考虑降雨量不确定的稻麦收割机多类型配置优化

针对降雨量不确定性导致农机合作社配置收割机的数量和类型较为困难的问题,以蚌埠市的一个农机合作社覆盖的稻麦轮作区域为研究对象,拟合降雨量和潮湿耕地(只能由履带式收割机进行收割的耕地)比例的函数关系,采用1987—2016年每年10月份研究地区的降雨量数据仿真新的降雨量,并利用蒙特卡洛仿真方法优化收割机的配置方案,分析降雨不确定情形下农机合作社的收割机类型与数量的最优配置。结果表明:该区域的降雨量与潮湿耕地比例呈现Logistic分布,收割机的最优配置为,履带收割机和轮式收割机的数量均为14辆,最小收割总成本为725.57万元;随着履带收割机价格的降低,农机合作社应对降雨量不确定的能力显著增加。据此认为不同稻麦轮作区域有必要对降雨量和潮湿耕地比例的函数关系进行估算,同时针对该地区水稻收割期降雨量的特点制定合理的农机补助策略,从而帮助农机合作社应对潜在风险。     

考虑易逝品的流通时间增加对供求双方博弈的影响

首先考虑到易逝品在二级供应链的流通过程存在各方利润比例分配不合理的状况,通过建立易逝品流通的利润博弈函数,对利润函数进行分析得出各方利润的最大的均衡条件.再者考虑易逝品的从属失效性,构建关于时间的易逝品损耗函数;将损耗函数与利润博弈函数相结合,分析随流通时间变化对各方在整条供应链上的利润比例的变化.结果表明,流通时间的增加需求方所占的利润比例逐渐向1靠拢;当流通时间接近易逝品的腐烂周期时,供应方所占的利润比例接近于0.     

APSO_SVR模型在我国大豆价格预测的应用研究

国内大豆价格受到多重因素影响,如大豆进口量、国内大豆供给量、中国居民消费价格指数等,因此呈现非线性等特点。大豆价格的剧烈波动会对农户的种植结构和国家政策产生影响,因此准确预测大豆价格具有重要意义。支持向量回归(SVR)因其优越的寻优能力和较高的预测精确度而被广泛应用于非线性时间序列回归中。本文提出一种自适应粒子群算法(APSO)优化的SVR模型来预测我国大豆价格,该模型通过将现实空间内的数据映射到高维空间内,在高维空间内构造线性回归函数,从而判别原有空间内数据之间的关系。在SVR模型参数优化时,由于粒子群算法易陷入局部最优解,因此采用惯性权重更新和适应度变异的粒子群算法(APSO)对预测模型参数进行优化。采用2009年1月-2016年12月的国内大豆价格月度数据进行预测,结果表明APSO优化的SVR模型在大豆价格预测中精度较高,且能准确反应大豆价格的未来趋势,为从事大豆种植者及经营者提供决策依据。