CN113077076A - 一种混凝土搅拌站选址的确定方法及系统 - Google Patents

一种混凝土搅拌站选址的确定方法及系统 Download PDF

Info

Publication number
CN113077076A
CN113077076A CN202110290546.5A CN202110290546A CN113077076A CN 113077076 A CN113077076 A CN 113077076A CN 202110290546 A CN202110290546 A CN 202110290546A CN 113077076 A CN113077076 A CN 113077076A
Authority
CN
China
Prior art keywords
index
candidate position
ideal solution
candidate
distance
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.)
Pending
Application number
CN202110290546.5A
Other languages
English (en)
Inventor
陈露明
林松顺
沈水龙
张宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University
Original Assignee
Shantou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shantou University filed Critical Shantou University
Priority to CN202110290546.5A priority Critical patent/CN113077076A/zh
Publication of CN113077076A publication Critical patent/CN113077076A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/02Computing arrangements based on specific mathematical models using fuzzy logic
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393Score-carding, benchmarking or key performance indicator [KPI] analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08Construction

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种混凝土搅拌站选址的确定方法,所述方法包括:获取多个指标,以及获取多个候选位置;获取每个候选位置的每个指标的计算值,根据每个候选位置的每个指标的计算值确定每个指标的权重;根据每个指标的权重确定每个候选位置的贴近度系数指数,根据每个候选位置的贴近度系数指数对候选位置进行排序。根据接近度指数对候选位置进行排序,选择最佳位置。本发明的计算结果差异明显,辨识度高,使得到的最终结果更可靠,鲁棒性更好。

Description

一种混凝土搅拌站选址的确定方法及系统
技术领域
本发明涉及土木工程基础设施建设技术领域,尤其涉及一种混凝土搅拌站选址的确定方法及系统。
背景技术
大规模的基础设施建设,如铁路、高速公路和地下空间设施开发,对混凝土的需求量呈上升趋势。在混凝土生产过程中,水泥、砂土和石料的运输和搅拌会对周围环境产生不良的影响。如何考虑运输成本、环境保护、工程管理等诸多模糊因素,选择最优的混凝土搅拌站位置成为工程建设的重要环节。混凝土搅拌站的最优选址是一个多目标决策问题,需要同时考虑定量的运输距离和定性的环境影响等各类目标。混凝土搅拌站的综合环境影响评估,需要确定和分析与环境问题有关的定性因素。在实际工程中,最优选址问题多采用k-均值(K-means)方法,k-均值方法通过最小化影响因素至候选位置的广义距离选择最优位置,最优位置的距离最小。但该方法难以量化考虑环境影响等因素的作用影响,且优化结果稳定性差,始终难以收敛至最优解。
经对现有的技术文献的检索发现,申请专利号为:201710351326.2,公开号为:CN107203842A,专利名称为:基于扩展云相似度与逼近理想解法的谐波污染水平评估方法,该专利自述为“在评价过程中引入云模型理论,能体现现实世界的模糊性、随机性,使整个评价过程蕴含不确定性;从确定中寻找不确定性,从不确定中寻找确定性,相对传统评价方法的确定模型,本专利技术更灵活、更贴近实际”。该专利通过扩展云相似度法评估环境影响的不确定性,在一定程度上能够克服距离法无法有效评估环境影响的缺陷;但该技术蕴含过多不确定性,需多次重复试验并比较结果,若多次评价结果不一致则说明该方法鲁棒性极差,导致结果无法应用。
发明内容
本发明提供一种混凝土搅拌站选址的确定方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
第一方面,本发明实施例提供了一种混凝土搅拌站选址的确定方法,所述方法包括:
获取多个指标,以及获取多个候选位置;
获取每个候选位置的每个指标的计算值,根据每个候选位置的每个指标的计算值确定每个指标的权重;
根据每个指标的权重确定每个候选位置的贴近度系数指数,根据每个候选位置的贴近度系数指数对候选位置进行排序。
进一步,所述获取多个指标包括:采用文献计量分析方法对文献进行分析,确定多个指标。
进一步,根据每个候选位置的每个指标的计算值确定每个指标的权重具体为:
建立m行n列原始数据矩阵A=[xij]m×n
Figure BDA0002982365350000021
其中,xij是第i个候选位置的第j个指标的计算值,m为候选位置数量,n为指标数量,m为大于2的整数,n为大于2的整数;
对原始数据矩阵进行归一化;
Figure BDA0002982365350000022
其中,
Figure BDA0002982365350000023
是第i个候选位置第j个指标的计算值的归一化数值,
Figure BDA0002982365350000024
表示当j=l+1,l+2,...,n时同一个第i个候选位置的n-l个第j个指标对应的xij的最大值,
Figure BDA0002982365350000025
表示当j=1,2,...,l时同一个第i个候选位置的l个第j个指标对应的xij的最小值,l<n;
计算第j个指标上的第i个候选位置的比例;
Figure BDA0002982365350000026
其中rij是第j个指标上的第i个候选位置的比例;
计算第j个指标的熵;
Figure BDA0002982365350000027
其中,ej表示第j个指标的熵;
计算第j个指标的权重;
Figure BDA0002982365350000031
其中,ωj表示第j个指标的权重,1-ej为熵的冗余度。
进一步,根据每个指标的权重确定每个候选位置的贴近度系数指数,根据每个候选位置的贴近度系数指数对候选位置进行排序包括:
建立指标决策矩阵;所述指标决策矩阵由k个决策数据库提供;
聚合决策数据库的模糊评价结果得到聚合群决策矩阵;
对聚合群决策矩阵进行归一化得到归一化聚合模糊评价群决策矩阵;
根据归一化聚合模糊评价群决策矩阵和每个指标的权重构造综合加权评价归一化矩阵;
根据综合加权评价归一化矩阵确定正理想解和负理想解;
计算每个候选位置与正理想解、负理想解之间的距离;
根据每个候选位置与正理想解、负理想解之间的距离计算每个候选位置的贴近度系数指数;
根据贴近度系数指数将候选位置排序。
进一步,建立指标决策矩阵;所述指标决策矩阵由k个决策数据库提供具体为:
建立指标决策矩阵;所述指标决策矩阵由k个决策数据库Dk提供,其中k为正整数,关于指标的各候选位置的指标决策矩阵定义为
Figure BDA0002982365350000032
ijkijkijk)表示第i个候选位置的第j个指标的第k个决策数据库的三角模糊数;指标决策矩阵
Figure BDA0002982365350000033
的形式如下所示;
Figure BDA0002982365350000034
进一步,聚合决策数据库的模糊评价结果得到聚合群决策矩阵,对聚合群决策矩阵进行归一化得到归一化聚合模糊评价群决策矩阵具体为:
各指标的候选位置的聚合模糊评价结果为
Figure BDA0002982365350000035
其中,
Figure BDA0002982365350000036
聚合群决策矩阵DA如下所示;
Figure BDA0002982365350000041
其中,(αijijij)表示第i个候选位置的第j个指标的三角模糊数;
Figure BDA0002982365350000042
指第i个候选位置的第j个指标的k个决策数据库中的k个αijk的最小值,
Figure BDA0002982365350000043
指第i个候选位置的第j个指标的k个决策数据库中的k个βijk的平均值,
Figure BDA0002982365350000044
指第i个候选位置的第j个指标的k个决策数据库中的k个λijk的最大值;
采用采用线性尺度变换的方法,将各指标转化为可比尺度,得到归一化聚合模糊评价群决策矩阵,归一化聚合模糊评价群决策矩阵L如下所示;
Figure BDA0002982365350000045
其中,
Figure BDA0002982365350000046
其中,
Figure BDA0002982365350000047
为第i个候选位置的第j个指标的可比尺度;
Figure BDA0002982365350000048
表示当j=l+1,l+2,...,n时同一个第i个候选位置的n-l个第j个指标对应的
Figure BDA0002982365350000049
的最大值,
Figure BDA00029823653500000410
表示当j=1,2,...,l时同一个第i个候选位置的l个第j个指标对应的
Figure BDA00029823653500000411
的最小值。
进一步,根据归一化聚合模糊评价群决策矩阵和每个指标的权重构造综合加权评价归一化矩阵具体为:
根据每个指标的权重计算指标最终权重;
指标最终权重与归一化聚合模糊评价群决策矩阵相乘得到综合加权评价归一化矩阵F,指标最终权重χj和综合加权评价归一化矩阵F表达式如下所示;
Figure BDA0002982365350000051
Figure BDA0002982365350000052
其中,
Figure BDA0002982365350000053
其中,χj指第j个指标的最终权重;
Figure BDA0002982365350000054
表示当j=1,2,...,l时第i个候选位置的第j个指标的最终三角模糊数,
Figure BDA0002982365350000055
表示当j=l+1,l+2,...,n时第i个候选位置的第j个指标的最终三角模糊数。
进一步,根据综合加权评价归一化矩阵确定正理想解和负理想解,计算每个候选位置与正理想解、负理想解之间的距离具体为:
Figure BDA0002982365350000056
为简化表示,定义
Figure BDA0002982365350000057
Figure BDA0002982365350000058
其中,
Figure BDA0002982365350000059
Figure BDA00029823653500000510
Figure BDA00029823653500000511
Figure BDA0002982365350000061
C+表示正理想解,C-表示负理想解;
假设有两个三角模糊数:TF1=(α111)和TF2=(α222),这两个三角模糊数之间的距离d(TF2,TF2)定义为:
Figure BDA0002982365350000062
其中,p=1时,距离称为曼哈顿距离,p=2,距离称为欧氏距离;
根据d(TF2,TF2)的计算公式计算每个候选位置与正理想解、负理想解之间的初距离,候选位置与正理想解之间的初距离、候选位置与负理想解之间的初距离如下所示;
Figure BDA0002982365350000063
Figure BDA0002982365350000064
其中,J1为[l+1,l+2,...,n],J2为[1,2,...,l];D(C+,Ci)表示第i个候选位置与正理想解的初距离,D(C-,Ci)表示第i个候选位置与负理想解的初距离;
将计算结果归一化得到最终的每个候选位置与正理想解、负理想解之间的距离,每个候选位置与正理想解、负理想解之间的距离如下所示;
Figure BDA0002982365350000065
其中,Df(C+,Ci)表示第i个候选位置与正理想解的距离,Df(C-,Ci)表示第i个候选位置与负理想解的距离。
进一步,根据每个候选位置与正理想解、负理想解之间的距离计算每个候选位置的贴近度系数指数;根据贴近度系数指数将候选位置排序具体为:
所述贴近度系数指数ψ(Ci)的表达式如下所示;
Figure BDA0002982365350000071
其中,
Figure BDA0002982365350000072
min Df(C+,Ci)是所有候选位置与正理想解的距离的最小值,max Df(C-,Ci)是所有候选位置与负理想解的距离的最大值;
根据贴近度系数指数ψ(Ci)的大小对候选位置排序。
第二方面,本发明实施例提供了一种混凝土搅拌站选址的确定系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现第一方面所述的方法。
本发明实施例的一种一种混凝土搅拌站选址的确定方法及系统,至少具有以下有益效果:获取多个指标,以及获取多个候选位置;获取每个候选位置的每个指标的计算值,根据每个候选位置的每个指标的计算值确定每个指标的权重;根据每个指标的权重确定每个候选位置的贴近度系数指数,将各个指标及各个候选位置去模糊化,将不确定影响因素进行模糊量化处理,根据接近度指数对候选位置进行排序,选择最佳位置。本发明的计算结果差异明显,辨识度高,使得到的最终结果更可靠,鲁棒性更好。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明一实施例公开的一种混凝土搅拌站选址的确定方法的方法流程图;
图2为本发明实施例提供的现场施工混凝土搅拌站的候选位置图;
图3为本发明实施例提供的候选位置根据贴近度系数指数排序的结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
图1为本发明一实施例公开的一种混凝土搅拌站选址的确定方法,包括以下步骤:
S101、获取多个指标,以及获取多个候选位置;
采用现有的文献计量分析方法对文献进行分析,确定多个指标。选取Scopus作为数据库,并使用VOS观察器进行分析。所述Scopus是一个新的导航工具,涵盖了世界上最广泛的科学与科技文献的文摘、参考文献及索引。所述VOS观察器是一种科学图谱工具,支持大规模数据处理,可以生成多种基于文献计量关系的图谱。
所述指标是指影响混凝土搅拌站选址的因素,包括地理位置、环境影响、施工单位和污染减排管理共4类影响因素,具体的指标包括交通运输成本、供水成本、供电成本、原料供应商到搅拌站的距离、噪声污染指数、水污染指数、粉尘污染指数、固体废弃物污染指数、搅拌站与施工现场的距离、混凝土需求量、清洁能源使用率和废物重复利用率共12个指标。
所述候选位置是混凝土搅拌站的候选位置,根据原料供应、运输路线、对居民区影响以及经济性等因素预先确定侯选位置,在一实施例种,混凝土搅拌站共有6个候选位置,都在隧道开挖工程附近。
S102、获取每个候选位置的每个指标的计算值,根据每个候选位置的每个指标的计算值确定每个指标的权重;
具体地,各个指标的计算值如下:
所述交通运输成本指原料供应商到搅拌站及搅拌站到施工现场两段路程总的交通运输成本,即W1=cts+b。其中,W1代表交通运输成本,c是油价,t是每公里耗油量,s是两段距离总和,b是车辆保养及维修预测费用。
所述供水成本指每月预测水费、水管铺设成本和人工费,即W2=s1+s2+s3。其中s1、s2、s3分别指每月预测水费、水管铺设成本和人工费。
所述供电成本指每月预测电费、电缆铺设成本和人工费,即W3=s4+s5+s6。其中s4、s5、s6分别指每月预测电费、电缆铺设成本和人工费。
所述噪声污染指数指噪声传到周围居民区的分贝数与其危害程度,即k1=a1Db。其中,a1指噪声危害系数,Db指居民区的分贝数。
所述水污染指数指地下水重金属含量与其危害程度,即k2=a2v2。其中,a2指重金属危害系数,v2指单位体积水中重金属含量。
所述粉尘污染指数指空气中粉尘含量与其危害程度,即k3=a3v3。其中,a3指粉尘危害系数,v3指单位体积空气中粉尘含量。
所述固体废弃物污染指数指产生的固体废弃物体积与其危害程度,即k4=a4V。其中,a4指固体废弃物危害系数,V指固体废弃物体积。
所述清洁能源使用率指清洁能源占原料的比例,即W4=V1/V2。其中,V1指清洁能源体积,V2指原料总体积。
所述废物重复利用率指废水废气重复利用的部分占总体的比例,即W5=V3/V4。其中,V3指重复利用废水废气的体积,V4指初次废水废气总体积。
在一实施例中,步骤S102中根据每个候选位置的每个指标的计算值确定每个指标的权重具体为:
S201、根据公式(1)建立m行n列原始数据矩阵A=[xij]m×n
Figure BDA0002982365350000091
其中,xij是第i个候选位置的第j个指标的计算值,m为候选位置数量,n为指标数量,m为大于2的整数,n为大于2的整数;
S202、根据公式(2)对原始数据矩阵进行归一化;
所述归一化是指对原始数据矩阵的元素进行无量纲化处理,把数据映射到(0,1)范围。
Figure BDA0002982365350000092
其中,
Figure BDA0002982365350000093
是第i个候选位置的第j个指标的计算值的归一化数值,
Figure BDA0002982365350000094
表示当j=l+1,l+2,...,n时同一个第i个候选位置的n-l个第j个指标对应的xij的最大值,
Figure BDA0002982365350000095
表示当j=1,2,...,l时同一个第i个候选位置的l个第j个指标对应的xij的最小值。例如,当i=1,j=2时;
Figure BDA0002982365350000096
例如,当i=1,j=2时,
Figure BDA0002982365350000097
S203、计算第j个指标上的第i个候选位置的比例,计算公式如式(3)所示;
Figure BDA0002982365350000101
其中,rij是第j个指标上的第i个候选位置的比例。例如,当i=1,j=2时,
Figure BDA0002982365350000102
S204、计算第j个指标的熵,计算公式如式(4)所示;
Figure BDA0002982365350000103
其中,ej表示第j个指标的熵,取值在[0,1]的范围内;例如,当j=1时,
Figure BDA0002982365350000104
S205、计算第j个指标的权重,计算公式如式(5)所示;
Figure BDA0002982365350000105
其中,ωj表示第j个指标的熵权,1-ej为熵的冗余度。
S103、根据每个指标的权重确定每个候选位置的贴近度系数指数,根据每个候选位置的贴近度系数指数对候选位置进行排序。
在一实施例中,步骤S103采用改进理想解类比排序法对候选位置进行排序,具体为:
S301、建立指标决策矩阵;所述指标决策矩阵由k个决策数据库提供;
S302、聚合决策数据库的模糊评价结果得到聚合群决策矩阵;
S303、对聚合群决策矩阵进行归一化得到归一化聚合模糊评价群决策矩阵;
S304、根据归一化聚合模糊评价群决策矩阵和每个指标的权重构造综合加权评价归一化矩阵;
S305、根据综合加权评价归一化矩阵确定正理想解和负理想解;
S306、计算每个候选位置与正理想解、负理想解之间的距离;
S307、根据每个候选位置与正理想解、负理想解之间的距离计算每个候选位置的贴近度系数指数;
S308、根据贴近度系数指数将候选位置排序。
在一实施例中,步骤S301具体为:
建立指标决策矩阵;所述指标决策矩阵由k个决策数据库Dk提供,其中k为正整数。
在一实施例中,k=5;从100个决策数据库中随机抽取5个决策数据库分别对每个候选位置对应的每个指标进行评级作为候选位置和指标的模糊语言术语;
在一实施例中,指标和候选位置的模糊语言术语包括:弱(W)、中弱(MW)、等(E)、中强(MS)、强(S)。
所述去模糊化是将模糊语言术语转化为精确值,采用三角模糊数方法,分别将指标和候选位置的模糊语言术语对应的三角模糊数转化为精确值。
所述三角模糊数由隶属函数定义,隶属函数如式(6)所示:
Figure BDA0002982365350000111
其中,μA(x)表示在模糊集TF上的隶属函数,α,β,λ是满足α<β<λ的实数,α代表具有最小隶属度的点,而λ代表具有最大隶属度的点,x为变量,x=β时,x完全属于模糊集TF
其中,三角模糊数的表达形式定义为TF=(α,β,λ)。
采用加权评价法将三角模糊数转化为精确值,加权评价法如式(7)所示;
Figure BDA0002982365350000112
其中,
Figure BDA0002982365350000113
分别是水平集的下界和上界,设f(θ)=1,β代表处于最大与最小隶属度之间的点,Def(TF)是三角模糊数转化为精确值的转化函数。
关于指标Ij(j=1,2,...,n)各候选位置Ci(i=1,2,...,m)的指标决策矩阵定义为
Figure BDA0002982365350000114
指标决策矩阵形式如式(8)所示;(αijkijkijk)表示第i个候选位置的第j个指标的第k个决策数据库的三角模糊数;
Figure BDA0002982365350000121
在一实施例中,步骤S302具体为:
各指标的候选位置的聚合模糊评价结果为
Figure BDA0002982365350000122
其中,
Figure BDA0002982365350000123
聚合群决策矩阵DA如式(9)所示;
Figure BDA0002982365350000124
其中,(αijijij)表示第i个候选位置的第j个指标的三角模糊数;
Figure BDA0002982365350000125
指第i个候选位置的第j个指标的k个决策数据库中的k个αijk的最小值,
Figure BDA0002982365350000126
指第i个候选位置的第j个指标的k个决策数据库中的k个βijk的平均值,
Figure BDA0002982365350000127
指第i个候选位置的第j个指标的k个决策数据库中的k个λijk的最大值。即αij=min{αij1ij2,...,αijk},λij=max{λij1ij2,...,λijk}。例如,当i=1,j=2时,α12=min{α121122,...,α12k},λ12=maX{λ121,λ122,...,λ12k}。
在一实施例中,步骤S303具体为:
采用采用线性尺度变换的方法,将各指标转化为可比尺度,归一化聚合模糊评价群决策矩阵如式(10)所示;
Figure BDA0002982365350000128
其中,
Figure BDA0002982365350000129
其中,
Figure BDA0002982365350000131
为第i个候选位置的第j个指标的可比尺度;
Figure BDA0002982365350000132
表示当j=l+1,l+2,...,n时同一个第i个候选位置的n-l个第j个指标对应的
Figure BDA0002982365350000133
的最大值,
Figure BDA0002982365350000134
表示当j=1,2,...,l时同一个第i个候选位置的l个第j个指标对应的
Figure BDA0002982365350000135
的最小值。例如,当i=1,j=2时,
Figure BDA0002982365350000136
的三个可比尺度分量分别为:
Figure BDA0002982365350000137
Figure BDA0002982365350000138
Figure BDA0002982365350000139
在一实施例中,l=8,j=1,2,…,8分别对应于交通运输成本、供水成本、供电成本、原料供应商到搅拌站的距离、噪声污染指数、水污染指数、粉尘污染指数、固体废弃物污染指数,属于消费指标;j=9,10,…,12分别对应于搅拌站与施工现场的距离、混凝土需求量、清洁能源使用率和废物重复利用率,属于盈利指标。
在一实施例中,步骤S304具体为:
根据每个指标的权重计算指标最终权重;
指标最终权重与归一化聚合模糊评价群决策矩阵L相乘得到综合加权评价归一化矩阵F,指标最终权重如式(11)所示,综合加权评价归一化矩阵F表达式如式(12)所示;
Figure BDA00029823653500001310
其中,χj指第j个指标的最终权重;ωj指第j个指标的权重。
Figure BDA00029823653500001311
其中,
Figure BDA0002982365350000141
其中
Figure BDA0002982365350000142
表示当j=1,2,...,l时第i个候选位置的第j个指标的三角模糊数,
Figure BDA0002982365350000143
表示当l+1,l+2,...,n时第i个候选位置的第j个指标的三角模糊数。
在一实施例中,步骤S305具体为:
Figure BDA0002982365350000144
为简化表示,定义
Figure BDA0002982365350000145
Figure BDA0002982365350000146
其中,
Figure BDA0002982365350000147
Figure BDA0002982365350000148
Figure BDA0002982365350000149
Figure BDA00029823653500001410
其中,C+为正理想解,C-为负理想解,正理想解为最优方案,负理想解为最差方案。
在一实施例中,步骤S306具体为:
假设有两个三角模糊数:TF1=(α111)和TF2=(α222),这两个三角模糊数之间的距离定义为式(14);
Figure BDA00029823653500001411
其中,p=1时,距离称为曼哈顿距离,p=2,距离称为欧氏距离;参数p对两个三角模糊数之间的距离产生影响。
根据式(14)计算每个候选位置与正理想解、负理想解之间的初距离,候选位置与正理想解的初距离如式(15)、候选位置与负理想解的初距离如式(16)所示;
Figure BDA0002982365350000151
Figure BDA0002982365350000152
其中,J1为j=l+1,l+2,...,n,J2为j=1,2,...,l;D(C+,Ci)表示第i个候选位置与正理想解的初距离,D(C-,Ci)表示第i个候选位置与负理想解的初距离;
将计算结果归一化得到最终的每个候选位置与正理想解、负理想解之间的距离,如式(17)所示;
Figure BDA0002982365350000153
其中,Df(C+,Ci)表示第i个候选位置与正理想解的距离,Df(C-,Ci)表示第i个候选位置与负理想解的距离。
在一实施例中,步骤S307具体为:
所述贴近度系数指数ψ(Ci)的表达式如式(18)所示;
Figure BDA0002982365350000154
其中,
Figure BDA0002982365350000155
minDf(C+,Ci)是所有候选位置与正理想解的距离的最小值,maxDf(C-,Ci)是所有候选位置与负理想解的距离;
在一实施例中,步骤S308具体为:根据贴近度系数指数ψ(Ci)的大小对候选位置排序。ψ(Ci)的值越小,候选位置越好。
本实施例中将各个指标及各个候选位置去模糊化,将不确定影响因素进行模糊量化处理,提出了新的贴近度系数指数的计算公式,改进了传统的理想解类比排序法,同时讨论了参数p的变化对改进的理想解类比排序法的排序结果的影响。结果表明,改进理想解类比排序法在候选位置排序方面优于传统的理想解类比排序法;随着参数p的增大,贴近度系数指数变得更加稳定,即排序结果更加稳定。
图2为本发明实施例提供的现场施工混凝土搅拌站的候选位置图。混凝土搅拌站共有6个候选位置:A、B、C、D、E、F,都在隧道开挖工程附近。该隧道施工线路沿海、沿山和机场。
指标是指影响混凝土搅拌站最优选址(A1)的因素,包括地理位置(B1)、环境影响(B2)、施工单位(B3)和污染减排管理(B4)共4类影响因素,具体的指标包括交通运输成本(C1)、供水成本(C2)、供电成本(C3)、原料供应商到搅拌站的距离(C4)、噪声污染指数(C5)、水污染指数(C6)、粉尘污染指数(C7)、固体废弃物污染指数(C8)、搅拌站与施工现场的距离(C9)、混凝土需求量(C10)、清洁能源使用率(C11)和废物重复利用率(C12)共12个指标。其中,C1-C4属于B1,C5-C8属于B2,C9-C10属于B3,C11-C12属于B4;C1-C8为消费指标,C9-C12为盈利指标。
候选位置和指标的模糊语言术语包括:弱(W)、中弱(MW)、等(E)、中强(MS)、强(S);相对应的模糊数分别是:(3,3,4)、(3,4,5)、(4,5,6)、(5,6,7)、(6,7,7)。
本实施例中,从100个决策数据库中随机抽取5个决策数据库,将指标和候选位置按照抽取的5个决策数据库划分为五等级,即弱(W)、中弱(MW)、等(E)、中强(MS)、强(S),如表1所示。
表1
Figure BDA0002982365350000161
Figure BDA0002982365350000171
本实施例中,采用步骤S201-S204分确定各指标的权重。从五个决策数据库得到的权重是不同的,决策数据库在选择评价混凝土搅拌站的最优选址的指标时,非常重视环境影响(B2)和污染减排管理(B4)这两类影响因素。此外,与影响因素相关的指标,特别是环境影响(B2)和污染减排管理(B4)的指标的权重比其他指标大,环境影响(B2)的指标为噪声污染指数(C5)、水污染指数(C6)、粉尘污染指数(C7)、固体废弃物污染指数(C8),污染减排管理(B4)的指标为清洁能源使用率(C11)和废物重复利用率(C12)。
本实施例中,采用步骤S301-S305确定正理想解和负理想解。其中,对候选位置的正理想解和负理想解的确定如式(13)所示。结果如表2所示。
表2
评估 正理想解的确定 负理想解的确定
C1 (0.0446,0.0476,0.0744) (0.0744,0.0952,0.1041)
C2 (0.0665,0.0710,0.1109) (0.1109,0.1508,0.1553)
C3 (0.0257,0.0343,0.0514) (0.0429,0.0583,0.0600)
C4 (0.0279,0.0354,0.0558) (0.0465,0.0633,0.0651)
C5 (0.0030,0.0052,0.0071) (0.0050,0.0065,0.0071)
C6 (0.0112,0.0164,0.0223) (0.0186,0.0253,0.0260)
C7 (0.0062,0.0091,0.0124) (0.0083,0.0128,0.0145)
C8 (0.0077,0.0118,0.0179) (0.0128,0.0174,0.0179)
C9 (0.0197,0.0260,0.0275) (0.0118,0.0181,0.0275)
C10 (0.0729,0.1129,0.1275) (0.0547,0.0547,0.0729)
C11 (0.0370,0.0555,0.0647) (0.0277,0.0314,0.0462)
C12 (0.0728,0.0991,0.1020) (0.0437,0.0466,0.0728)
采用步骤S306计算每个候选位置与正理想解、负理想解之间的距离。
本实施例中,每个候选位置与确定的正理想解和确定的负理想解之间的距离归一化计算如式(17)所示。候选位置A、B、C、D、E、F与确定的正理想解和确定的负理想解之间的距离归一化计算的计算结果分别为:
Df(C+,Ci):0.27、0.12、0.12、0.10、0.19、0.19;
Df(C-,Ci):0.07、0.20、0.21、0.22、0.15、0.14。
本实施例中,参数p对两个三角模糊数之间的距离的产生影响,参数p的两种类型(奇数和偶数)的排序结果是不同的。结果表明,随着参数p的增大,贴近度系数指数变得更加稳定。
采用步骤S307计算每个候选位置的贴近度系数指数ψ(Ci)。
本实施例中,所述贴近度系数指数ψ(Ci)是提出的新的不同于传统的理想解类比排序法的贴近度系数指数。
本实施例中,贴近度系数指数ψ(Ci)的表达式如式(18)所示。候选位置A、B、C、D、E、F的贴近度系数指数的计算结果分别为1.80、-0.77、-0.84、-1.04、0.38、0.47。
采用步骤S308将候选位置排序。
本实施例中,在改进的理想解类比排序法中,ψ(Ci)的值越小,候选位置越好。候选位置的排序为:D>C>B>E>F>A,贴近度系数指数ψ(Ci)和排序的结果图如图3所示,横坐标L-A、L-B、L-C、L-D、L-E、L-F表示候选位置A、B、C、D、E、F,纵坐标表示ψ(Ci)值的大小。图3中,根据贴近度系数指数ψ(Ci)的大小进行排序,例如,针对所有指标,候选位置A、B、C、D、E、F的贴近度系数指数ψ(Ci)分别为:1.81、-0.77、-0.84、-1.04、0.38、-0.77、0.47、-0.94,因此候选位置A、B、C、D、E、F的排序分别为:(6)、(3)、(2)、(1)、(4)、(5)。附图中(1)、(2)、(3)、(4)、(5)、(6)表示候选位置的排序,例如候选位置A对应的1.81(6)表示针对所有指标,候选位置A的贴近度系数指数为1.81,排序为第6;例如候选位置B对应的(1)-1.56表示只CI指标,候选位置B的贴近度系数指数为-1.56,排序为第1。
ψ(Ci)的值越小,候选位置越好。因此,混凝土搅拌站的最优选址为位置D,位置D如图1所示。
本发明实施例提供了一种混凝土搅拌站选址的确定系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上述方法实施例所述的方法。
本发明实施例提供了一种混凝土搅拌站选址的确定方法及系统,克服了现研究中技术的不确定性、鲁棒性差以及贴近度系数指数排序差异很小等问题,改进了传统的理想解类比排序法,提出了新的贴近度系数指数的计算公式,使计算结果差异明显,辨识度高,使得到的最终结果更可靠,鲁棒性更好。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims (10)

1.一种混凝土搅拌站选址的确定方法,其特征在于,所述方法包括:
获取多个指标,以及获取多个候选位置;
获取每个候选位置的每个指标的计算值,根据每个候选位置的每个指标的计算值确定每个指标的权重;
根据每个指标的权重确定每个候选位置的贴近度系数指数,根据每个候选位置的贴近度系数指数对候选位置进行排序。
2.根据权利要求1所述的混凝土搅拌站选址的确定方法,其特征在于,所述获取多个指标包括:采用文献计量分析方法对文献进行分析,确定多个指标。
3.根据权利要求1所述的混凝土搅拌站选址的确定方法,其特征在于,根据每个候选位置的每个指标的计算值确定每个指标的权重具体为:
建立m行n列原始数据矩阵A=[xij]m×n
Figure FDA0002982365340000011
其中,xij是第i个候选位置的第j个指标的计算值,m为候选位置数量,n为指标数量,m为大于2的整数,n为大于2的整数;
对原始数据矩阵进行归一化;
Figure FDA0002982365340000012
其中,
Figure FDA0002982365340000016
是第i个候选位置第j个指标的计算值的归一化数值,
Figure FDA0002982365340000013
表示当j=l+1,l+2,...,n时同一个第i个候选位置的n-l个第j个指标对应的xij的最大值,
Figure FDA0002982365340000014
表示当j=1,2,...,l时同一个第i个候选位置的l个第j个指标对应的xij的最小值,l<n;
计算第j个指标上的第i个候选位置的比例;
Figure FDA0002982365340000015
其中rij是第j个指标上的第i个候选位置的比例;
计算第j个指标的熵;
Figure FDA0002982365340000021
其中,ej表示第j个指标的熵;
计算第j个指标的权重;
Figure FDA0002982365340000022
其中,ωj表示第j个指标的权重,1-ej为熵的冗余度。
4.根据权利要求1所述的混凝土搅拌站选址的确定方法,其特征在于,根据每个指标的权重确定每个候选位置的贴近度系数指数,根据每个候选位置的贴近度系数指数对候选位置进行排序包括:
建立指标决策矩阵;所述指标决策矩阵由k个决策数据库提供;
聚合决策数据库的模糊评价结果得到聚合群决策矩阵;
对聚合群决策矩阵进行归一化得到归一化聚合模糊评价群决策矩阵;
根据归一化聚合模糊评价群决策矩阵和每个指标的权重构造综合加权评价归一化矩阵;
根据综合加权评价归一化矩阵确定正理想解和负理想解;
计算每个候选位置与正理想解、负理想解之间的距离;
根据每个候选位置与正理想解、负理想解之间的距离计算每个候选位置的贴近度系数指数;
根据贴近度系数指数将候选位置排序。
5.根据权利要求4所述的混凝土搅拌站选址的确定方法,其特征在于,建立指标决策矩阵;所述指标决策矩阵由k个决策数据库提供具体为:
建立指标决策矩阵;所述指标决策矩阵由k个决策数据库Dk提供,其中k为正整数,关于指标的各候选位置的指标决策矩阵定义为
Figure FDA0002982365340000023
ijkijkijk)表示第i个候选位置的第j个指标的第k个决策数据库的三角模糊数;指标决策矩阵
Figure FDA0002982365340000024
的形式如下所示;
Figure FDA0002982365340000025
6.根据权利要求5所述的混凝土搅拌站选址的确定方法,其特征在于,聚合决策数据库的模糊评价结果得到聚合群决策矩阵,对聚合群决策矩阵进行归一化得到归一化聚合模糊评价群决策矩阵具体为:
各指标的候选位置的聚合模糊评价结果为
Figure FDA0002982365340000031
其中,
Figure FDA0002982365340000032
聚合群决策矩阵DA如下所示;
Figure FDA0002982365340000033
其中,(αijijij)表示第i个候选位置的第j个指标的三角模糊数;
Figure FDA0002982365340000034
指第i个候选位置的第j个指标的k个决策数据库中的k个αijk的最小值,
Figure FDA0002982365340000035
指第i个候选位置的第j个指标的k个决策数据库中的k个βijk的平均值,
Figure FDA0002982365340000036
指第i个候选位置的第j个指标的k个决策数据库中的k个λijk的最大值;
采用采用线性尺度变换的方法,将各指标转化为可比尺度,得到归一化聚合模糊评价群决策矩阵,归一化聚合模糊评价群决策矩阵L如下所示;
Figure FDA0002982365340000037
其中,
Figure FDA0002982365340000038
其中,
Figure FDA00029823653400000312
为第i个候选位置的第j个指标的可比尺度;
Figure FDA0002982365340000039
表示当j=l+1,l+2,...,n时同一个第i个候选位置的n-l个第j个指标对应的
Figure FDA00029823653400000310
的最大值,
Figure FDA00029823653400000311
表示当j=1,2,...,l时同一个第i个候选位置的l个第j个指标对应的
Figure FDA0002982365340000041
的最小值。
7.根据权利要求6所述的混凝土搅拌站选址的确定方法,其特征在于,根据归一化聚合模糊评价群决策矩阵和每个指标的权重构造综合加权评价归一化矩阵具体为:
根据每个指标的权重计算指标最终权重;
指标最终权重与归一化聚合模糊评价群决策矩阵相乘得到综合加权评价归一化矩阵F,指标最终权重χj和综合加权评价归一化矩阵F表达式如下所示;
Figure FDA0002982365340000042
Figure FDA0002982365340000043
其中,
Figure FDA0002982365340000044
其中,χj指第j个指标的最终权重;
Figure FDA0002982365340000045
表示当j=1,2,...,l时第i个候选位置的第j个指标的最终三角模糊数,
Figure FDA0002982365340000046
表示当j=l+1,l+2,...,n时第i个候选位置的第j个指标的最终三角模糊数。
8.根据权利要求7所述的混凝土搅拌站选址的确定方法,其特征在于,根据综合加权评价归一化矩阵确定正理想解和负理想解,计算每个候选位置与正理想解、负理想解之间的距离具体为:
Figure FDA0002982365340000047
为简化表示,定义
Figure FDA0002982365340000051
Figure FDA0002982365340000052
其中,
Figure FDA0002982365340000053
Figure FDA0002982365340000054
Figure FDA0002982365340000055
Figure FDA0002982365340000056
C+表示正理想解,C-表示负理想解;
假设有两个三角模糊数:TF1=(α111)和TF2=(α222),这两个三角模糊数之间的距离d(TF2,TF2)定义为:
Figure FDA0002982365340000057
其中,p=1时,距离称为曼哈顿距离,p=2,距离称为欧氏距离;
根据d(TF2,TF2)的计算公式计算每个候选位置与正理想解、负理想解之间的初距离,候选位置与正理想解之间的初距离、候选位置与负理想解之间的初距离如下所示;
Figure FDA0002982365340000058
Figure FDA0002982365340000059
其中,J1为[l+1,l+2,...,n],J2为[1,2,...,l];D(C+,Ci)表示第i个候选位置与正理想解的初距离,D(C-,Ci)表示第i个候选位置与负理想解的初距离;
将计算结果归一化得到最终的每个候选位置与正理想解、负理想解之间的距离,每个候选位置与正理想解、负理想解之间的距离如下所示;
Figure FDA0002982365340000061
其中,Df(C+,Ci)表示第i个候选位置与正理想解的距离,Df(C-,Ci)表示第i个候选位置与负理想解的距离。
9.根据权利要求8所述的混凝土搅拌站选址的确定方法,其特征在于,根据每个候选位置与正理想解、负理想解之间的距离计算每个候选位置的贴近度系数指数;根据贴近度系数指数将候选位置排序具体为:
所述贴近度系数指数ψ(Ci)的表达式如下所示;
Figure FDA0002982365340000062
其中,
Figure FDA0002982365340000063
min Df(C+,Ci)是所有候选位置与正理想解的距离的最小值,max Df(C-,Ci)是所有候选位置与负理想解的距离的最大值;
根据贴近度系数指数ψ(Ci)的大小对候选位置排序。
10.一种混凝土搅拌站选址的确定系统,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-9任一项所述的方法。
CN202110290546.5A 2021-03-18 2021-03-18 一种混凝土搅拌站选址的确定方法及系统 Pending CN113077076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110290546.5A CN113077076A (zh) 2021-03-18 2021-03-18 一种混凝土搅拌站选址的确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110290546.5A CN113077076A (zh) 2021-03-18 2021-03-18 一种混凝土搅拌站选址的确定方法及系统

Publications (1)

Publication Number Publication Date
CN113077076A true CN113077076A (zh) 2021-07-06

Family

ID=76613835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110290546.5A Pending CN113077076A (zh) 2021-03-18 2021-03-18 一种混凝土搅拌站选址的确定方法及系统

Country Status (1)

Country Link
CN (1) CN113077076A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600077A (zh) * 2017-01-11 2017-04-26 重庆大学 一种模糊topsis评价方法
CN109523183A (zh) * 2018-11-27 2019-03-26 中铁二院工程集团有限责任公司 基于混合多属性决策的铁路建设方案的评价方法
CN112508292A (zh) * 2020-12-14 2021-03-16 国网辽宁省电力有限公司营销服务中心 一种基于模糊topsis法的智慧充电站选址优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600077A (zh) * 2017-01-11 2017-04-26 重庆大学 一种模糊topsis评价方法
CN109523183A (zh) * 2018-11-27 2019-03-26 中铁二院工程集团有限责任公司 基于混合多属性决策的铁路建设方案的评价方法
CN112508292A (zh) * 2020-12-14 2021-03-16 国网辽宁省电力有限公司营销服务中心 一种基于模糊topsis法的智慧充电站选址优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李茂峰: "商品混凝土搅拌站选址优化决策研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
肖明著: "《国外图书情报知识图谱实证研究》", 31 March 2018, 中国经济出版社 *

Similar Documents

Publication Publication Date Title
Li et al. Research trend of the application of information technologies in construction and demolition waste management
CN111737916B (zh) 一种基于大数据的道路桥梁病害分析与养护决策方法
Li et al. Performance evaluation of eco-industrial thermal power plants by using fuzzy GRA-VIKOR and combination weighting techniques
Kim et al. Factor selection for delay analysis using knowledge discovery in databases
WO2018147086A1 (ja) 道路陥没危険度評価装置および道路陥没危険度評価方法、ならびに道路陥没危険度評価用コンピュータプログラム
CN111784084B (zh) 基于梯度提升决策树的出行生成预测方法、系统及装置
CN111080356A (zh) 一种利用机器学习回归模型计算住宅价格影响因素的方法
CN113705984B (zh) 一种基坑工程绿色施工评价方法及系统
García de Soto et al. A hybrid methodology to estimate construction material quantities at an early project phase
CN109118004B (zh) 一种工程构筑选址适宜区预测方法
CN115239127A (zh) 生态脆弱性评价方法、计算机设备、存储介质和验证方法
CN111859779A (zh) 一种燃气管网防第三方施工破坏风险预警的方法及装置
Du et al. Regional water resources security grading evaluation considering both visible and virtual water: a case study on Hubei province, China
CN114897378A (zh) 地质灾害精细化气象风险预警区评价方法及装置
CN107093018A (zh) 基于健康模型的电信工程项目信息可视化方法及装置
CN117077005B (zh) 一种城市微更新潜力的优化方法和系统
CN116957356B (zh) 一种基于大数据的景区碳中和管理方法和系统
CN117172549A (zh) 一种施工预算生成方法、系统、终端设备及存储介质
CN113077076A (zh) 一种混凝土搅拌站选址的确定方法及系统
CN111026790A (zh) 一种基于数据挖掘的结构安全评估及预报方法
Tack et al. Pavement performance analysis applying probabilistic deterioration methods
CN115905902A (zh) 一种基于k-means聚类算法划分乡村景观生态敏感区的方法
Li et al. Identifying urban form typologies in seoul with mixture model based clustering
Nguyen et al. Optimal Position Proposal for Construction of Municipal Solid Waste Landfill Using an Approach of Fuzzy Set Theory and AHP in a GIS Environment: A Case Study in Hoai Duc District, Hanoi City, Vietnam.
CN113240225B (zh) 基于模糊最劣指标的输变电工程造价风险定级方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210706