[发明专利]基于污染物行业排放容量计算的行业结构优化调整方法

权利要求书

1.一种基于污染物行业允许排放容量计算的行业结构优化调整方法，其特征在于它的具体步骤如下：

(1)目标函数模型建立：

①X≥Σj=1kXj,(k=1,2,3,......)]]>

i为污染物排放单元，x_i分别为沿海城市的污染物允许排放容量，10⁴t/a；(2)约束条件函数模型建立

(2.1)经济效益约束模型

依据经济效益增长的原则，各城市单元最大允许排放量的确定同时要保证经济的持续增长，因而上式中GDP要满足一定的增长，即：

GDP_t≥GDP₀·(1+r_g)^t

式中GDP₀为i城市的基准年地区生产总值，GDP_t为第t年的地区生产总值，本文指规划年的地区生产总值，单位均为10⁴元/a,r_g为GDP年均增长率，％；

(2.2)污染物排放强度约束模型

α_i≤α_i0

或αi≤α0-]]>

α_iO、为基准年i城市的万元产值排放强度和环渤海地区万元产值排放强度的平均值，单位均为t/10⁴元；

假设经济的增长与污染物的排放存在一定的关系：

α_i＝x_i/GDP_i

式中x_i为i城市的污染物允许排放容量，单位为10⁴t/a；GDP_i为i城市的地区生产总值，10⁴元/a；α_i为i城市的污染物万元产值排放强度，单位为t/10⁴元；

(2.3)人口约束模型

P_t≤P₀·(1+r_p)^t

P₀为i城市的基准年常住人口数量，P_t为规划年的人口数量，单位均为10⁴人/a；r_p为人口机械增长率，‰；同时人口与生活污水中污染物的排放存在定量关系：

β_i＝W_Hi/P_i

式中：β_i为i城市的人均污染物排放强度，Kg/人；W_Hi为生活污水中污染物的排放量，10⁴t/a，P_i为人口数量，10⁴人/a；

(2.4)环境投资约束模型

R_i0≤R_i≤R′_i

式中R_i为i城市环境治理投资占地区生产总值的比例，R_i0为基准年环境治理投资占地区生产总值的比例，R′_i为最大环境治理投资比例，单位均为％；R′_i则根据现状污染物排放强度，所在流域分配容量，以及基准年环境投资的比例确定；

对于每个城市，环境投资的比例与污染物排放强度存在反比例关系，即环境投资的比例越大，污染物的排放强度越小，环境投资的比例越小，污染物的排放强度越大：

R_t/R₀＝α₀/α_t；

(2.5)非负约束条件

α_i≥0；β_i≥0；x_i≥0；

(3)由步骤(1)、(2)的模型求出各污染物行业允许的排放容量为输出数据，原模型参数为输入数据，作为后边网络模型的样本数据；

(4)径向基函数神经网络模型建立，径向基函数简称RBF

(4.1)径向基函数

RBF神经网络模型应基本满足所有样本训练数据，即要求所选择的径向基函数经过每个训练数据，即F(X_h)＝d^h，h＝n，n是所选径向基函数个数；

现选择n个基函数，每个基函数对应一个训练数据，各基函数形式为：

即‖dist‖＝‖X-c_i‖

(4.2)确定基于径向基函数的预测模型为：

其中，x＝X_h；

(4.3)径向基函数中心的确定

(4.3.1)网络初始化

随机前面的多目标非线性规划函数模型计算得到的样本数据中选取n个训练样本作为聚类中心c_i(i＝1,2,...,n)；

(4.3.2)将输入的训练样本集合按最近邻规则分组

按照所有样本数据x_h与中心c_i之间的欧氏距离将x_h分配到输入样本的各个聚类集合θ_h(h＝1,2,...,n)中；

(4.3.3)重新调整聚类中心

计算各个聚类集合θ_h中训练样本的平均值，即新的聚类中心c_i，如果新的聚类中心不再发生变化，则所得到的c_i即为RBF神经网络最终的基函数中心，否则返回(4.3.2)，进入下一轮的中心求解；

(4.4)求径向基函数的权值

将前面多目标非线性规划函数模型所得到的污染物行业允许排放容量数据x代入(4.2)的预测模型则得:

上面等式可以简写成向量形式：ΦW＝d

其中

W＝(w₁,w₂,...,w_n)

显然Φ是个规模为n的对称矩阵，且与x的维度无关，当Φ可逆时，即可求得权值向量W＝Φ^-1d；

(4.5)选择径向基函数类型

本发明中选择高斯函数作为径向基函数类型，如下所示：

而显然本文建模的x都是各不相同的，所以权值向量W可求，将这高斯径向基函数代入(4.4)中即可的所需的权值向量W；

(4.6)求径向基函数的方差

方差可由下式求解：

σi=cmax2h,i=1,2,...,h]]>

其中c_max为所选取中心之间最大距离；

(4.7)最后将中心点、权值、方差代入(4.2)的基于径向基函数的预测模型，则可得到基于污染物行业允许排放容量计算的行业结构优化调整模型：

y=Σi=1nwiexp(-12σi2||xh-ci||2).]]>