第37 卷 第6 期 計 算 機 應 用 與 軟 件 Vol 37 No 6 2020 年6 月 ComputerApplicationsandSoftware Jun 2020 基 于 改 進CFAPSO RBF 神 經(jīng) 網(wǎng) 絡 的 溫 室 溫 度 預 測 研 究 張 坤 鰲 趙 凱 西安科技大學計算機科學與技術學院 陜西西安710054 收稿日期 2019 03 04 陜西省教育廳科研計劃項目 2010JK664 張 坤 鰲 副教授 主研領域 計算機監(jiān)控系統(tǒng) 嵌入式系 統(tǒng) 神經(jīng)網(wǎng)絡 趙 凱 碩士生 摘 要 為 了 科 學 地 控 制 溫 室 溫 度 環(huán) 境 提 升 溫 室 溫 度 的 預 測 精 度 提 出 一 種 改 進 收 縮 因 子 粒 子 群 優(yōu) 化 的 徑 向 基 函 數(shù) RBF 神 經(jīng) 網(wǎng) 絡 預 測 模 型 利 用 最 大 最 小 距 離 算 法 確 定RBF 神 經(jīng) 網(wǎng) 絡 的 隱 層 節(jié) 點 個 數(shù) 應 用 改 進 收 縮 因 子 粒 子 群 優(yōu) 化RBF 神 經(jīng) 網(wǎng) 絡 的 隱 層 基 函 數(shù) 中 心 和 場 域 寬 度 與RBF 神 經(jīng) 網(wǎng) 絡 算 法 PSO RBF 神 經(jīng) 網(wǎng) 絡 算 法 CFA PSO RBF 神 經(jīng) 網(wǎng) 絡 算 法 的 預 測 精 度 進 行 比 較 分 析 預 測 模 型 性 能 實 驗 證 明 在 神 經(jīng) 網(wǎng) 絡 參 數(shù) 選 擇 合 理 的 情 況 下 與 其 他 神 經(jīng) 網(wǎng) 絡 算 法 相 比 改 進CFAPSO RBF 神 經(jīng) 網(wǎng) 絡 算 法 具 有 更 好 的 預 測 效 果 關 鍵 詞 CFAPSO RBF 神 經(jīng) 網(wǎng) 絡 最 大 最 小 距 離 算 法 預 測 模 型 溫 室 中 圖 分 類 號 TP399 文 獻 標 志 碼 A DOI 10 3969 j issn 1000 386x 2020 06 018 GREENHOUSETEMPERATUREPREDICTIONBASEDON IMPROVEDCFAPSO RBFNEURALNETWORK ZhangKun ao ZhaoKai SchoolofComputerScienceandTechnology Xi anUniversityofScienceandTechnology Xi an710054 Shaanxi China Abstract Inorder to scientifically control the greenhouse temperature environment and improve the prediction accuracyofgreenhousetemperature weproposeapredictionmodelofradialbasisfunction RBF neuralnetworkwith improved shrinkage factor particle swarm optimization It used the maximum and minimum distance algorithm to determinethenumberofnodesinthehiddenlayeroftheRBFneuralnetwork Then theimprovedshrinkagefactorPSO wasappliedtooptimizethecenterofthehiddenlayerbasisfunctionandthefieldwidthoftheRBFneuralnetwork Finally comparedwith the prediction accuracyofthe RBF neural network algorithm the PSO RBF neural network algorithm theCFAPSO RBFneuralnetworkalgorithm theperformanceofthepredictionmodelwasanalyzed The experimentalresults showthat compared with otherneural network algorithms the improved CFA PSO RBF neural networkalgorithmhasbetterpredictioneffectwhentheneuralnetworkparameterselectionisreasonable Keywords CFAPSO RBFneuralnetwork Maximumandminimumdistancealgorithm Predictionmodel Greenhouse 0 引 言 農(nóng)業(yè)技術水平和人工智能水平的不斷提高促進了 溫室農(nóng)業(yè)的迅速發(fā)展 溫室溫度預測模型日趨完善 但是 在溫室環(huán)境中 由于溫室環(huán)境是一個隨時間變化 而緩慢變化的動態(tài)環(huán)境 并且各種環(huán)境因子之間具有 很強的耦合作用 一種環(huán)境因子往往隨著另一種環(huán)境 因子的變化產(chǎn)生較大波動 所以建立精確的溫室氣候 模型存在很大困難 1 大量的理論和實踐研究結果表 明 2 4 在科學控制溫室環(huán)境的情況下 溫室農(nóng)業(yè)既可 以實現(xiàn)農(nóng)作物的高產(chǎn)又可以保證農(nóng)作物的質量 但是 因為溫室環(huán)境系統(tǒng)的復雜性 以及各種環(huán)境因子之間 的耦合性等原因 溫室環(huán)境的最佳控制效果采用傳統(tǒng) 的控制方法很難達到標準 目前 溫室溫度預測模型的研究主要是針對能量 96 計 算 機 應 用 與 軟 件 2020 年 和物質平衡方程的研究 5 7 其中徑向基函數(shù) Radial BasisFunction RBF 神經(jīng)網(wǎng)絡因為具有良好的非線性 映射能力 以及在不使用先驗知識的情況下 能快速對 模型進行無限逼近等特點 成為目前應用最為廣泛的 溫室溫度預測模型 8 10 但在實際模型中 該模型的 隱層節(jié)點個數(shù) 隱層基函數(shù)中心和隱層場域寬度三個 主要參數(shù)難以確定 預測精度也存在較大偏差 針對 以上缺陷 夏爽等 11 使用粒子群 RBF神經(jīng)網(wǎng)絡算法 設計溫室溫度預測應用模型 但隨著樣本數(shù)據(jù) 模型迭 代次數(shù)和粒子規(guī)模的不斷增加 預測模型易陷入局部 最優(yōu) 王媛媛 12 使用改進粒子群 RBF神經(jīng)網(wǎng)絡算法 提升了網(wǎng)絡模型的預測精度 但該算法并未對隱層節(jié) 點個數(shù)進行優(yōu)化 段其昌等 13 使用改進粒子群 RBF 神經(jīng)網(wǎng)絡算法 引入慣性權值和收縮因子 使模型的學 習速度變快的同時 預測精度也有所提高 但在確定隱 層節(jié)點個數(shù)時 采用了最近鄰聚類算法 導致模型的學 習時間延長 針對上述問題 本文在采集溫室內外主要環(huán)境因 子的前提下 使用改進收縮因子粒子群 RBF神經(jīng)網(wǎng)絡 預測模型 指導農(nóng)戶在室內環(huán)境不理想的情況下 合理 地調整溫室裝置 從而提高農(nóng)作物的質量和產(chǎn)量 避免 了農(nóng)戶的經(jīng)濟損失 1 預 測 模 型 建 立 1 1 RBF 神 經(jīng) 網(wǎng) 絡 RBF神經(jīng)網(wǎng)絡是一個前饋型神經(jīng)網(wǎng)絡 具有單個 隱含層 可以任意精度逼近任何連續(xù)函數(shù) 其包括輸入 層 隱含層和輸出層 14 輸入層到隱含層是非線性變 換 隱含層到輸出層是線性變換 圖1為RBF神經(jīng)網(wǎng) 絡的結構圖 圖1 RBF神經(jīng)網(wǎng)絡結構圖 RBF神經(jīng)網(wǎng)絡完成如下非線性映射 y x i w 0 m j 1 w j j x i 1 式中 X x 1 x 2 x n 為訓練數(shù)據(jù)集 x i x i 1 x i 2 x i n 為第i個訓練樣本 w 0 為調整輸出的偏移量 m 為隱層節(jié)點個數(shù) w j 為第j個隱層節(jié)點的基函數(shù) j 與 輸出節(jié)點的連接權值 為核函數(shù) 隱含層采用高斯核函數(shù)作為基函數(shù) 其定義如下 j x i exp x i c j 2 2 j 2 式中 c j 為第j個徑向基函數(shù)的中心 x i c j 為x i 與c j 之間的距離 j 為第j個隱層節(jié)點的場域寬度 RBF神經(jīng)網(wǎng)絡的設計分為結構設計和參數(shù)設計 1 結構設計 使用聚類算法劃分所有的輸入樣 本 確定合適的隱層節(jié)點個數(shù)m 2 參數(shù)設計 用于求解網(wǎng)絡的各個參數(shù) 由式 1 式 2 分析可知 網(wǎng)絡參數(shù)包括徑向基函數(shù)的中 心c j 場域寬度 j 和隱含層到輸出層的連接權值w j 研究表明 隱層節(jié)點個數(shù)體現(xiàn)了RBF神經(jīng)網(wǎng)絡的 非線性映射能力 15 當隱層節(jié)點數(shù)量過少時 網(wǎng)絡的 收斂誤差將增加 相反 當隱層節(jié)點數(shù)量過多時 網(wǎng)絡 的訓練時間將延長 導致預測結果過度擬合 從而降低 網(wǎng)絡的泛化能力 因此 為克服人工選取隱層節(jié)點個 數(shù)帶來的弊端 本文采用最大最小距離算法確定合適 的隱層節(jié)點個數(shù) 1 2 RBF 神 經(jīng) 網(wǎng) 絡 隱 層 節(jié) 點 個 數(shù) 的 確 定 在處理分類模式時 最大最小距離算法以歐式距 離為基礎 根據(jù)最大距離原則選擇新的聚類中心 利用 最小距離原則對模式進行分類 首先設定距離閾值 將初始的一個樣本對象設置為第一個聚類中心 然后 選擇距離第一個聚類中心最遠的樣本作為第二個聚類 中心 再確定其他聚類中心 直到?jīng)]有新的聚類中心產(chǎn) 生 最后將剩余樣本根據(jù)最近鄰規(guī)則劃分到各聚類中 心對應的類別中 算法描述 1 從n個樣本中 隨機選擇一個樣本 作為第一 個聚類中心c 1 2 選取距離c 1 最遠的樣本 作為第二個聚類中 心c 2 3 計算其余樣本與c 1 c 2 之間的距離 并求出最 小值 即 d ij x i c j j 1 2 3 d i min d i1 d i2 i 1 2 n 4 4 若 為比例系數(shù) d l max i min d i1 d i2 c 1 c 2 5 則第三個聚類中心c 3 為x i 相應的樣本 跳轉到步驟 5 判斷是否含有新的聚類中心 否則跳轉到步驟6 5 假設已經(jīng)有k個聚類中心 計算每個樣本與所 有聚類中心的距離 并判斷 d l max i min d i1 d i2 d ik c 1 c 2 6 第6 期 張 坤 鰲 等 基 于 改 進CFAPSO RBF 神 經(jīng) 網(wǎng) 絡 的 溫 室 溫 度 預 測 研 究 97 若式 6 成立 則c k 1 x i 并循環(huán)該步驟 繼續(xù)判斷是 否存在新的聚類中心 6 經(jīng)過判斷 確定不再有新的聚類中心時 將剩 余樣本根據(jù)最近鄰規(guī)則 劃分到各類中 即計算 d ij x i c j i 1 2 n j 1 2 k 7 通過上述算法確定RBF神經(jīng)網(wǎng)絡隱層節(jié)點個數(shù) 后 為了使RBF神經(jīng)網(wǎng)絡的訓練性能進一步提高 即 尋找到最優(yōu)的RBF神經(jīng)網(wǎng)絡參數(shù) 本文提出一種改進 收縮因子粒子群算法 1 3 RBF 神 經(jīng) 網(wǎng) 絡 隱 層 參 數(shù) 的 確 定 1 粒 子 群 優(yōu) 化 算 法 粒子群優(yōu)化 ParticleSwarm Optimization PSO 算法是Kennedy和Eberhart在人工 生命研究結果的啟發(fā)下 通過模擬鳥群覓食過程中遷 徙和群聚行為 提出的一種基于群體智能的全局隨機 搜索算法 16 假設搜索空間為D維 粒子總數(shù)為N 第i個粒子在D維空間中的位置為x i x i1 x i2 x iD 飛行速度為v i v i1 v i2 v iD 粒子個體經(jīng)歷過 的最好位置為pbest i p i1 p i2 p iD 種群經(jīng)歷過的 最好位置為gbest g 1 g 2 g D PSO算法流程如 圖2所示 圖2 PSO算法流程圖 粒子i的速度和位置更新公式為 v k 1 id wv k id c 1 r 1 pbest id x k id c 2 r 2 gbest d x k id 8 x k 1 id x k id v k 1 id 9 式中 v k id 為第k次迭代時 粒子i飛行速度矢量的第d 維分量 c 1 c 2 為加速常數(shù) r 1 r 2 為兩個隨機函數(shù) 取值 范圍為 0 1 pbest id 為粒子i個體經(jīng)歷過的最好位置 矢量的第d維分量 x k id 為第k次迭代粒子i位置矢量 的第d維分量 gbest d 為種群經(jīng)歷過的最好位置矢量的 第d維分量 w為粒子i的慣性權重 表明上一代粒子 速度對當代速度的影響 當w值較大時 粒子具有較 強的全局收斂能力 但此時局部收斂能力較弱 當w 值較小時 粒子具有較強的局部收斂能力 此時全局收 斂能力較弱 由于在該算法中 參數(shù)w是固定的 這將 導致在對RBF神經(jīng)網(wǎng)絡進行優(yōu)化時 算法的優(yōu)化精度 會降低 為解決此問題 許榮斌等 17 提出新的慣性權重非 線性遞減策略 使算法在迭代前期全局收斂能力強 迭 代后期局部收斂能力強 新的慣性權重更新公式為 w w min w max w min sin 2 1 t T 10 式中 w min 為最小慣性權重 w max 為最大慣性權重 t為 當前迭代次數(shù) T為最大迭代次數(shù) 為曲線調整 因子 2 引 入 收 縮 因 子 的PSO 算 法 Clerc為了使粒 子整體的飛行速度得到有效控制 構造了引入收縮因子 的PSO算法 CFAPSO算法 18 使算法能在全局探測 和局部開采間達到有效的平衡 其改進公式如下 v k 1 id k v k id c 1 r 1 pbest id x k id c 2 r 2 gbest d x k id 11 式中 k稱為收縮因子 k 2 2 2 4 槡 c 1 c 2 4 12 3 改 進CFAPSO 算 法 分析式 8 可知 粒子 速度的更新公式由 慣性 部分 認知 部分和 社會 部分組成 慣性 部分表明粒子對當前速度繼承的 程度 認知 部分表明粒子向自身最佳位置逼近的趨 勢 社會 部分表明粒子向群體最佳位置逼近的 趨勢 當問題空間較大時 為了平衡算法的全局探測能 力和局部挖掘能力 在算法迭代前期 粒子的全局尋優(yōu) 能力較強 在算法迭代后期 粒子的局部尋優(yōu)能力較 強 本文首先對粒子更新公式的 慣性 部分進行改 進 引用式 10 作為改進算法的第一步 使算法在迭 代前期w值較大 在迭代后期w值較小 此外 為了有效地控制粒子整體的飛行速度 并確 保算法在全局探測和局部挖掘之間實現(xiàn)有效平衡 本 文結合CFAPSO算法 提出一種新的改進CFAPSO算 法 其粒子速度更新公式為 v k 1 id k wv k id c 1 r 1 pbest id x k id c 2 r 2 gbest d x k id 13 1 4 改 進CFAPSO RBF 神 經(jīng) 網(wǎng) 絡 模 型 的 實 現(xiàn) 改進CFAPSO RBF神經(jīng)網(wǎng)絡模型的實現(xiàn)步驟如下 1 采集樣本 對樣本進行歸一化處理 2 使用最大最小距離算法 對樣本數(shù)據(jù)進行聚 98 計 算 機 應 用 與 軟 件 2020 年 類 確定隱層節(jié)點個數(shù) 3 初始化粒子群 設定粒子個數(shù) 迭代次數(shù) 曲線 調整因子 隨機產(chǎn)生各粒子的初始速度v i 和初始位 置x i 4 比較每個粒子和它經(jīng)歷的最好位置的適應度 更新pbest i 5 比較每個粒子與其群體經(jīng)歷的最好位置的適 應度 更新gbest 6 更新粒子的位置和速度 7 重復步驟4 步驟6 直到達到計算精度 為止 8 解碼群體經(jīng)歷的最好位置 并將該值作為RBF 神經(jīng)網(wǎng)絡的結構參數(shù) 對網(wǎng)絡進行訓練 2 實 驗 與 結 果 分 析 2 1 樣 本 數(shù) 據(jù) 獲 取 本文實驗數(shù)據(jù)來源于涇陽欣悅蔬菜示范園 園區(qū) 已建成大棚64個 日光溫室8個 全部采用鋼架結構 大棚內設施包括溫室檢測系統(tǒng) 遮陽系統(tǒng) 通風系統(tǒng) 等 本文以1小時為時間間隔 采集2018年12月15 日至2019年1月13日之間的室外氣壓 溫度 相對濕 度 降水量 風力數(shù)據(jù) 以及室內溫度 濕度數(shù)據(jù) 每個 影響因子每天共采集24組數(shù)據(jù) 共計30天 從該數(shù)據(jù) 中選擇前520組數(shù)據(jù)作為訓練樣本 剩余200組數(shù)據(jù) 作為測試樣本 2 2 數(shù) 據(jù) 預 處 理 不同的量綱和量綱單位會產(chǎn)生不同的評價指標 從而影響數(shù)據(jù)分析的結果 為了消除量綱對指標的影 響 本文對數(shù)據(jù)進行歸一化處理 使樣本數(shù)據(jù)映射到 0 1 之間 歸一化公式為 y x i x min x max x min 14 式中 x i 為輸入樣本數(shù)據(jù) x min x max 分別為輸入樣本數(shù) 據(jù)的最小值和最大值 2 3 預 測 模 型 參 數(shù) 求 解 1 RBF 神 經(jīng) 網(wǎng) 絡 結 構 求 解 通過獲取樣本數(shù)據(jù) 的規(guī)模 運用最大最小距離算法確定隱層節(jié)點個數(shù)為 12個 因而確定RBF神經(jīng)網(wǎng)絡結構為6 12 1 即 RBF神經(jīng)網(wǎng)絡輸入層特征為6個 分別是室外氣壓 溫 度 相對濕度 降水量 風力數(shù)據(jù)和室內濕度數(shù)據(jù) 隱層 節(jié)點個數(shù)為12個 輸出層特征為1個 特征為室內溫 度數(shù)據(jù) 2 改 進CFAPSO 算 法 各 參 數(shù) 的 初 始 值 求 解 在初始化粒子群階段 設定粒子個數(shù)為35個 由于 PSO算法的迭代次數(shù) 會影響模型的訓練時間 為提高 模型的訓練效率 減少模型的訓練耗時 本實驗預設置 算法的最大迭代次數(shù)為T 100 改進CFAPSO算法的 適應值變化曲線如圖3所示 圖3 改進CFAPSO算法適應度變化曲線圖 由圖3可知 當?shù)螖?shù)為40時 改進CFAPSO 算法的適應度曲線基本收斂 算法適應度達到最優(yōu)值 如果繼續(xù)搜索 算法的搜索時間開銷將會增加 因此本 文實驗中的進化迭代次數(shù)均設置為40次 在改進CFAPSO算法中 收縮因子和慣性權重控 制整個粒子的飛行速度和尋優(yōu)能力 由式 13 知 加 速常數(shù)c 1 c 2 和最大 最小慣性權重w max w min 確定時 曲線調整因子 是確定整個粒子飛行速度和尋優(yōu)能力 的關鍵 一般情況下 w max 0 9 w min 0 4 c 1 2 8 c 2 1 3 圖4為 取不同值時 收縮因子結合慣性權 重的遞減函數(shù)對比曲線 圖4 收縮因子結合慣性權重遞減函數(shù)對比曲線 由圖4可知 不同 值使算法的尋優(yōu)能力不同 當 1 6時 與線性遞減函數(shù)變化曲線相比 改進 CFAPSO算法的收縮因子結合慣性權重的非線性曲 線 在保證粒子整體飛行速度的基礎上 在算法搜索前 期 獲得較大值概率較高 有利于算法的全局搜索 在 第6 期 張 坤 鰲 等 基 于 改 進CFAPSO RBF 神 經(jīng) 網(wǎng) 絡 的 溫 室 溫 度 預 測 研 究 99 算法搜索后期 獲得較小值概率較高 有利于算法的局 部搜索 綜上 確定改進CFAPSO算法的特征參數(shù)分別是 粒子個數(shù)為35 個 迭代次數(shù)為40 次 w max 0 9 w min 0 4 c 1 2 8 c 2 1 3 1 6 2 4 預 測 模 型 評 價 標 準 為檢驗神經(jīng)網(wǎng)絡模型的預測效果 本文采用平均 絕對誤差 MAE 均方誤差 MSE 和均方根誤差 RMSE 作為神經(jīng)網(wǎng)絡模型預測性能的評價標準 各 評價指標計算公式如下 MAE 1 n n i 1 y i y i 15 MSE 1 n n i 1 y i y i 2 16 RMSE 1 n n i 1 y i y i 槡 2 17 式中 y i 和y i 分別為第i組性能評價數(shù)據(jù)的實際值和預 測值 n為樣本總數(shù) 2 5 實 驗 結 果 分 析 對RBF PSO RBF CFAPSO RBF 改進CFAPSO RBF神經(jīng)網(wǎng)絡模型的測試樣本進行預測 得到的預測 結果如圖5所示 圖5 各模型對測試樣本的預測結果 由圖5可知 相對于RBF PSO RBF CFAPSO RBF 改進CFAPSO RBF神經(jīng)網(wǎng)絡模型的預測效果明顯更 優(yōu) 預測值和真實值之間的誤差更小 這主要是因為 改進的CFAPSO RBF結合了PSO RBF和CFAPSO RBF 的優(yōu)點 在選取了合適的參數(shù)后 一方面使算法的尋優(yōu) 能力處于前期注重全局尋優(yōu) 后期注重局部尋優(yōu) 另一 方面由于控制了粒子的速度 使算法能達到全局性與 局部性的平衡 為進一步評價預測精度 對4種模型的預測精度 性能指標計算如表1所示 表1 各 模 型 的 預 測 精 度 性 能 指 標 預測模型 MAE MSE RMSE RBF 6 078 49 806 7 057 PSO RBF 4 918 42 206 6 497 CFAPSO RBF 4 799 37 454 6 120 改進CFAPSO RBF 4 395 26 818 5 179 由表1可知 改進CFAPSO RBF神經(jīng)網(wǎng)絡模型的 MAE MSE RMSE 值均低于RBF PSO RBF和CFA PSO RBF神經(jīng)網(wǎng)絡模型 實驗證明 在神經(jīng)網(wǎng)絡參數(shù) 選擇合理的情況下 與RBF PSO RBF和CFA PSO RBF神經(jīng)網(wǎng)絡模型相比 改進CFAPSO RBF神經(jīng)網(wǎng)絡 模型具有更好的預測效果 3 結 語 本文在對溫室內外氣象因子進行分析的基礎上 選擇影響溫室內外的主要氣象因子作為輸入量 以溫 室內的溫度作為輸出量 首先使用最大最小距離算法 計算出隱層節(jié)點個數(shù) 然后使用改進CFAPSO算法對 RBF神經(jīng)網(wǎng)絡隱層場中心 場域寬度進行優(yōu)化 建立溫 室溫度預測模型 實驗結果表明 改進CFAPSO RBF 溫室溫度預測模型的預測精度有了明顯提高 預測結 果在溫室溫度管理方面有一定的參考價值 參 考 文 獻 1 王定成 溫室環(huán)境的支持向量機回歸建模 J 農(nóng)業(yè)機械 學報 2004 5 106 109 2 陳俐均 杜尚豐 李嘉鵬 等 溫室環(huán)境溫度預測自適應機 理模型參數(shù)在線識別方法 J 農(nóng)業(yè)工程學報 2017 33 S1 315 321 3 郁瑩珺 徐達宇 壽國忠 等 基于經(jīng)驗模態(tài)分解和小波神 經(jīng)網(wǎng)絡的溫室溫濕度預測 J 江蘇農(nóng)業(yè)科學 2019 47 1 211 216 4 GruberJK Guzm n JL Rodr guez F etal Nonlinear MPCbasedonaVolterraseriesmodelforgreenhousetemper aturecontrolusingnaturalventilation J ControlEngineer ingPractice 2011 19 4 354 366 5 任守綱 劉鑫 顧興健 等 基于R BP神經(jīng)網(wǎng)絡的溫室小 氣候多步滾動預測模型 J 中國農(nóng)業(yè)氣象 2018 39 5 314 324 6 楊雷 張寶峰 朱均超 等 基于PCA PSO LSSVM的溫室 大棚溫度預測方法 J 傳感器與微系統(tǒng) 2018 37 7 52 55 7 秦琳琳 馬嬌 黃云夢 等 基于積溫理論的溫室溫度混雜 系統(tǒng)預測控制 J 農(nóng)業(yè)機械學報 2018 49 10 347 355 下 轉 第107 頁 第6 期 陳 化 飛 等 互 聯(lián) 網(wǎng) 回 收 供 應 鏈 策 略 研 究 107 析 且沒有將政府對正規(guī)企業(yè)的補貼納入決策中 這是 今后研究需要改進的地方 參 考 文 獻 1 Savaskan R C Bhattacharya S Van Wassenhove L N Closed Loopsupplychainmodelswithproductremanufactur ing J ManagementScience 2004 50 2 239 252 2 WuX ZhouY Theoptimalreversechannelchoiceunder supplychain competition J European Journal ofOpera tionalResearch 2017 259 1 63 66 3 SheuJB GaoXQ Allianceornoalliance Bargainingpow erincompetingreversesupplychains J EuropeanJournal ofOperationalResearch 2014 233 2 313 325 4 YooSH KimBC Jointpricingofnewandrefurbishedi tems acomparisonofclosed loopsupplychainmodels J InternationalJournal ofProduction Economics 2016 182 132 143 5 陳軍 田大鋼 閉環(huán)供應鏈模型下的產(chǎn)品回收模式選擇 J 中國管理科學 2017 25 1 88 97 6 許民利 聶曉哲 簡惠云 不同風險偏好下雙渠道供應鏈 定價決策 J 控制與決策 2016 31 1 91 98 7 魏潔 廢棄電器電子產(chǎn)品 互聯(lián)網(wǎng) 回收模式構建 J 科技管理研究 2016 21 230 234 8 李春發(fā) 楊琪琪 韓芳旭 基于C2B的廢棄電器電子產(chǎn)品 網(wǎng)絡回收系統(tǒng)利益相關者關系研究 J 科技管理研究 2014 23 233 239 244 9 FengLP GovindanK LiCF Strategicplanning design andcoordination for dual recycling channel reverse supply chainconsideringconsumerbehavior J EuropeanJournal ofOperationalResearch 2017 260 2 601 612 10 許民利 向澤華 簡惠云 考慮消費者環(huán)保意識的WEEE 雙渠道回收模型研究 J 控制與決策 2020 35 3 713 720 11 許民利 鄒康來 簡惠云 互聯(lián)網(wǎng) 環(huán)境下考慮消費者 行為的資源回收策略 J 控制與決策 2019 34 8 1745 1753 12 李鋒 魏瑩 異質消費者行為模式下的雙渠道供應鏈系統(tǒng) 協(xié)調與優(yōu)化 J 系統(tǒng)管理學報 2015 24 5 762 768 13 李鋒 魏瑩 策略型消費者對雙渠道供應鏈系統(tǒng)最優(yōu)定價 策略的影響 J 系統(tǒng)管理學報 2019 28 1 165 173 14 AbbeyJD BlackburnJD GuideVDR Optimalpricing fornewandremanufacturedproducts J JournalofOpera tionsManagement 2015 36 130 146 15 趙靜 肖亞倩 不同渠道偏好和運營成本下雙渠道閉環(huán)供 應鏈定價決策研究 J 運籌與管理 2018 27 12 108 114 16 YinJF GaoYN XuH Surveyandanalysisofconsumers behaviourofwaste mobile phone recycling in china J JournalofCleanerProduction 2014 65 1 517 525 17 Yl MellaJ KeiskiRL Pongr czE Electronicwastere coveryinfinland consumers perceptionstowardsrecycling andre useofmobilephones J WasteManagement 2015 45 374 384 18 Sarath P Bonda S Mohanty S et al Mobile phone waste management and recycling views and trends J Waste Management 2015 46 536 545 19 李春發(fā) 鄒雅玲 王雪紅 等 WEEE回收網(wǎng)站交互性對消 費者回收行為的影響 消費者交易感知的中介作用 J 科技管理研究 2015 3 209 214 20 李春發(fā) 馮立攀 隨機需求多渠道供應鏈Stackelberg協(xié)調 博弈分析 J 計算機集成制造系統(tǒng) 2014 20 9 2313 2319 21 易余胤 袁江 渠道沖突環(huán)境下的閉環(huán)供應鏈協(xié)調定價模 型 J 管理科學學報 2012 15 1 54 65 上 接 第99 頁 8 徐意 項美晶 基于RBF神經(jīng)網(wǎng)絡的溫室溫度調控研究 J 農(nóng)機化研究 2010 32 3 74 76 9 郭通 蘭巨龍 李玉峰 等 基于量子自適應粒子群優(yōu)化徑 向基函數(shù)神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測 J 電子與信息學 報 2013 35 9 2220 2226 10 張昭昭 喬俊飛 余文 多層自適應模塊化神經(jīng)網(wǎng)絡結構 設計 J 計算機學報 2017 40 12 2827 2838 11 夏爽 李麗宏 基于PSO RBF神經(jīng)網(wǎng)絡在溫室溫度預測 中的應用 J 計算機工程與設計 2017 38 3 744 748 12 王媛媛 基于改進PSO優(yōu)化RBF神經(jīng)網(wǎng)絡的溫室溫度預 測研究 J 計算機與數(shù)字工程 2016 44 7 1210 1215 13 段其昌 趙敏 王大興 一種改進PSO優(yōu)化RBF神經(jīng)網(wǎng)絡 的新方法 J 計算機仿真 2009 26 12 126 129 14 王雪松 梁昔明 基于BPSO RBF神經(jīng)網(wǎng)絡的網(wǎng)絡流量預 測 J 計算機應用與軟件 2014 31 9 102 105 15 甘文道 周城 宋波 基于RAN RBF神經(jīng)網(wǎng)絡的網(wǎng)絡安全 態(tài)勢預測模型 J 計算機科學 2016 43 S2 388 392 16 逯少華 張曉偉 鮑承強 等 柯西種群分布的自適應范圍 粒子群優(yōu)化算法 J 計算機應用 2014 34 4 1070 1073 1079 17 許榮斌 王業(yè)國 王福田 等 基于改進PSO BP算法的快 遞業(yè)務量預測 J 計算機集成制造系統(tǒng) 2018 24 7 1871 1879 18 KennedyJ EberhartRC Particleswarmoptimization C Proceedings of IEEE International Conference On Neural Networks Perth Australia IEEE 1995 1942 1948