤中的步长λ需满足:
为加速计算速度,根据前30次历史合格步长优化计算当前初始步长,具体计算步骤如下:
②计算
③将代入表达式(17)判断其是否合格,若不合格则令λ→cλ,(0<c<1),回到步骤②;若合格,则记录当前λ为λ(i),结束步长计算。
Claims (1)
1.一种基于加速广义既约梯度的数据协调方法,其特征在于,步骤如下:
步骤1:数据准备与预处理
从工业现场数据库读取物流量、元素品位测量值及相应的方差,对于未发生的流量进行标记,并补齐缺失测量方差;
步骤2:建立最小二乘估计模型
式(1)中,Xm是物流量的测量值,是物流量的协调值,Qx是对应物流量测量值的方差矩阵,n是需要协调的元素种类,是第i种元素在各物流中品位的测量值,是第i种元素在各物流中品位的协调值,是对应第i种元素品位测量值的方差矩阵,c(i)是约束方程常量项,A是对角系数矩阵,表示物流的投入产出属性,其对角元由1或-1组成,p是物流的个数,是的第j个元素,是的第j个元素,xu (j)和xl (j)是变量的上下限,wu (i)(j)和wl (i)(j)是变量的上下限;
步骤3:前期加速求解
前期使用最小代价求解或改进的PSO算法替代GRG算法,对最小二乘估计模型进行计算,得出满足约束条件的初始可行解;
(1)最小代价求解:
Xm T·A·Wm (i)-c(i)=r(i)≠0,(i=1,2…n) (2)
式(2)所示为测量值不满足约束方程,即不平衡状态,r(i)为在测量值下的约束残差,将表达式(2)写成非向量形式如表达式(3)所示:
式(3)中,xm (j)是Xm的第j个元素,wm (i)(j)是Wm (i)的第j个元素,a(j)是A的第j个对角元素,为得到满足约束条件的可行解,将表达式(3)写作如下形式:
式(4)所示,对于每一个约束方程,找出某一调整变量进行调整,则使约束方程得到满足,应用下式寻找产生最小代价的变量作为调整变量:
式(5)中,是对角线上的第k个元素,调整后的调整变量为:
将表达式(6)中的调整后变量与其他未调整变量组合,则为初始可行解;
(2)改进的PSO算法:
若使用最小代价求解时,约束方程不易求解计算,或无法求得符合变量上下限要求的调整变量,或求出的初始可行解所对应的目标函数值过大,则改用PSO算法进行求解;使用PSO算法时,需将应用罚函数法将表达式(1)转化为PSO算法的适应度函数:
式(7)中,γ是惩罚系数;
PSO算法的计算步骤:
a)初始化粒子群[Z1,Z2…Zn]以及粒子速度[V1,V2…Vn],其中每一个粒子Z包含物流量以及元素品位值n为粒子群中的粒子个数;
b)按照以下公式对各粒子进行更新:
其中,c1和c2是学习因子,r1和r2是0~1之间的随机数,Pbesti是第i个粒子的历史最优解即局部最优解,Gbest是粒子群整体的历史最优解即全局最优解;
c)检查各粒子速度并计算|Vi|,找出最小值记作|Vi|min,若|Vi|min大于阈值TV,则粒子群还未收敛,回到步骤b);若|Vi|min小于等于阈值TV,则粒子群已经收敛,进入下一步;
d)记录当前适应度函数值F,若F小于等于阈值TF,则保留Gbest计算结束;若F大于阈值TF,则粒子群中仅保留Gbest并回到步骤a);
所得Gbest即为初始可行解;
步骤4:改进的GRG算法求解
GRG算法是一种梯度下降算法,其通过将变量分为基变量和非基变量,在非基变量上求取广义既约梯度方向,而后再通过约束方程解出基变量;为叙述方便,这里将所有变量均包含进一个向量写作XW,包括物流量以及元素品位值广义既约梯度方向的求取过程如下:
式(9)与式(1)意义相同,其中F为目标函数,Gi为约束方程,xwu (j)和xwl (j)是变量xw(j)的上下限;
式(10)所示为将变量分为基变量和非基变量,其中XWB为基变量,XWN为非基变量;
式(11)所示为对目标函数F求取全微分dF,其中G=[G1,G2…Gn],是在F上关于变量XW的偏微分,是在F上关于变量XWB的偏微分,是在F上关于变量XWN的偏微分,是在G上关于变量XWB的偏微分,是在G上求取关于变量XWN的偏微分;
式(12)中,rN即为所求得广义既约梯度;
式(10)中所示的变量分割中,基变量的具体选取过程如下:
式(13)中,是在G上关于变量XW的偏微分,选取基变量时要求:
1)基变量数目与约束方程数目相同;
2)在XW点非奇异;
3)基变量所对应的为中的最大主子式;
具体到该问题,由于:
并且结合以上选取要求,为计算方便,选取同一对应的n个作为基变量,则具体的选取标准为:
式(15)中,tw为设定阈值,根据实际情况而定;
以下简要整理GRG算法的计算步骤:
①按照式(15)选取与约束方程数量相同的基变量,将变量分为基变量XWB和非基变量XWN;
②按照表达式(12)计算广义既约梯度rN;
③按照下式计算dN:
④若||dN||<ε,其中ε为设定精度,则计算结束;否则进入下一步;
⑤选取合适的步长λ更新XWN,得到
⑥求解方程组得到更新的回到步骤①;
上述计算步骤中的步长λ需满足:
为加速计算速度,根据前30次历史合格步长优化计算当前初始步长,具体计算步骤如下:
(1)若当前迭代次数k≤30,则取λ=λinitial,其中λinitial为常量;否则取
(2)计算
(3)将代入表达式(17)判断其是否合格,若不合格则令λ→cλ,(0<c<1),回到步骤(2);若合格,则记录当前λ为λ(i),结束步长计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810138686.9A CN108519957A (zh) | 2018-02-10 | 2018-02-10 | 一种基于加速广义既约梯度的数据协调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810138686.9A CN108519957A (zh) | 2018-02-10 | 2018-02-10 | 一种基于加速广义既约梯度的数据协调方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108519957A true CN108519957A (zh) | 2018-09-11 |
Family
ID=63433118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810138686.9A Withdrawn CN108519957A (zh) | 2018-02-10 | 2018-02-10 | 一种基于加速广义既约梯度的数据协调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108519957A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686412A (zh) * | 2018-12-25 | 2019-04-26 | 阳谷祥光铜业有限公司 | 一种用于金属平衡的数据协调处理方法及装置 |
CN109684605A (zh) * | 2018-12-25 | 2019-04-26 | 阳谷祥光铜业有限公司 | 一种用于金属平衡的数据误差处理方法及装置 |
CN112734166A (zh) * | 2020-12-20 | 2021-04-30 | 大连理工大学人工智能大连研究院 | 一种铜业数据鲁棒协调及显著误差检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1540554A (zh) * | 2003-10-31 | 2004-10-27 | 清华大学 | 标准单元总体布线时障碍下时延驱动直角斯坦纳树方法 |
CN101776892A (zh) * | 2009-12-31 | 2010-07-14 | 浙江大学 | 一种约束优先的工业过程动态优化系统及方法 |
CN102663514A (zh) * | 2012-03-22 | 2012-09-12 | 长沙理工大学 | 一种基于可行均衡机制的约束优化进化算法 |
CN106208075A (zh) * | 2016-08-29 | 2016-12-07 | 清华大学 | 基于修正广义Benders分解的多区域分解协调动态经济调度方法 |
CN106532691A (zh) * | 2016-12-05 | 2017-03-22 | 中国科学院自动化研究所 | 基于自适应动态规划的单区域电力系统频率复合控制方法 |
CN106779384A (zh) * | 2016-12-07 | 2017-05-31 | 大连理工大学 | 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法 |
CN106845012A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 一种基于多目标密度聚类的高炉煤气系统模型隶属度函数确定方法 |
-
2018
- 2018-02-10 CN CN201810138686.9A patent/CN108519957A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1540554A (zh) * | 2003-10-31 | 2004-10-27 | 清华大学 | 标准单元总体布线时障碍下时延驱动直角斯坦纳树方法 |
CN101776892A (zh) * | 2009-12-31 | 2010-07-14 | 浙江大学 | 一种约束优先的工业过程动态优化系统及方法 |
CN102663514A (zh) * | 2012-03-22 | 2012-09-12 | 长沙理工大学 | 一种基于可行均衡机制的约束优化进化算法 |
CN106208075A (zh) * | 2016-08-29 | 2016-12-07 | 清华大学 | 基于修正广义Benders分解的多区域分解协调动态经济调度方法 |
CN106532691A (zh) * | 2016-12-05 | 2017-03-22 | 中国科学院自动化研究所 | 基于自适应动态规划的单区域电力系统频率复合控制方法 |
CN106779384A (zh) * | 2016-12-07 | 2017-05-31 | 大连理工大学 | 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法 |
CN106845012A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 一种基于多目标密度聚类的高炉煤气系统模型隶属度函数确定方法 |
Non-Patent Citations (2)
Title |
---|
JEFFREY DEAN KELLY: "A regularization approach to the reconciliation of constrained data sets", 《COMPUTERS & CHEMICAL ENGINEERING》 * |
XIAOHAN SONG: "Fast Generalized Reduced Gradient Algorithm Based Data Reconciliation Model", 《IEEE》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686412A (zh) * | 2018-12-25 | 2019-04-26 | 阳谷祥光铜业有限公司 | 一种用于金属平衡的数据协调处理方法及装置 |
CN109684605A (zh) * | 2018-12-25 | 2019-04-26 | 阳谷祥光铜业有限公司 | 一种用于金属平衡的数据误差处理方法及装置 |
CN109684605B (zh) * | 2018-12-25 | 2023-05-23 | 阳谷祥光铜业有限公司 | 一种用于金属平衡的数据误差处理方法及装置 |
CN112734166A (zh) * | 2020-12-20 | 2021-04-30 | 大连理工大学人工智能大连研究院 | 一种铜业数据鲁棒协调及显著误差检测方法 |
CN112734166B (zh) * | 2020-12-20 | 2024-05-03 | 大连理工大学人工智能大连研究院 | 一种铜业数据鲁棒协调及显著误差检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Costa | Understanding dsge models: theory and applications | |
CN108519957A (zh) | 一种基于加速广义既约梯度的数据协调方法 | |
Huang et al. | Linear–quadratic mean-field game for stochastic delayed systems | |
Bröcker | Partial equilibrium theory of interregional trade and the gravity model | |
Djehiche et al. | Electricity price dynamics in the smart grid: A mean-field-type game perspective | |
Junior | Understanding DSGE models: theory and applications | |
Smirnov et al. | In search of a new economic model determined by logistic growth | |
CN108537379A (zh) | 自适应变权重组合负荷预测方法及装置 | |
CN108873698B (zh) | 一种抗扰动两阶段定点伺服控制方法 | |
Firoozi et al. | A mean field game—Hybrid systems approach to optimal execution problems in finance with stopping times | |
CN113489014A (zh) | 一种快速灵活全纯嵌入式电力系统最优潮流评估方法 | |
CN109034490A (zh) | 一种电力负荷预测方法、装置、设备及存储介质 | |
CN114239989A (zh) | 一种物料需求计划的计算方法、系统、设备及存储介质 | |
Mai | Distributed accounting and blockchain technology in financial accounting | |
Dong et al. | Bidding strategy of thermal power compound differential evolution game under the market mechanism of peak regulation auxiliary service | |
Kim et al. | Candidate point selection using a self-attention mechanism for generating a smooth volatility surface under the SABR model | |
Ding et al. | Dynamic prediction of the silicon content in the blast furnace using lstm-rnn-based models | |
CN108696199A (zh) | 一种提高永磁同步直线电机位置精度的控制方法 | |
Master et al. | An Empirical Study of the Relationship between Capital Structure and Financial Performance--Based on Neural Network Analysis | |
Chen et al. | Multivariate Time‐Varying G‐H Copula GARCH Model and Its Application in the Financial Market Risk Measurement | |
Yuan et al. | The revenue-sharing model of logistics service supply chain for online seafood retailing | |
Donaghy et al. | Continuous-time estimation of an endogenous growth model of an open economy | |
Zalozhnev et al. | Optimization and Software Engineering for Insurance Group's Acquisition Cost Allocation | |
Gibson | Profit and rent in a classical theory of exhaustible and renewable resources | |
Burtnyak et al. | Derivative Pricing: Predictive Analytics Methods and Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180911 |