版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿
2、肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃
3、衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀
4、肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄
5、羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿
6、螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃
7、羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇
8、袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁
9、肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈
10、襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃
11、螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇
12、罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻
13、袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆
14、肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀
15、裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄
16、腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁
17、羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅
18、螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀
19、肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄
20、袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈
21、膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂
22、羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿
23、螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖
24、肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈
25、袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞
26、膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄芃蚃羈肅蒞袈襖肂薇蟻袀肁蠆薄腿肀荿螀肅聿蒁薂羈肈薄螈袇膈芃薁螃膇莆螆肂膆蒈蕿肈膅蝕螄羄膄莀蚇袀膃蒂袃螆膃薅蚆肄膂芄袁羀芁莇蚄袆芀葿衿螂艿薁螞膁羋莁蒅肇芇蒃螀羃芇薅薃衿芆芅蝿螅芅莇薁肅莄蒀螇罿莃薂薀裊莂節(jié)螅螁莁蒄薈膀莁薆襖肆莀蠆蚆
27、羂荿莈袂袈羅蒁蚅螄肄薃袀肂肄袀芀薆蝕羂蒆蒂蠆膅艿蒈蚈芇膁螆蚈羆莇螞蚇聿膀薈蚆膁蒞蒄蚅袁膈莀螄羃莃蠆螃肅膆薅螂羋莂薁螂羇芅蕆螁肀蒀莃螀膂芃螞蝿袂蒈薈螈羄芁蒃袇肆蕆荿袆腿艿蚈袆袈肂蚄裊肀莈薀襖膃膁蒆袃袂莆莂袂羅腿蟻袁肇莄薇羀腿膇蒃羀衿莃荿罿羈膅螇羈膄蒁蚃羇芆芄蕿羆羆葿蒅薃肈節(jié)莁薂膀蕆蝕蟻袀芀薆蝕羂蒆蒂蠆膅艿蒈蚈芇膁螆蚈羆莇螞蚇聿膀薈蚆膁蒞蒄蚅袁膈莀螄羃莃蠆螃肅膆薅螂羋莂薁螂羇芅蕆螁肀蒀莃螀膂芃螞蝿袂蒈薈螈羄芁蒃袇肆蕆荿袆腿艿蚈袆袈肂蚄裊肀莈薀襖膃膁蒆袃袂莆莂袂羅腿蟻袁肇莄薇羀腿膇蒃羀衿莃荿罿羈膅螇羈膄蒁蚃羇芆芄蕿羆羆葿蒅薃肈節(jié)莁薂膀蕆蝕蟻袀芀薆蝕羂蒆蒂蠆膅艿蒈蚈芇膁螆蚈羆莇螞蚇聿膀薈蚆膁蒞蒄蚅袁膈
28、莀螄羃莃蠆螃肅膆薅螂羋莂薁螂羇芅蕆螁肀蒀莃螀膂芃螞蝿袂蒈薈螈羄芁蒃袇肆蕆荿袆腿艿蚈袆袈肂蚄裊肀莈薀襖膃膁蒆袃袂莆莂袂羅腿蟻袁肇莄薇羀腿膇蒃羀衿莃荿罿羈膅螇羈膄蒁蚃羇芆芄蕿羆羆葿蒅薃肈節(jié)莁薂膀蕆蝕蟻袀芀薆蝕羂蒆蒂蠆膅艿蒈蚈芇膁螆蚈羆莇螞蚇聿膀薈蚆膁蒞蒄蚅袁膈莀螄羃莃蠆螃肅膆薅螂羋莂薁螂羇芅蕆螁肀蒀莃螀膂芃螞蝿袂蒈薈螈羄芁蒃袇肆蕆荿袆腿艿蚈袆袈肂蚄裊肀莈薀襖膃膁蒆袃袂莆莂袂羅腿蟻袁肇莄薇羀腿膇蒃羀衿莃荿罿羈膅螇羈膄蒁蚃羇芆芄蕿羆羆葿蒅薃肈節(jié)莁薂膀蕆蝕蟻袀芀薆蝕羂蒆蒂蠆膅艿蒈蚈芇膁螆蚈羆莇螞蚇聿膀薈蚆膁蒞蒄蚅袁膈莀螄羃莃蠆螃肅膆薅螂羋莂薁螂羇芅蕆螁肀蒀莃螀膂芃螞蝿袂蒈薈螈羄芁蒃袇肆蕆荿袆腿艿蚈袆袈肂
29、蚄裊肀莈薀襖膃膁蒆袃袂莆莂袂羅腿蟻袁肇莄薇羀腿膇蒃羀衿莃荿罿羈膅螇羈膄蒁蚃羇芆芄蕿羆羆葿蒅薃肈節(jié)莁薂膀蕆蝕蟻袀芀薆蝕羂蒆蒂蠆膅艿蒈蚈芇膁螆蚈羆莇螞蚇聿膀薈蚆膁蒞蒄蚅袁膈莀螄羃莃蠆螃肅膆薅螂羋莂薁螂羇芅蕆螁肀蒀莃螀膂芃螞蝿袂蒈薈螈羄芁蒃袇肆蕆荿袆腿艿蚈袆袈肂蚄裊肀莈薀襖膃膁蒆袃袂莆莂袂羅腿蟻袁肇莄薇羀腿膇蒃羀衿莃荿罿羈膅螇羈 城市生活垃圾管理問題研究摘要本問題要求我們分析城市生活垃圾的影響因素,建立城市生活垃圾產(chǎn)量中短期預測模型,并根據(jù)該城市現(xiàn)有的垃圾收集點的分布給出規(guī)劃垃圾收運路線的數(shù)學模型。對于第一問:以上海市為例,預測中短期生活垃圾產(chǎn)量。首先收集到上海市95-09每年的垃圾產(chǎn)量,通過運用m
30、atlab描述的散點圖發(fā)現(xiàn)垃圾產(chǎn)量隨時間呈指數(shù)增長,建立馬爾薩斯模型,運用matlab求得模型函數(shù)為,計算對比95-09年數(shù)據(jù),得到平均相對誤差為0.0579,由于該模型只考慮了時間因素,沒有考慮影響垃圾產(chǎn)量的內(nèi)在因素,所以具有一定的局限性。在此基礎(chǔ)上又建立了基于灰色理論的多元線性回歸模型,我們將gdp、人均消費支出、非農(nóng)業(yè)人口、社會銷售品零售總額、人均可支配收入這五項指標考慮到垃圾產(chǎn)量的預測中,首先計算出五項指標對垃圾產(chǎn)量的關(guān)聯(lián)度,經(jīng)過比較排除了非農(nóng)業(yè)人口這個指標對垃圾產(chǎn)量的影響,最終得到垃圾產(chǎn)量預測模型:計算對比95-09年數(shù)據(jù),得到的平均相對誤差為0.0506??紤]到預測中短期的垃圾產(chǎn)量
31、,就要先預測出以上4個指標的數(shù)據(jù),所以又運用傳統(tǒng)灰色系統(tǒng)gm(1,1)模型對影響垃圾產(chǎn)生量的4個因素分別進行擬合得到各自的預測模型。對于第二問,求解最優(yōu)的垃圾收運路線。首先將其轉(zhuǎn)化成典型的tsp旅行商問題,在垃圾收集車數(shù)量未知的情況下,建立忽略車的最大載重及各點的工作區(qū)間的模型,采用與貪婪算法相結(jié)合的遺傳算法求解,得到最短路徑的全局最優(yōu)解。然后,將垃圾收集車的最大載重及各點的工作區(qū)間考慮進來,利用matlab編程,得到最優(yōu)路徑的11條路線。根據(jù)各點的坐標,點與點之間采用manhattan距離,求出最優(yōu)路徑的總路程為881.8,垃圾車的工作時間總和為30.2603,分析判斷出該區(qū)內(nèi)最少需要4輛垃
32、圾收集車,將11條路線分成了4組,每一輛垃圾收集車走一組路線。分組情況如下:第一組:路線1、路線2、路線3 第二組:路線4、路線5、路線6第三組:路線7、路線8、路線9 第四組:路線10、路線11由于采用的遺傳算法對數(shù)據(jù)沒有要求且結(jié)果很穩(wěn)定,有著很強的適用性。在路線的求解過程中,垃圾收集車的載重沒有達到最大值,留有一定的空間,具有很強的魯棒性。關(guān)鍵詞:馬爾薩斯模型 關(guān)聯(lián)度 多元線性回歸模型 gm(1,1)模型 遺傳算法 tsp問題 貪婪算法 manhattan距離 一、問題重述隨著人類生產(chǎn)的發(fā)展和生活水平的不斷提高,產(chǎn)生的垃圾也越來越多,由此產(chǎn)生生態(tài)環(huán)境問題多人類的威脅也越來越大。城市生活垃圾
33、產(chǎn)量是垃圾管理系統(tǒng)的關(guān)鍵參數(shù),因此對未來某段時間內(nèi)垃圾產(chǎn)量的準確預測是相關(guān)垃圾管理的部門做出管理規(guī)劃的前提。某城市有多個行政區(qū),每個區(qū)內(nèi)均有一個車庫,已知某區(qū)一車庫擁有的垃圾收集車最大裝載量為w,并且該區(qū)的垃圾收集點(待收集垃圾的點)有n個,該區(qū)只有1個垃圾中轉(zhuǎn)站,。每天垃圾車從車庫出發(fā),經(jīng)過收集點收集垃圾,當垃圾負載達到最大裝載量時,垃圾車運往中轉(zhuǎn)站,在中轉(zhuǎn)站卸下所有收運的垃圾,然后再出站收集垃圾,如此反復,直到所有收集點的垃圾都被收集完,垃圾車返回車庫。以上收運過程均在各點的工作區(qū)間之內(nèi)完成。問題一:需要我們通過分析城市生活垃圾的影響因素包括地理位置、人口、經(jīng)濟發(fā)展水平(生產(chǎn)總值)、居民收
34、入以及消費水平、居民家庭能源結(jié)構(gòu)等等,在查閱相關(guān)文獻,搜集垃圾產(chǎn)量數(shù)據(jù)的基礎(chǔ)上建立城市生活垃圾產(chǎn)量中短期預測模型,并且分析模型的準確性和實用性。問題二:利用數(shù)學方法安排垃圾收運車的收運路線,使在垃圾收運車的行車里程盡可能的少,或者垃圾收運時間盡可能短。建立數(shù)學模型,設(shè)計出有效的算法,并求解模型,對模型的結(jié)果做出合理分析和解釋。并且對模型的適用性、算法的穩(wěn)定性和魯棒性做出分析。已知條件如下:(1)車庫和收集點、收集點與中轉(zhuǎn)站、中轉(zhuǎn)站與車庫的距離;(2)各收集點每天的垃圾產(chǎn)量;(3)每輛垃圾收運車的最大載荷;(4) 垃圾收集點、車庫、中轉(zhuǎn)站的工作區(qū)間a,b。二、模型假設(shè)1.影響垃圾產(chǎn)量的內(nèi)在因素是
35、相互獨立的;2.中短期內(nèi)不會產(chǎn)生明顯劇烈影響垃圾產(chǎn)量的其他因素;3.垃圾收集車在行駛過程中不會遇到堵車等意外情況;4.垃圾收集車到達各垃圾收集點時所收集到的垃圾即為各點每天的垃圾總和;5.忽略遺傳算法的系統(tǒng)誤差。三、符號說明gm(1,1)模型中的待辨參數(shù);gm(1,1)模型中的待辨參數(shù);多元線性回歸模型的各項系數(shù);多元線性回歸模型的常數(shù)項;時上海市的垃圾產(chǎn)量;時刻上海市的垃圾產(chǎn)量;垃圾產(chǎn)量的增長率;時刻上海市垃圾產(chǎn)量和影響因素的原始數(shù)據(jù);時刻上海市垃圾產(chǎn)量和影響因素的標準化后的數(shù)據(jù);時刻第j個影響因素指標對城市垃圾產(chǎn)量的關(guān)聯(lián)系數(shù);分辨系數(shù);時刻第j個影響因素指標標準化后的數(shù)據(jù)與上海市垃圾產(chǎn)量標
36、準化后的數(shù)據(jù)差的絕對值;最小的第j個影響因素指標標準化后的數(shù)據(jù)與上海市垃圾產(chǎn)量標準化后的數(shù)據(jù)差的絕對值;最大的第j個影響因素指標標準化后的數(shù)據(jù)與上海市垃圾產(chǎn)量標準化后的數(shù)據(jù)差的絕對值;第j個影響因素指標對城市垃圾產(chǎn)量的關(guān)聯(lián)度;時間序列向量;時刻上海市生活垃圾的主要影響因素的原始數(shù)據(jù);上海市生活垃圾的主要影響因素的原始數(shù)據(jù)序列向量;時刻上海市生活垃圾的主要影響因素的一次累加;上海市生活垃圾的主要影響因素的一次累加數(shù)據(jù)序列向量;:垃圾收集點;:搜索子集;:搜索路徑中點的序列;:所選路徑的總路程;:垃圾收集點到的距離;:交叉算子中的父代;:交叉算子中的后代:種群個數(shù);:停止代數(shù);:適應值歸一化淘汰加
37、速指數(shù);:淘汰保護指數(shù)。四、模型建立與求解問題一、城市生活垃圾產(chǎn)量中短期預測模型4.1 模型一:馬爾薩斯模型以上海的垃圾產(chǎn)生量為例,在上海統(tǒng)計網(wǎng)收集數(shù)據(jù)(表4.1)表4.1 垃圾產(chǎn)量-年份 單位:萬噸年份19951996199719981999200020012002產(chǎn)量372419454470500641644467年份2003200420052006200720082009產(chǎn)量585610622658702678710由題目中我們可以看出垃圾產(chǎn)生量與時間存在著一種指數(shù)增長的函數(shù)關(guān)系。4.1.1 馬爾薩斯模型5的建立:記時刻t=0時(即19995年)垃圾產(chǎn)量為,時刻t的垃圾產(chǎn)量為x(t),由
38、于量大,x(t)可視為連續(xù)、可微函數(shù)。t到時間段內(nèi)垃圾產(chǎn)量的增量為: 于是x(t)滿足微分方程: (1)4.1.2 模型的求解:解微分方程(1),得: (2) 表明:4.1.3 模型的參數(shù)估計:要用模型的結(jié)果(2)來預報上海市生活垃圾的產(chǎn)量必須對其中的參數(shù)r進行估計,這可以用表4.1的數(shù)據(jù)通過matlab擬合得到。通過19995-2009年的數(shù)據(jù)擬合得r=0.0407擬合圖如圖4.1:圖4.1運用matlab求得擬合模型函數(shù)為,同時與原始統(tǒng)計數(shù)據(jù)做對比得到相對誤差得到平均誤差0.060456,超過了5%,模擬的不夠精確,所以后面又建立了解決問題一的模型二。根據(jù)模型預測了20102018年的垃圾
39、生產(chǎn)量如表4.3,從表中可以看出垃圾的產(chǎn)量一直在上升,到2018年可達1070.1億噸。表4.2 擬合結(jié)果與實際數(shù)據(jù)的對比 單位:萬噸年份實際生活垃圾產(chǎn)量用模型算出的生活垃圾的產(chǎn)量相對誤差1995 372419.64120.1280677421996 419 437.07290.0431334131997 454 455.22870.0027063881998 470 474.13870.0088057451999 500 493.8343-0.01233142000 641 514.3480-0.1975850232001 644 535.7138-0.1681462732002 467 5
40、57.96710.1947903642003 585 581.1448-0.0065900852004 610 605.2854-0.0077288522005 622 630.42870.0135509652006 658 656.6164-0.0021027362007 702 683.8920-0.0257948722008 678 712.30060.0505908552009 710 741.88930.044914507表4.3 通過指數(shù)模型預測的2010-2018年的垃圾產(chǎn)量 單位:萬噸年份201020112012201320142015201620172018產(chǎn)量772.780
41、4.8838.2873.1909.3947.1986.41027.41070.1由于該模型為指數(shù)模型,只考慮了垃圾產(chǎn)量與時間之間的函數(shù)關(guān)系,沒有考慮影響垃圾產(chǎn)量本身的內(nèi)在因素,所以具有一定的局限性。不過該模型簡單明了,數(shù)據(jù)也具有一定的參考價值,提醒了相關(guān)環(huán)境保護部門做好垃圾清運及處理工作。4.2 模型二:基于灰色理論的多元線性回歸模型一般認為,城市生活垃圾的影響因素包括地理位置、人口、經(jīng)濟發(fā)展水平(生產(chǎn)總值)、居民收入以及消費水平、居民家庭能源結(jié)構(gòu)等等。所以要又將gdp、人均消費支出、非農(nóng)業(yè)人口、社會銷售品零售總額、人均可支配收入這五項指標因素考慮到垃圾生產(chǎn)量的預測中,在上海統(tǒng)計網(wǎng)上查到相關(guān)數(shù)
42、據(jù)如表4.3。表4.3 上海市城市生活垃圾的產(chǎn)量及5個影響因素數(shù)據(jù)(1995-2009)年份產(chǎn)量(萬噸)gdp(億元)人均消費支出(元)非農(nóng)業(yè)人口(萬人)社會銷售品零售總額(億元)人均可支配收入(元)1995 3722499.43 5868 450.76 1050.96 71721996 4192957.55 6763 457.49 1258.00 81591997 4543438.79 6820 461.40 1435.38 84391998 4703801.09 6866 465.72 1593.27 87731999 5004188.73 8248 470.11 1722.33 1093
43、22000 6414771.17 8868 475.73 1865.28 117182001 6445210.12 9336 478.92 2016.37 128832002 4675741.03 10464 481.77 2203.89 132502003 5856694.23 11040 486.06 2404.45 148672004 6108072.83 12631 490.58 2656.91 166832005 6229247.66 13773 496.69 2979.50 186452006 65810572.24 14762 499.54 3375.20 206682007 7
44、0212494.01 17255 503.29 3873.30 236232008 67814069.87 19398 506.64 4577.23 266752009 71015046.45 20992 509.79 5173.24 28838由于上海市生活垃圾產(chǎn)量與以上5項因素有關(guān),并且這些因素之間相互聯(lián)系、相互影響,構(gòu)成了一個復雜的預測系統(tǒng)。但這5項因素對垃圾產(chǎn)量的影響作用各有差異,每個因素的變化引起垃圾產(chǎn)量變化的程度有所不同,所以還需要對這些影響因素作進一步的分析。在這里我們沒有考慮各因素指標的權(quán)重,而是采用灰色關(guān)聯(lián)度來分析各因素與生活垃圾產(chǎn)量之間的聯(lián)系。4.2.1 關(guān)聯(lián)度的計算過程(
45、1)數(shù)據(jù)的標準化由于各因素之間數(shù)據(jù)存在單位的不同,我們需要對數(shù)據(jù)進行量綱化處理,這里我們采用初值化對數(shù)據(jù)進行標準化處理,及,其中;(2)關(guān)聯(lián)系數(shù)的計算 (9)其中 是分辨系數(shù), 01(3)關(guān)聯(lián)度的計算4.2.2 灰色關(guān)聯(lián)度的應用 運用灰色關(guān)聯(lián)度的分析方法我們分別計算出影響上海市城市生活垃圾產(chǎn)量的5個因素與城市生活垃圾產(chǎn)量之間的關(guān)聯(lián)度。我們用matlab軟件和excel軟件計算得到 從數(shù)據(jù)上我們可以看出非農(nóng)業(yè)人口這個因素與上海市生活垃圾產(chǎn)量的關(guān)聯(lián)度最小,及非農(nóng)業(yè)人口對上海市生活垃圾產(chǎn)量的影響相對要低,我們可以選擇gdp人均消費支出、社會消費品零售總額和人均可支配收入這4 個變化指標作為上海市生活
46、垃圾產(chǎn)量的主要影響因素。在確定生活垃圾產(chǎn)量的主要影響因素的基礎(chǔ)上,建立垃圾產(chǎn)量的多元線性回歸的數(shù)學模型:式中y為上海市生活垃圾產(chǎn)量的預測值,為gdp(億元),為人均消費支出,為社會銷售品零售總額(億元),為人均可支配收入(元)。用matlab編程求解線性回歸系數(shù)得, 常數(shù)項。所以上海市生活垃圾產(chǎn)量預測模型為:將19952009年的各項數(shù)據(jù)代入到回歸方程結(jié)果見表4.4表4.4 擬合結(jié)果與實際數(shù)據(jù)的對比 單位:萬噸年份實際生活垃圾產(chǎn)量用模型算出的生活垃圾的產(chǎn)量相對誤差1995 372445.69490.1981051996 419433.27520.034071997 454430.8223-0.
47、051051998 470444.5395-0.054171999 500549.55780.0991162000 641545.001-0.149762001 644622.0247-0.034122002 467485.57930.0397842003 585588.81570.0065232004 610562.6323-0.077652005 622620.4835-0.002442006 658695.03320.0562822007 702670.8771-0.044332008 678703.94710.038272009 710714.39390.006189計算相對誤差的平均
48、值為0.0594570.060456 (模型一中的平均誤差),表明模型二比模型一的準確度有所提高,但是仍超過了5%,所以該模型還有待進一步提高。用該多元線性回歸模型預測中短期上海市生活垃圾產(chǎn)量時,首先需要對影響垃圾產(chǎn)量的5個因素的變化趨勢進行預測,故本文分別建立了gdp、人均消費支出、非農(nóng)業(yè)人口、社會銷售品零售總額、人均可支配收入5個變化指標的灰色gm(1,1)預測模型(灰色系統(tǒng)理論的1 階、1個變量微分方程模型)。4.2.3 傳統(tǒng)(等距及非等距序列)的灰色系統(tǒng)gm(1,1)預測模型的建立(1)基本的概念:設(shè)時間序列為: 它對應的原始數(shù)據(jù)序列為 (1)令,當,稱序列(1)為等距序列,當,稱序列
49、(1)為非等距矩陣。(2)傳統(tǒng)灰色系統(tǒng)gm(1,1)預測模型建立的方法原始數(shù)據(jù)序列(1)的一次累加生成序列為 (2)其中 (3)從一次累加生成序列(2)還原成原始數(shù)據(jù)序列(1)的公式為 (4)當一次累加生成序列(2)接近于非齊次指數(shù)規(guī)律變化時,序列(2)的響應函數(shù)是微分方程 (5)的解為 其中未知常數(shù)a和b為待辨參數(shù)序列(2)的離散響應函數(shù)為 (k=2,3n) (6)(3)確定待辨參數(shù)a和b 為了確定待辨參數(shù),我們用下面的差分方程代替微分方程(5) (7)其中 k=2,3n再用下面的數(shù)據(jù)代換差分方程(7)中的, k=2,3n可得平滑后的差分方程變?yōu)?(k=2,3n) (8)上式中的稱為背景值,
50、稱為背景參數(shù),背景參數(shù)目前還沒有很好的取值方法,已有不少文獻對其進行了有益的討論,在大部分的解決實際問題的文獻中,通常還是按文獻4取背景參數(shù)為0.5。將原始數(shù)據(jù)序列(1)和原始數(shù)據(jù)序列的一次累加生成序列(2)代入差分方程(8),用矩正方程可確定待辨參數(shù)a和b 其中(4)將上面得到的參數(shù)代入式(6)中,得到原始數(shù)據(jù)序列的灰色系統(tǒng)gm(1,1)模型: (k=2,3n) 對于等距序列,我們經(jīng)過進一步計算得到原始數(shù)據(jù)序列(1)中 4.2.4 gm(1,1)模型的應用我們用gm(1,1)模型對影響垃圾產(chǎn)生量的5個因素分別進行預測。(1)gdp的預測模型由表4.3得到原始數(shù)據(jù)列,一次累加序列,在此基礎(chǔ)上得
51、到數(shù)據(jù)矩正b和數(shù)據(jù)向量y分別為:運用gm(1,1)模型我們求得參數(shù)和參數(shù);進一步得到上海市g(shù)dp 的gm(1,1)預測模型為: (2)人均消費支出的預測模型由表4.3得到原始數(shù)據(jù)列,一次累加序列,在此基礎(chǔ)上得到數(shù)據(jù)矩正b和數(shù)據(jù)向量y,它們分別為: 運用gm(1,1)模型求得參數(shù)和參數(shù);進一步得到上海市人均消費支出的gm(1,1)預測模型為: (3)社會消費品零售總額的預測模型由表4.3得到原始數(shù)據(jù)列,一次累加序列,在此基礎(chǔ)上得到數(shù)據(jù)矩正b和數(shù)據(jù)向量y,它們分別為: 運用運用gm(1,1)模型求得參數(shù)和參數(shù);進一步得到上海市社會消費品零售總額的gm(1,1)預測模型為: (4)人均可支配收入的預
52、測模型由表4.3得到原始數(shù)據(jù)列,一次累加序列,在此基礎(chǔ)上得到數(shù)據(jù)矩正b和數(shù)據(jù)向量y,它們分別為: 運用gm(1,1)模型求得參數(shù)和參數(shù);進一步得到上海市人均可支配收入的gm(1,1)預測模型為: 問題二、安排垃圾收運車的收運路線4.3 模型一:基于遺傳算法的tsp模型及求解由于題中沒有明確告知該行政區(qū)內(nèi)的垃圾收集車的數(shù)量,因此首先需要確定在滿足約束條件的情況下,該區(qū)內(nèi)所需的垃圾收集車的最少數(shù)量。該行政區(qū)中的垃圾收集點數(shù)量為275個,少于每輛垃圾車每天最多經(jīng)過的垃圾收集點個數(shù)500。同時,經(jīng)過統(tǒng)計,該行政區(qū)內(nèi)所有的垃圾收集點每天產(chǎn)生的垃圾總量為2132.5,小于每輛垃圾車每天的負載總量2200.
53、0。因此可以推斷出該行政區(qū)每天最少需要1輛垃圾收集車來完成垃圾收運的任務。在不考慮垃圾收集車最大載重的情況下,求解垃圾收運路線問題也就轉(zhuǎn)變成了找出從一點出發(fā),遍歷區(qū)內(nèi)所有垃圾收集點,最后回到起點的最短路徑的問題。顯然,這是一個典型的tsp問題。問題重新描述如下:尋找一條最短的遍歷個垃圾收集點及車庫的路徑,或者說搜索整數(shù)子集(的元素表示對個垃圾收集點的遍歷)的一個排列,使取最小值。式中的表示垃圾收集點到的距離,表示起點(車庫)。由于點的數(shù)量達到了277個,數(shù)量比較龐大,其可能的路徑總數(shù)與點的數(shù)目是成指數(shù)型增長的,所以一般很難精確地求出其最優(yōu)解。而遺傳算法就其本質(zhì)而言,主要是處理復雜問題的一種魯棒性強的啟發(fā)式隨機搜索算法,因此遺傳算法可以較好的解決tsp問題??紤]到tsp問題的求解與一般的遺傳算法的不同,因此采用一種與貪婪算法相結(jié)合的貪婪交叉算子和貪婪倒位變異算子,有實驗數(shù)據(jù)證明,該算法能夠極大地提高了算法的收斂速度又保證了最優(yōu)解的得到,而且具有較好的魯棒性。其具體實現(xiàn)過程如下:(1)對這個垃圾收集點及車庫、中轉(zhuǎn)站進行編碼:用1到這個自然數(shù)來編碼個點,通過這個編碼的不同排列來表示所走的路徑。(2)隨機生成初始種群:對于個點,每個個體即每個解的長度為,用行,列矩陣表示初始群體,表示
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 2025年度新型綠色牧草料采購合同模板
- 2025年度航空貨物保險綜合保障服務合同
- 2025年度國際貿(mào)易實務出口合同履行與管理細則
- 2025年度國際能源資源開發(fā)合同-@-2
- 2025年鍋爐安裝工程安全設(shè)施配置與維護合同
- 2025年度文化產(chǎn)業(yè)股權(quán)質(zhì)押融資合同
- 2025年度跨境電商平臺股權(quán)質(zhì)押借款合同示例
- 2025年度高端畫冊制作服務合同范本
- 2025年度環(huán)境友好型產(chǎn)品認證服務合同范本
- 2025年度跨境知識產(chǎn)權(quán)交易合同模板
- 山東省濰坊市2024-2025學年高三上學期1月期末 英語試題
- 春節(jié)節(jié)后收心會
- 《榜樣9》觀后感心得體會四
- 七年級下冊英語單詞表(人教版)-418個
- 交警安全進校園課件
- 潤滑油過濾培訓
- 部編版語文一年級下冊全冊大單元整體作業(yè)設(shè)計
- 中國心力衰竭診斷與治療指南解讀
- 電子技術(shù)的發(fā)展和應用
- 北京生命科技研究院招聘筆試真題2022
- 《系統(tǒng)解剖學》期末考試復習題庫大全-下(多選題匯總)
評論
0/150
提交評論