0-1模型论文（精选12篇）
0-1模型论文 篇1
一、问题的提出
一家会议服务公司负责承办一届全国性会议, 会议筹备组要为与会代表预订宾馆客房.而筹备组已筛选出10家宾馆, 由于宾馆的客房和会议室数量有限, 所以与会代表分散到若干家宾馆住宿.而代表的总人数无法确定, 但可根据附表作为预订宾馆客房的参考.为了便于管理, 除尽量满足代表价位的需求外, 所选择的宾馆数量尽可能少, 并且距离上比较接近.而且预定的客房数量需要适当, 即不能太少也不能太多, 房费由代表自付.若预定客房的数量大于实际用房的数量, 则筹备组须支付一天的空房费.通过建立数学模型分析研究一个从经济、方便、代表满意等方面制定预订宾馆客房的一个合理方案.
二、模型假设
1.假设未发回执而与会的代表人群与发来回执的代表人群对住房要求的比例相同.
2.代表们是否参加会议相对独立.
三、模型的建立与分析
1.测算参会人数
根据附表以往几届会议代表回执和与会情况由统计结果表明:发来回执的代表人数在逐届上升, 而发来回执但未与会的代表人数和未发回执而与会的代表人数也在逐届上升.故考虑统计线性回归模型, 利用一元线性回归方程分别列出发来回执的代表数量与发来回执但未与会的代表数量之间的函数关系, 可测算出参加本次会议的代表总数为638人.并对回归方程作显著性检验, 易得通过检验.
2.建立0-1规划模型计算出预订宾馆数量的最少值
根据题意, 除尽量满足代表在价位等方面的需求之外, 要求宾馆的数量尽可能少, 故设置0-1变量
.则建立宾馆个数的目标函数:min=
(1) 宾馆与客房之间的制约关系为:令hi表示是否预订宾馆 (i=1, 2, 3, …, 32) , ai依次表示第i种宾馆客房的间数 (i=1, 2, 3, …, 32) , xi分别表示客房的各个规格房间的间数 (i=1, 2, …, 31, 32) , mi分别表示各个规格房间中独住双人间的间数 (i=1, 2, 3, …, 32) , xi+mi≤aihi.
(2) 参加会议的代表对住房要求的制约:x5+x6+x9+x12+x14+x15+x21+x25≥99等.
(3) 对各宾馆客房数量的制约:xi+mi≤ai.
最后用LINGO软件求解得最少有4个宾馆.最终结论:在满足代表要求的前提下, 宾馆数量为4是最优方案.
3.建立非线性0-1规划模型求解距离最近的4个宾馆
在确定宾馆数量为4的前提下, 分析宾馆数量为4的方案, 发现可选宾馆不唯一.如{①, ②, ⑤, ⑦}或{①, ②, ③, ⑦}, 设Si, j为i宾馆与j宾馆的实际距离.设置距离函数yi, j=Si, j*hi*hj, 其中hi, hj为0-1变量,
以4个宾馆间两两的距离和大小, 来作为评价方便性的指标.即求出距离最近的 (最方便) 4个宾馆, 即满足方便性.每两宾馆的间距种类共有C
(1) 宾馆与客房之间的制约关系:xi+mi≤aihi.
(2) 参加会议的代表对住房要求的制约:x5+x6+x9+x12+x14+x15+x21+x25≥99等.
(3) 对各宾馆客房数量的制约:xi+mi≤ai.
(4) 宾馆总数为4:h1+h2+h3+h4+h5+h6+h7+h8+h9+h10=4.
运用LINGO软件可得, 所求的距离总和最短的4个宾馆分别是代号为1, 2, 5, 7宾馆.
4.建立整数规划模型求解各宾馆人数
在确定{①, ②, ⑤, ⑦}4个宾馆后, 意味优先考虑代表满意和方便性.另一方面, 考虑经济方面, 如果预订客房的数量大于实际用房数量, 筹备组需要支付一天的空房费, 而空房费与预订房间的总费用成正比, 故可以以预订房间的总费用为目标函数, 求出价格最优的安排方案, 并得到此方案每宾馆的预订人数.假设:
hi:分别表示是否预订宾馆①～⑩ (i=1, 2, 3, …, 10, hi为0-1变量) .
xi:依次表示客房的各个规格房间的间数 (i=1, 2, …, 32) .
mi:依次表示各个规格房间中用于独住的双人间的预订间数 (i=1, 2, …, 32) .
建立目标函数:
min=180* (x1+m1) +220* (x2+m2) +180*x3+220*x4+140* (x5+m5) +160* (x6+m6) +180* (x7+m7) +200* (x8+m8) +140* (x14+m14) +160* (x15+m15) +200* (x16+m16) +150* (x21+m21) +160*x22+300*x23.约束条件如下:
(1) 宾馆与客房之间的制约关系:xi+mi≤aihi.
(2) 参加会议的代表对住房要求的制约:x5+x6+x9+x12+x14+x15+x21+x25≥99等.
(3) 对各宾馆客房数量的制约:xi+mi≤ai.
(4) 是否预订宾馆 (1) ～ (10) (hi为0-1变量) , 运用LINGO软件即可得出最终结论.
四、总结
目前, 筹备工作已经成为会议能否成功举办的关键因素.本文利用0-1规划对会议筹备中需要预订宾馆客房进行详细分析, 并利用统计回归, 数学规划模型, 借助于计算机软件求解得到符合经济、方便、代表满意三个方面的最优模型.
参考文献
[1]杨启帆.数学建模[M].北京:高等教育出版社, 2005.
[2]姜启源.数学建模[M].北京:高等教育出版社, 2003.
0-1模型论文 篇2
1.假设：
n种物品，种类1,2,…,n;每种物品质量m[0],m[1],m[2],…,m[n-1];每种物品价值v[0],v[1],…,v[n-1];背包能承受的总质量为mk，设数组dp[1],dp[2],…,dp[mk-1],dp[mk]（注意，dp不包含0包含mk）表示当包内放了1,2,…,mk-1,mk质量的东西时能达到的最大价值。
2.问题：
如何安排放置在背包里的物品使得背包内物品总价值能达到最大？（假设每种类型物品个数是无限的）
3.算法：
第一步：将n种物品按照质量从小到大排序，相应的价值也要跟着质量数组m的变化而变化，保持对应关系。
第二步：按照如下算法进行
for(i = 0;i < n;++i)
{
for(j = m[i];j <= mk;++j){} dp[j] = max{ dp[j] , dp[j-m[i]] + v[i] };
}
最终执行完毕后，dp[mk]值即为包内放置mk质量的东西时能达到的最大价值的值！
4.特例：
当题目只给你质量而没有价值时，不放设价值和质量取相同值，转化为特殊的0-1背包问题，如上解问题。当题目只给你价值而没有质量时也不妨设质量和价值取相同值，同样用上述方法解决问题。
0-1模型论文 篇3
关键词 毕业论文指导 物流管理 工学结合
中图分类号：G424 文献标识码：A
0 引言
高职毕业论文是对学生掌握本专业基础理论、专业知识、基本技能的一次综合检验，是对学生运用所学理论、知识、技能开展科学研究、分析问题、解决问题的基本能力的一次全面考核。所以，做好高职毕业论文工作尤为重要。
“工学结合”是世界高等职业教育的成功经验，是高技能人才教育培养重要的科学发展观和可持续发展的必由之路。我院积极响应《教育部关于全面提高高等职业教育教学质量的若干意见》（教高[2006]16号文件），对2007级的物流管理专业的学生开始实行“2+1”的工学结合培养模式，“2+1”的“工学结合模式”，是学生在校学习的最后一个学年，进入专业相应对口的企业和单位参加生产实践，从而实现“工”和“学”的轮换。之后又根据专业特点对2010级的物流管理专业的学生开始实行“1+0.5+1+0.5” 的“四段递进、学训交互”人才培养模式。人才培养模式的创新缩短了学生的在校时间，增加去企业锻炼的时间，使学生在已经具备必备的理论知识和专业知识及一定的操作技能的基础上，通过去企业顶岗实习工作，提高适应工作岗位的职业能力和职业素质，有效和更好地完成高职人才培养目标。而这种缩短在校时间的培养模式却给高职毕业论文的管理和考评带来了很多问题。
1 毕业论文指导存在的问题
（1）毕业论文指导不充分。在工学结合的大背景下，缩短了学生的在校时间。无论是“2+1”还是“1+0.5+1+0.5”的工学结合模式都出现了学生的毕业论文写作时间与顶岗实习时间相重合的问题。而学生的实习单位分布范围比较广，而且学生的分布也非常分散，使得指导老师与学生很难有机会面对面地指導交流，师生互动少，教师催要论文繁琐，甚至出现了在学生答辩前指导教师才看到学生论文的情况，这直接导致了毕业论文指导难的问题。另外，虽然有一系列的毕业论文指导管理办法，但是由于学生分散，教师教务繁忙等客观因素，使得很多考评办法也流于形式。
（2）论文指导教师数量不足。物流管理教研室所属的专任专业教师人数较少，但每年都要承担90名左右的同学的毕业论文指导工作，人均指导学生达到了15人左右。在承担正常教学管理工作之外，还要负责这么多学生的论文指导，也影响了论文指导的效果。
（3）教师年轻化，实践经验不足。物流管理教研室的专业教师主要是年轻教师，虽然都是研究生学历，有较强的专业理论素养，但是普遍缺少企业一线工作实践经验。高职毕业论文跟普通高校本科学生的毕业论文相比，又有它的特殊性。高等职业教育为适应经济和社会发展需要，以就业为导向确定办学目标，走产、学、研结合的发展的道路，培养实践能力强、具有良好职业道德的高技能人才。因此，高职毕业论文更要突出它的实用性、实践性和创新性等特点。目前物流管理专业的师资情况要很好地完成这一目标还是比较困难。
（4）学生论文写作能力比较差。学生在校期间没有系统的论文写作方面的培训，对于论文的写作技巧、数字资源的合理使用等方面有所欠缺。很多学生的电子资源都是通过百度获得，对于学校图书馆里提供的中国知网等数字平台基本不会使用。在论文写作方面，很多学生还是停留在资料堆砌的层次上，通过各种资料的叠加来达到论文写作的文字数量要求，但对于整体结构、逻辑顺序、自主思考等方面做得比较欠缺，只有很少的一部分同学能提出自己的思考和见解。
（5）论文审核和考评相对较宽松。学生论文的审核主要是通过同事间相互评审，以及论文答辩的形式完成。面对这么大量的审核和考评工作，指导教师很少有精力做到认真细致地评审，最终也就导致了论文审核的时候相对比较宽松，再加上同事之间的相互间的个人关系也会导致最后审核会出现不客观因素。而论文答辩由于时间比较紧，学生比较多，答辩的时候每个学生的时间也不多，所以最后的考评也不够完善。
2 提高毕业论文指导质量的建议
（1）强化入学教育。现在的高校一般在入学的时候都会进行入学教育，主要是介绍所在专业，让学生了解所学专业，认可所学专业，对所学专业就行职业规划的介绍。但是对在校期间的学习方面的教育比较少，特别是对于如何获取毕业资格等方面介绍得不多。学生对于毕业论文缺少概念，很多都是听上一届的学生说的“小道消息”，容易使学生产生一些误解，比如说毕业论文很简单，毕业论文基本上都给过等等，使得学生从一开始就不够重视毕业论文写作，所以基本没有学生去注意这方面的资料和资源的积累。只有在入学的时候就介绍清楚了毕业的条件，介绍了如何去撰写毕业论文，才能从一开始就引起学生对毕业论文的重视。
（2） 加强毕业论文写作方法的指导。每个学期安排一次与毕业论文写作有关的讲座，从如何拟定题目、如何收集资料、如何架构文章体系等。把功夫用在平时，避免出现临近毕业顶岗实习的时候学生赶毕业论文，指导不充分的现象出现，也可以让学生能有充分的时间去准备毕业论文。
（3） 强化教学实习的功能。在学生二年级的时候有一个学期的教学实习，这段时间学生将离开教室，深入企业一线，去感受和体验物流行业，去接触和学习物流知识，去认识和结交企业基层管理人员和工作人员。这个过程也可以为学生的毕业论文撰写打下基础，通过这个过程，应该让学生去解读实习企业的物流运作情况，让学生去思考，去发现问题，为将来毕业论文撰写提供方向。另一方面，也要求学生能够与基层的工友，领导处理好人际关系，既可以锻炼交际能力又可以为将来论文撰写寻找企业指导老师，更加方便写作。
（4） 企业指导教师的参与。真正让企业的相关人员参与到学生毕业论文中来。一方面，邀请其对学生的毕业论文从选题到写作进行全面的指导，使学生的论文更具有现实意义。另一方面，让企业的相关人员参与最后的毕业论文答辩，从现实意义的角度去审核和考评学生的论文，进而提高学生的毕业论文质量。
3 结论
0-1模型论文 篇4
一、安全投资决策模型
1. 0 - 1 背包问题。0 - 1 背包问题[15]是一个典型的组合优化问题,已经广泛应用于预算控制、项目选择、投资决策等诸多领域。所谓0 - 1 背包问题,即给定m件物品和一个背包,第i ( i = 1,2,. . . ,m ) 件物品的体积为ci、价值为pi,背包的容量为C ,在保证容量允许的条件下,如何选择装入背包的物品使得装入背包内物品的总价值P最大?
2. 安全投资决策的0 - 1 背包问题模型。安全投资的效益是将安全资本配置在某一安全生产过程中,对降低事故损失和增加生产增值等产出的贡献度。当安全投资额度不能完全满足投资需求时,不同的投资组合导致系统安全效果差异较大[9]。于是,安全投资优化决策可以归结为如何将有限的安全投资合理分配到发挥最大安全效益的投资项目上的问题,其本质是一个组合优化问题。于是,可以得出安全投资决策问题与0 - 1 背包问题存在一一对应关系,其中各“分项安全投资额”对应“物品体积”,各“分项安全投资效益”对应“物品价值”,“安全投资总额”对应“物品总体积”,“安全投资总效益”对应“物品总价值”,如图1 所示。
基于此,借鉴0 - 1 背包问题数学模型,建立以下安全投资决策模型为:
式中,xi( i = 1,2,. . . ,m ) 为第i个安全投资决策变量,xi= 0 表示第i项未投资,xi= 1 表示第i项被投资; ci( i = 1,2,. . . ,m ) 为第i个分项安全投资额,pi( i = 1,2,. . . ,m ) 为第i个分项安全投资效益,C为安全投资总额,P( x) 为安全投资总效益。于是,安全投资决策向量为x = ( x1,x2,. . . ,xm) ,安全投资额向量为c = ( c1,c2,. . . ,cn) ,安全投资效益向量为p = ( p1,p2,. . . ,pn) 。
安全投资效益具有长期性、隐含性和滞后性,因此,在进行具体安全投资决策时很难得到量化标准值,但各分项安全投资指标的重要性程度是可以确定的。为此,本研究利用各分项安全投资指标的重要性程度,即权重值来近似代替安全投资效益向量中的每一项安全投资所能够产生的效益值。
3. 各分项安全投资指标权重确定。权重采用二元比较模糊决策分析法确定。二元比较模糊决策分析法以中国语言与思维习惯为基础,严格遵循一致性检验条件,适合处理无结构决策问题[16]。
令系统有待进行重要性比较的指标集{ q1,q2,…,qm} ,qi( i = 1,2,. . . ,m ) 为系统指标集中的指标,m为指标总数。
定义1[16]指标集中的元素qk与ql作二元比较,若( 1) qk比ql重要,则排序标度为ekl= 1,elk= 0;( 2) qk与ql同样重要,则ekl= 0. 5,elk= 0. 5; ( 3) ql比qk重要,则排序标度为ekl= 0,elk= 1; k = 1,2,. . . ,m ; l = 1,2,. . . ,m 。
于是,可以得到二元比较模糊决策分析法确定权重步骤为:
Step1 确定指标集二元比较重要性排序标度矩阵E = ( ekl)[16],该矩阵满足: ( 1) ekl仅在0、0. 5、1中取值; ( 2) ekl+ elk= 1; ( 3) ekk= ell= 0. 5。
Step2 根据规则[16],( 1) 若ehk> ehl,则ekl= 0;( 2) 若ehk< ehl,则ekl= 1; ( 3) 若ehk= ehl= 0. 5,则ekl= 0. 5; ( 4) 若ehk= ehl= 0 或ehk= ehl= 1,则ekl=1、0. 5、0对矩阵E进行排序一致性检验。
Step3 若矩阵E为排序一致性标度矩阵,则转Step4; 否则进行修正,转Step2。
Step4 对矩阵E各行求和,并记为Si( i = 1,2,. . . ,m ) 。
Step5 根据Si( i = 1,2,. . . ,m ) 值确定模糊语气算子,并结合“模糊语气算子与模糊标度、相对隶属度关系”表( 见表1) 确定各指标的相对隶属度,得到指标相对隶属度向量W' 。
Step6 对W' 进行归一化,得到指标权重向量W 。
二、决策模型求解的模拟退火算法设计
模拟退火算法[10]( Simulated Annealing Algorithm,简称SAA) 是求解组合优化问题模型的有效算法之一,其核心问题为冷却进度表的设计。冷却进度表包含初始温度( t0) 、终止温度( te) 、控制参数更新函数( T( t) ) 以及马尔可夫链长Lk,其合理的选取是算法应用的关键。文中模拟退火算法参数的选取是通过均匀试验设计来实现的[17]。由于模拟退火算法在计算过程中可以接受劣解,算法就不能保证整体最优解是整个计算过程中出现的历史最好解。为此,构造了具有精英保留策略的模拟退火算法( 见表1) 。
目标函数为:
于是,带有精英保留策略的SAA流程为:
Step1 确定t0,te,k = 1,随机产生一个初始可行解xa,令整体最优解x_opt = xa,计算P( xa) 。
Step2 tk=αtk-1,确定α,Lk,令l=1。
Step3 对当前最优解作随机扰动,产生一新的可行解xb。
Step3. 1 计算P( xb) ,并计算目标函数值的增量 Δ = P( xb) - P( xa) 。
Step3. 2 若 Δ > 0 ,则接受新解; 否则,若exp( - Δ / tk) > rand ,则接受新解。
Step3. 3 l = l + 1 ,若l < Lk,则转Step3; 否则转Step4。
Step4 若P( xa) > P( x_opt) ,则x_opt = xa,转Step5; 否则,直接转Step5。
Step5 若tk< te转Step6; 否则,转Step2。
Step6算法结束,输出x_opt。
三、实例验证及分析
为验证文中提出的新模型的可行性和有效性,以旅行社安全投资决策为例进行实例验证及分析。
1. 实例。旅行社以保障旅游安全为基础来协调旅行社各项生产经营管理活动的过程中,需要进行必要的安全投资。旅行社通过安全投资,可以识别早期旅游安全隐患、降低或防止旅游安全事故的发生,这一点已经成为众多旅行社业界人士的共识。综合对泉州市旅行社进行调研和访谈数据,旅行社安全投资主要包括个人安全防护用品用具、消防设施器材等12 项,依次记为x1~ x12,如表2 所示。
某旅行社某年各项安全投资( 单位: 元) 需求分别为500、500、200、500、500、1500、1000、500、1000、500、1000、1000,拟定本年度安全投资总额为6500元。于是,该旅行社将面临“如何规划各项安全投资,既满足安全投资总额的要求,又满足安全投资总效益最大化目标?”的问题,该问题可以归结为一个典型组合最优化问题,适合用安全投资决策的0 - 1背包问题模型进行表达,即
2. 模型求解。首先,利用二元比较模糊决策分析法确定各项安全投资权重,进而确定各项安全投资产生的效益向量。为利用二元比较法确定各项安全投资权重,需对表2 中所列12 个项目进行重要性排序,此处以旅行社高管对各项安全投资重要性认识为准进行重要性排序,如表2。于是,根据二元比较模糊决策分析法可具体确定各安全投资项目权重向量为W = ( 0. 0688,0. 0859,0. 0542,0. 0954,0. 0415,0. 1431,0. 1057,0. 0358,0. 1295,0. 1171,0. 0688,0. 0542) 。进而,根据前面安全投资决策的0 - 1 背包问题模型这一部分中的内容,可以确定安全投资效益向量为p = ( 0. 0688,0. 0859,0. 0542,0. 0954,0. 0415,0. 1431,0. 1057,0. 0358,0. 1295,0. 1171,0. 0688,0. 0542) 。
然后,利用带有精英保留策略的模拟退火算法对优化模型( 3) 进行求解,确定该旅行社安全投资决策方案。冷却进度表参数设定[17]: t0= 100,te=0. 01,α = 0. 99,Lk= 25。利用带有精英保留策略的模拟退火算法对决策模型进行求解,得到最优解为x_opt = ( 1,1,1,1,1,1,1,0,1,1,0,0) ,对应最优安全投资额向量为c_opt = ( 500,500,200,500,500,1500,1000,0,1000,500,0,0) 、最优安全投资总效益为P_opt = 0. 8412,最优安全投资总额为C_opt =6200 元,最优解迭代曲线如图2 所示。
3. 结果分析。由上述中所得优化求解结果可知,该旅行社最优安全投资方案为( 1,1,1,1,1,1,1,0,1,1,0,0) ,即将有限的安全投资投在个人安全防护用品、用具,消防设施、器材,安全教育培训费用,安全标志、标语等标牌费用,安全评优费用,与安全隐患治理有关的支出,季节性安全费用,事故应急救援器材、物资、设备投入及维护保养和事故应急救援演练费用,安全保证体系、安全评价及检验检测支出等9 个项目上,最优安全投资总效益为0. 8412,最优安全投资总额为6200 元,这与拟定6500 元的总投资额相差300 元,而所余300 元不能满足第8项、11 项及12 项安全投资分项投资需求。这说明,安全投资决策的0 - 1 背包问题模型,可以使有限的安全投资得到合理分配,而且还可以实现安全投资效益最大化的目标。因此,本文所提出的基于0 - 1背包问题的安全投资决策模型具有较好的可行性和有效性,能够为旅行社等相关企业在进行安全投资决策方面提供较为科学合理的决策参考方案。
四、结束语
将安全投资决策问题与0 - 1 背包问题进行有机结合,提出了一种新的安全投资决策模型,利用带有精英保留策略的模拟退火算法进行新模型的求解设计,并以旅行社安全投资决策问题为例对上述模型与方法进行可行性、有效性验证,为各类企业进行安全投资决策提供了一种切实可行的解决思路和有效途径,丰富和发展了安全投资决策模型与理论。
摘要：安全投资是企业生产经营活动得以有序进行的前提和基础,也是企业管理者在追求经济利益最大化过程中最容易忽视的企业投入部分。文章在分析安全投资问题的基础上,借鉴0-1背包问题的思路,建立了一种新的安全投资决策模型:该模型用每一个安全投资项目表示决策变量,用每一个安全投资项目的投资数目表示重量,用每一个安全投资项目的权重值表示价值。最后,以某旅行社安全投资为例,利用模拟退火算法对新模型进行求解,结果表明,所建立的新模型是可行和有效的,这为企业进行安全投资决策提供了一种新途径。
0－1岁宝宝饮食 篇5
Case宝宝喝配方奶，每顿按照配方奶说明书上的量给宝宝喂奶，可体重为什么还是偏重不少，可不想宝宝变成“米其林”宝宝。
有些配方奶说明书上的每顿参考奶量偏高，可以按照100～150毫升/每公斤体重参考总量给宝宝分顿喂奶。
体重比标准体重高的宝宝，每顿奶量要适当减少，在100～120毫升左右，但低体重的`人工喂养的宝宝则要提高每顿的奶量，可以每顿增加到150毫升。
每天奶的总量不要超过1000毫升，也不要喂太勤了，3～4小时喂一次就可以了，奶粉也不要冲太浓。蛋白质摄入过多，不仅会让宝宝变成像“米其林”一样的肥胖宝宝，还会引起便秘、上火、消化不良，并且加重宝宝肾脏的负担呢。
已经习惯每顿喝很多奶、不喝到那个量就要哭吵的宝宝，可以在喂奶前喂20～30毫升的水，让他先有些饱腹感。
母乳喂养的间隔时间
Q宝宝快2月龄，是纯母乳喂养，是不是一哭就要喂奶呢，一天要喂10多次实在吃不消。
0~1岁 充满自信的怀抱 篇6
其实,对于任何一个小婴儿来说,总用一种姿势抱着他都会让他厌烦,而且夏天还容易出痱子。因此,要争取将下面的几种技巧都学会、练熟,时不时地更换着用,才会使小家伙感觉更舒适,也能让他的视野更开阔。
摇篮式
抱法弯曲两臂成45°,把孩子的头放置在一只胳膊的大臂上,用两只前臂支撑孩子的整个身体。这是一种非常稳固的抱法,孩子会觉得这样很安全,而且还会很开心,因为他能看见你的脸。
坐式抱法
具体的做法是:当你站立时,让孩子背朝你依附在你的肚子上,用一只胳膊屈起做他的“椅子”,另一只胳膊从他的肚子上绕过去,再从他的胳膊下穿过,然后就可以搂紧了。用这种方式可以让小婴儿看到任何他想看的东西,当他厌烦了发脾气时也可以很快地转移他的注意力。
肩式抱法
这种抱法可以在他吃完奶后帮他拍拍背,让他打嗝。具体的抱法是:将孩子竖起,让他的肚子靠在你的胸脯上,将他的头自然地放置在你的肩膀上,用另一只手支撑他的脖子,但要注意让他的头可以自由地转动。
如果你还是觉得除了摇篮式等传统抱法,对其他的抱法都没有把握,那么也可以选择一些安全背带来帮忙,大部分的安全背带都可以用3种以上的方式背抱婴儿,是新妈妈或新爸爸不错的帮手。
舒适纯棉背带
外料为精梭纯棉用布,非常抗拉,里料为全棉布,透气性好。特别设计,能确保婴儿脊椎的正常成长。可爱的护头帽可在宝宝睡觉时护盖宝宝的头部。质量上乘的插扣耐用安全。肩带插扣采用新型强力塑钢材质,拉力超强。
淘宝网参考价:60.00元
minizone X型婴儿背带
100%纯棉细珠帆布材质,结实又可机洗。适合4～30个月的宝宝,背带伸缩的调节范围很大,即使是胸围120厘米、体重100千克左右的爸爸也可以使用。携带方便,洗涤简便,使用也很简单。专门配备一个小袋子,用来放折叠后的背带。
淘宝网参考价:36.00元
贝比卡尔背带
全围式护头垫,可保护宝宝的头部。软垫设计,横抱时给宝宝的腰间部分格外呵护。单触式背扣、安全扣环和边扣,操作简单又安全,可轻松背起和放下宝宝。
淘宝网参考价:55.00元
贝尔兰背巾
面料加入了3%氨纶,使孩子在背巾里更加舒适,活动的空间也大大增加。背巾的2个环可随时依照背者及宝宝的身材作调整,一条背巾家里所有的人都可以使用。宽幅肩带设计,不会闷热,更能让宝宝的重量均匀地分散到整个肩膀及背部。
淘宝网参考价:118.00元
康贝skv-sk415
秒即可完成背抱,即使是新手妈妈也能轻松使用。安全设计,可放心带婴儿外出。体积超小,折叠后无论是妈妈的背包还是童车的置物篮里都可收纳。有4种背法,适合刚出生的婴儿到30个月左右的宝宝。
淘宝网参考价:475.00元
阿普丽佳背带
柔软避震的坐垫,背抱宝宝时让孩子的髋部和双脚保持最自然的状态,不易感觉疲劳,并可有效防止髋关节脱臼。可调整长度的腰带能提供宝定腹部及臀部温柔的包裹,并可有效避免压迫妈妈的腹部。
淘宝网参考价:380.00元
韩国高级婴儿背带
肩带和腰带插扣是高强度的品牌精密扣具,专门用于世界知名登山背包等,经久耐用,安全性高。使用简便,单手可操作。符合人体工学的肩带和托腰带,舒适省力。配有护头垫,可很好地保护婴儿的头颈部。
淘宝网参考价:388.00元
0-1模型论文 篇7
研究物流配送中心选址的方法较多,大致可以分为定性和定量两类方法。定性方法主要是结合AHP(层次分析法)和模糊综合评价法对各方案进行指标评价,找出最优选址。定量方法主要有重心法、运输规划法、Cluster法与CFLP法、Baumol-Wolfe法、遗传算法和0-1混合整数规划法等。
Lingo是美国LINDO系统公司开发的一套专门用于求解最优化问题的软包。主要用于求解线性规划问题、二次规划问题、非线性问题和一些线性和非线性方程的求解。Lingo优化软件的最大特色在于可以允许优化模型中决策变量为整数(支持整数规划),而且快捷、准确。同时Lingo还是最优化问题的一种建模语言,其程序使用自己的专用语言编写,普通人难以看懂,为此Lingo又提供其他文件(如文本文档、Excel电子表格、数据库文件等)的接口,易于方便地输入、求解和分析大规模的优化问题。因此Lingo在数学、科研和工业界得到广泛应用。
2 物流配送中心选址模型
2.1 0-1混合整数规划法
0-1混合整数规划法的主要优点是它能够把固定成本以最优的方式考虑进去,它是商业选址模型中最受欢迎的方法。用0-1混合整数规划来解决选址模型时,目标是使各种成本费用的总和最小,而用整数变量表示各种选择,用连续变量表示工厂的生产能力、各种资源的分配等,用约束表示物流平衡关系和供需关系等。其主要思想是将每一个备选配送中心(RDC)分别纳入目标函数中看各自对目标函数的影响程度,最后决定是否需要该RDC。
2.2 模型描述
假设有J个(备选)配送中心可从I个工厂中进货,同时又必须给K个客户提供配送服务,于是商品的供需关系和流动情况将形成了一个完整的物流配送网络结构。工厂和客户的数量和位置是固定的,从J个备选RDC中选出j个RDC,并求出工厂和配送中心、配送中心与客户的供需关系,使总费用最。如图1所示。
2.3假设条件
企业物流配送中心选址问题是在给定某一地区所有备选点的地址集合中选出一定数目的地址建立配送中心,从而建立一系列的配送区域,以实现选出点建立的配送中心与各需求点和工厂(供货点)形成的配送系统总物流费用最小。为了便于建立数学模型,作如下假设:
(1)由工厂到配送中心、由配送中心到客户的单位运输价格和运距均已知。
(2)各工厂的总生产能力已知;
(3)配送中心的容量及个数有限制;
(4)各客户的需求量己知;
(5)配送中心的固定费用、单位管理费用为已知常数。
2.4 费用构成和变量规范
由于配送中心选址中包括多种费用,所涉及的变量不下十个,在配送中心选址模型中说法太多,且很乱,于是下面将对各种费用和所涉及到得变量做以科学的规范:
(1)费用界定
将与配送中心选址有关的物流环节细分为进货运输、存货仓储、送货配送三个环节,于是费用也就考虑以下三种:从工厂到配送中心的进货运输费用,简称运输费用(Transportation costs)、从配送中心到客户的送货配送费用,简称配送费用(Distribution costs)和货物流经配送中心时的仓储费用,其中仓储费用又包括新建配送中心的固定投资费用(Warehouse fixed costs)和保管暂存货物可变仓储费用(Variable warehousing costs)。即总费用主要包括运输费用、仓储费用、配送费用三部分。
(2)规范变量
T:运输费用;D:配送费用;W:仓储费用;Pij:备选区域配送中心Wj向工厂Fi的单位进货费用;Xij:备选区域配送中心Wj向工厂Fi进货数量;Mij:备选区域配送中心Wj到工厂Fi的运距;Qij:备选区域配送中心Wj到客户区Rk单位配送费用;Yij:备选区域配送中心Wj到客户区Rk送货数量;Nj k:备选区域配送中心Wj到客户区Rk的运距;Hj:备选区域配送中心Wj单位库存成本;Sj:新建配送中心Wj需要投资的固定费用;Zj:0-1变量,1表示开设配送中心Wj;Aj:是工厂Fi的供应总量;Bj:配送中心Wj的仓储容量;Ck:是客户区Rk的需求量。
2.5 建立模型
通过以上对配送中心选址问题的研究,我们结合0-1整数规划建立如下的模型。
(1)目标函数:
总费用=T+D+W;
运输费用:T=Pij×Xij×Uij×Zj;
配送费用:D=Qjk×Yjk×Vj K×Zj;
仓储费用:W=Wi×Wk=HjXijZj+SjZj,即:总费用=PijXijUijZj+HjXijZj+SjZj+QjkYjkVjkZj
由上式可得目标函数如下:
(2)约束条件:
各工厂(Fi)调出的物资总量不应大于其生产、供应能力
各配送中心(Wj),其进货量不应大于器仓储能力。
各经销商(RK)调运进来的物资总量不应小于其需求总量。
对于每一区域配送中心(Wj)由于其既不能成产也不能消耗物资,因此每个区域配送中心调出的物资总量等于调入的物资总量。
经过优化后有些被选区域配送中心可能被选中,有些被淘汰,被淘汰的配送中心经过其中转的物资总量为零。
当Zj=1时备选配送中心Wj被选中,当Zj=0时备选配送中心Wj未被选中,式中的G是一个相当大的正数。由于Xij是物资调运量是一个非负数,故当Zj=0时,Xij=0表示配送中心Wj未被选中,当Zj=1时,由于GZj为一个相当大的正数,所以Xij为一个有限值,表示Wj。
3 物流配送中心选址实例
3.1 邯运集团物流网络现状
邯运集团的物流网络主要集中在河北省内,其中物资供应地主要有石家庄、沧州、邯郸、唐山、天津、衡水、北京7处;而他要负责给邯郸、唐山、石家庄、邢台、张家口、沧州、保定、秦皇岛、廊坊、衡水、承德11个分销商供货,在整个物流网络中有条件建立配送中心的地区有石家庄、北京、沧州、天津4处。
上述问题可简化为,有7个工厂(F1,F2,…F7)对11个分销商或客户(R1,R2,…,R11)进行供货,其间有4个地区(W1,W2,W3,W4)可设配送中心,数据见表1-5。
备注:由于邯运集团在河北省内的物流网络运距较短,且邯运一般使用一种运输工具(公路运输),所以在本方案中使用相同的运价。
3.2 编写Lingo程序
3.3 程序运行
3.4 结果表达
从优化结果中可以看出W1、W2和W3(石家庄、沧州和北京)被选中,于是在W1、W2和W3地区修建配送中心,物资在工厂和配送中心之间的运输关系为:配送中心W1从工厂F1、F3、F4、F6和F7进货,配送中心W2从工厂F2、F5和F7出进货,配送中心W3从工厂F5进货;物资在配送中心和客户之间的配送关系为:客户R1、R3和R4由配送中心W1来负责配送物资,客户R7、R10和R11由配送中心W2来负责配送物资,客户R5、R8、R9和R11由配送中心W3来负责配送物资,如图2所示:
4 结束语
0-1混合整数规划法,由于其处理数据是在整数中进行,运算结果更加符合现实情况,因此0-1混合整数规划法被广泛运用于RDC选址模型中,但有其现实情况中备选RDC的数目较大,不同地区的运输、配送、仓储费用又有较大的差别,这将使模型变的十分的复杂,我们无法再用传统的运筹学方法去解决问题,于是我们引入LINGO编程的方法,使配送中心选址问题得到了快速、精确、科学的解决。将0-1混合整数规划法和LINGO结合的方法可以堪称是十分的完美,但优化结果普通人难以看懂,如果我们再将最后导入VB中,使其结果图像化,那时此种方法将到达完美无缺的地步,成为一种大众化的优化方法。
摘要：目前现有的将LINGO语言和O-1整数规划模型结合解决物流配送中心选址的理论较多,但不完善,主要表现在建模时对费用的考虑不全面、编程时所使用的变量不统一和求解时使用的是算例,数据真实性不高。针对以上问题,论文对LINGO语言与0-1混合整数规划选址模型进行再结合。首先把与配送相关的物流活动分为进货、仓储和送货三大物流环节,由此将配送中心选址中所涉及到的费用分为进货运输费用、仓储费用和送货配送费用;其次对建模所涉及到变量进行科学的规范,并成功建立O-1整数规划模型;最后以邯郸交通运输集团物流配送中心选址为实例,运用所建立的0-1混合整数规划模型,编写相应的LINGO求解程序,通过运行得出邯运集团在石家庄、北京、邯郸建立配送中心此时费用最少,最终到达LINGO语言与0-1混合整数规划选址模型的完美结合。
关键词：配送中心选址,0-1混合整数规划,Lingo
参考文献
[1]谢金星,薛毅.优化建模与LINDO/DINGO软件[M].北京:清华大学出版社,2005.7.
[2]魏光兴.物流配送中心选址综述[J].物流与交通,2007,(2).
[3]徐国松.LINGO软件在运输问题中的应用[J].科技创新导报,2008,NO.3
0-1模型论文 篇8
一、0-1整数规划模型
0-1整数规划模型———万加特纳优化选择模型以净现值最大为目标函数。在该目标函数及一定的约束条件下, 力图寻求某一项目组合方案, 使其净现值比其他任何可能的组合方案的净现值都大。
该模型将影响项目方案相关性的各种因素以约束方程的形式表达出来, 这些因素有六类:
1. 资金、人力、物力等资源可用量限制
2. 方案之间的互斥性
3. 方案之间的依存关系
4. 方案之间的紧密互补关系
5. 方案之间的非紧密互补性
6. 方案的不可分性
模型的目标函数:所选方案的净现值最大, 即
其中, j—项目方案序号, Xj—决策变量,
二、有关R语言程序
混合方案简化为数学语言如下:
利用Rglpk包可求解 (I) 形式的整数规划或0—1整数规划———万加特纳优化选择模型
其中, obj为 (I) 中的向量C, mat为 (I) 中的矩阵A, dir为矩阵A右边的符号, rhs为 (I) 中的向量b, types为变量类型, 可选“B”、“I”, 分别表示为0-1整数变量和正整数, 默认为正整数。当max为TRUE时, 求目标函数的最大值, 当max为FALSE时, 求目标函数的最小值。Bounds为X的额外约束。Verbose为是否输出中间过程的控制参数, 默认为FALSE。
三、实例分析
例1:现有A, B, C, D四个项目, 每个项目仅有一个项目方案, 其净现金流量如下表所示, 当全部投资的限额为2400万元时, 应当如何根据经济效益最佳原则进行决策 (基准折现率为12%) 。
单位:万元
如果按照传统的做法, 需先列出由这四个项目所组成的15个互斥项目群方案, 然后逐一检查各组合方案投资总额是否在允许的范围之内, 再对不超出规定总额的方案逐一计算净现值, 并按净现值最大化原则选择组合方案。一般来说这样处理很繁琐, 也很费时间, 容易出错。
如果我们把此类问题抽象为0-1整数数学规划模型, 利用Rglpk包处理则比较简单、容易得多。
根据所给条件, 目标函数即
即
条件:800XA+1000XB+100XC+1500XD≤2400万元XA, XB, XC, XD均为0-1决策变量
R代码如下:
运行结果如下:
结果分析:
输出结果中, $optimum为目标函数的最大值, 即为NPV=299万元;$solution表示决策变量的最优解, XA, XB, XC, XD的最优解分别为1, 0, 0, 1;$status为0, 表示最优解已经找到。
参考文献
[1]陈立文, 陈敬武.技术经济学概论[M].北京:机械工业出版社, 2009.
[2]汤银才.R语言与统计分析[M].北京:高等教育出版社, 2008.
基于贪心算法的0-1背包问题 篇9
关键词：0-1背包,贪心算法,动态规划
1 算法设计与分析是一门集应用性、创造性、实践性为一体的综合性极强的课程[1,2]
一个高效的程序不仅需要“编程技巧”,更需要合理的数据组织和清晰高效的算法。当一个问题具有最优子结构时,根据其具体情况可以用动态规划算法或者贪心算法来求解,但是问题同时具有贪心选择性质时,选择贪心算法更优,贪心算法通常会给出一个简单、直观和高效的解法[3]。
贪心算法(又称贪婪算法)是指,在对问题求解时,总是做出在当前看来是最好的选择。也就是说,不从整体最优上加以考虑,它所做出的仅是在某种意义上的局部最优解。贪心算法并不是对所有问题都能得到整体最优解,但对范围相当广泛的许多问题它能产生整体最优解或者是整体最优解的近似解。
作为一种算法设计技术,贪心法是一种简单的方法。与动态规划法一样,贪心法也经常用于解决最优化问题。不过与动态规划法不同的是,贪心法在解决问题的策略上是仅根据当前已有的信息做出选择,而且一旦做出了选择,不管将来有什么结果,这个选择都不会改变。这种局部最优选择并不能保证总能获得全局最优解,但是通常能得到较好的近似最优解。例如,平时购物找钱时,为使找回的零钱的硬币数量最少,从最大面值的币种开始,按递减的顺考虑各币种,先尽量用大面值的币种,当不足大面值币种的金额时才去考虑下一种较小的面值的币种。这就是在采用贪心算法。这种方法在这里总是最优,因为银行对其发行的硬币种类和硬币面值的巧妙安排。如果只有面值分别为1,5,和11单位的硬币,而希望找回总额为15单位的硬币,按贪心算法,应找1个11单位面值的硬币和4个1单位面值的硬币,共找回5个硬币,但是最优的解答应是3个5单位面值的硬币。
1.1 贪心算法解题思路
贪心算法[4]是经常用到的一种解题方法,往往在解决最优问题时都可以用贪心算法求解。其解题思路为:
1)建立数学模型来描述问题。
2)把求解的问题分成若干子问题。
3)对每一对问题求解,得到子问题的局部最优解。
4)把子问题的解局部最优解合成原来解问题的一个解。
实现该算法的过程:
从问题的某一初始解出发;
while能朝给定总目标前进do
求出可行解的一个元素;
由所有解元素组合成问题的一个可行解。
虽然贪心算法有时并不能得到最优解,但是经过证明贪心算法能提高问题的解决效率。
2 0-1背包问题
0_1背包问题[5,6,7]是指给定n件物品和一个背包,物品的重量为wi,其价值为ci,背包的容量为W,求从这n件物品中选取一部分物品且对每件物品,要么选,要么不选,要求满足被放入背包的物品重量不超过背包的容量。所有物品的重量之和小于背包的容量。如果所有物品的重量之和小于背包的容量,显然此时的利益为所有物品的价值之和,但实际问题一般是背包的容量小于物品的重量和,这就要求选取适当的背包放入使得利益最大化且物品的总重量不超过背包容量。可以把某个物品装入或者不装入,拥xi表示第i个物品,此时xi=0或xi=1;也可以只装入某个物品的一部分,此时0<=xi<=1。
假设现在有6个物品,n=6,W=90,表1给出了物品的重量,价值和单位重量的价值。
为了得到最优解,必须把背包的容量装到最大值,即W=90,用贪心策略求解此问题,首先选择一个度量的标准,即在每次选择的时候按照什么样的标准来选择。经过分析,此问题可分别按照最大价值、最小重量,单位重量价值最大的标准。分析如下:
1)按照最大价值优先放的度量标准
即每次在剩余的科选物品中首先选择价值对大的,即首先选择物品3,重量为40,小于背包的总容量,按照此种策略,依次再放物品1和2,最后背包的总容量是40+10+30=80,总价值为60+50+45=155。在剩余的物品中物品6的价值最大,但是其容量为20,大于10,所以不能放入。对应的解空间为{1,1,1,0,0,0}。
2)按照最小重量优先放的标准
即每次在剩余的可选物品中首先选择重量最小的物品,依次选择。即先选择物品1,重量为10,小于背包的总容量90,依次选择物品5、4、6、2,选择物品的总重量为10+10+20+20+30=90,总价值为50+30+20+40+45=185,对应的解空间为{1,1,0,1,1,1}。经过对比,按照最小重量的标准选择物品所得到的价值总量比按照最大价值的标准来选择物品所得到的价值总量要大。即重量标准优于价值标准。
3)按照最大单位价值优先放的标准
即每次在剩余的可选物品中首先选择单位价值最大的物品,依次选择。经过分析,依次选择物品的顺序为1、5、6、2,此时背包的容量为10+10+20+30=70,不足背包的总容量90,还可以放物品3的一半,总重量达到90,此时背包的总价值量为50+30+40+45+30=195,经过比较,此种方法最优。
所以0-1背包问题的选择策略,按照最大单位价值优先选择物品,依次贪心的选择在可选的物品中单位价值最大的物品。为了解决问题,首先对n个物品按照单位价值量排序,然后对排序以后的物品按照单位价值量最大的原则优先选择。算法如下:
3 结论
通过分析,贪心算法解决问题效率高,时间复杂度低,有些问题用贪心算法来求解时间复杂度是线性的,同时,这种算法符合人们的常规思维方式,而被广泛应用与推广。在实际应用中比如活动选择问题,多机调度问题都可以用此算法求解。但是如果不能每次放入物品的一部分,而必须是完整的物体,那么用贪心算法就得不到问题的最优解,此时可考虑用动态规划算法。动态规划算法[8]依据动态规划最优化准则,“作为整个过程的最优策略具有这样的性质:无论过去的状态和决策如何,对前面的决策所形成的状态而言,余下的诸决策必须构成最优策略”.也就是说,不论前面的状态和策略如何,以后的最优策略只取决于由最初策略所决定的当前状态,最优决策序列中的任何子序列都是最优的动态规划算法基本思想是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。适合于动态规划算法求解的问题,经分解得到的子问题往往不是独立的。用一个表来记录所有已解决的子问题的答案。不管子该子问题以后是否用到,只要它被计算过,就将其结果填入表中,这就是动态规划法的基本思路。
参考文献
[1]吴哲辉,崔焕庆.算法设计[M].北京:机械工业出版社,2008.
[2]王素立,白首华.算法分析与设计教学方法[J].湘潭师范学院学报,2005(9).
[3]王晓东.计算机算法设计与分析[M].3版.北京:电子工业出版社,2007.
[4]肖衡.浅析贪心算法[J].办公自动化,2009(18).
[5]黄娟.0-1背包问题的遗传算法求解及其改进[J].河西学院学报,2010,26(2).
[6]黄波,蔡之华.0-1背包问题及其解法研究[J].电脑知识与技术,2007(7).
[7]李艳秋,李成城.基于动态规划算法单字估价值的中文自动分词研究[J].内蒙古师范大学学报,2010,39(2).
0-1模型论文 篇10
1 一般资料
0-1周岁分为新生儿期、婴儿期。新生儿期指自娩出子宫腔后脐带结扎时起至出生后28天内;婴儿期又称乳儿期, 指出生后第28天至满1周岁, 江西省永新县某医院2012年1月至2012年6月共收足月妊娠产妇800例, 其中600例城镇居民, 把600例列入母乳喂养、生长发育、智力开发、预防接种、疾病筛查为指导对象, 并留有地址、联系方式, 以便随访。
2 方法
2.1 母乳喂养
产后半小时内让婴儿吸吮妈妈乳房, 剖宫产等麻醉清醒后半小时内吸吮乳房, 教给妈妈正确哺乳姿势, 含接姿势, 指导哺乳, 每2-3h一次, 每天至少吸吮8-10次, 按需哺乳。吸空一侧后再吸另一侧, 以防乳汁瘀积, 如果遇到乳房胀痛, 则需要行湿热敷。同时对于婴儿含接和乳房护理问题应注意乳房卫生, 以防乳头皲裂, 防止乳腺炎的发生。
母乳目前来讲是一种非常适宜婴儿消化功能、易消化吸收、且不易发生过敏、上火的婴儿食物, 婴儿可从母乳中获得抵抗疾病的抗体Ig G ( (英文全称为immunoglobulin G) , Ig G是一组具有特殊的化学结构和免疫功能的球蛋白, 存在于体液内和淋巴细胞表面, 是抗体的物质基础, 它对防止新生儿出生数周内的感染起很大作用。, 所以我们一定要坚持母乳喂养。对于婴儿来说, 纯母乳喂养至4-6个月需开始添加辅食, 辅食添加的原则是从稀到稠, 从流汁-半流质-固体, 从一种到多种, 当婴儿习惯一种食物后再添加另一种, 如6-7个月的婴儿可以添加乳类、粥、奶糕、蛋黄泥、菜泥、水果泥等;7-9个月婴儿可以添加乳类、米粉、烂面条、菜泥、肝泥、肉末、豆付、水果片、饼干、鱼泥、馒头等;10-12个月可以添加全蛋软饭、面条、馒头、碎菜、小块肉类、豆制品、饺子、水果, 以保证婴儿多方面的营养来源和营养需求, 以此促进婴儿的生长发育。
2.2 生长发育、智力开发
婴儿大脑发育尚未完善, 临床上我们鼓励和建议家长不要定时地对婴儿把屎把尿, 过多地干预对婴儿是对婴儿发育过程中的不良剌激, 在干预婴儿的过程中可能会影响到婴儿的膀胱功能及过多增加其腹压。临床经验表明4个月以下的婴儿颖让其多看、多听、多抚摸、多活动;4-6个月让孩子抓和玩一些颜色鲜艳的东西, 如塑料球、积木、训练翻身;6-12个月给孩子一些干净的塑料瓶盆、擀面杖等去抓, 敲、扔、训练爬行、捏小物品、训练手指的灵活性, 在此过程中, 一定要注意婴儿的安全, 在孩子不会说话的时候用清晰正确的语言与孩子交流引导发音。同时, 要注意婴儿的健康体检时间, 婴儿健康体检于3个月、6个月、9个月、1周岁各一次, 在此期间应尽量做到一次不差, 以在不同的阶段跟踪婴儿的发育状况, 如有异常, 能够做到及时采取措施, 防范于未然。
2.3 预防接种、疾病筛查
预防接种:卡介苗BCG vaccine (预防结核病、初出生初种、7岁-12岁各加强一次、第一次接种后3个月OT试验阴性者补种) ;乙肝疫苗hepatitis B vaccine (预防乙型肝炎, 初出生、1、6月各接种一次, 3岁加强一次) ;小儿麻痹糖丸疫苗 (预防小儿麻痹症, 2、4个月服三价混合疫苗各一次、4岁加强一次) ;百白破三联疫苗 (预防白喉、百日咳、破伤风, 3、4、5月各接种一次, 1岁半至2岁加强一次, 7岁白破疫苗加强一次) ;麻疹疫苗Measles Vaccine (预防麻疹、8个月初种、7岁加强一次) 。
疾病筛查:新生儿先天性甲状腺功能减低症、先天性甲状腺功能减低症、苯丙酮尿症等新生儿遗传性疾病和听力障碍, 苯丙酮尿症可造成严重的小儿体格生长迟缓、智能发育落后, 如能得到及时诊断和治疗大多数体格发育和智能发育能够达到正常水平。检查方法:宝宝出生72小时至1周内采血筛查先天性甲状腺功能减低症、苯丙酮尿症;宝宝出生后2-5天进行听力障碍的筛查, 能及时发现经过干预后, 使患儿聋而不哑。
3 结果
江西省永新县某医院发现一例先天性甲状腺功能减低症患儿, 经及时治疗, 现小儿15个月。健康检查:体格发育、智能发育正常;同时前文提到的江西省永新某医院600例孩子母乳喂养时间至12个月, 其好处是增加母婴感情, 有利于母亲健康, 延长生育间期, 经济卫生方便, 599名婴儿均为健康儿, 健康率达99.83%。S
摘要：小儿期的喂养关系到婴儿从出生开始的发育关键期, 具有十分重要的意义, 文章对小儿期的喂养的方法, 母乳喂养、护理进行了介绍, 并对小儿期的生长发育、疫苗接种、疾病筛查等进行了详细阐述, 同时结合临床实际进行了分析并提出处理建议。
关键词：小儿期,母乳喂养,预防接种,辅食添加,疾病筛查
参考文献
[1]乐杰.妇产科学[M].6版.北京人民卫生出版社.
[2]王慕逖.儿科学[M].5版.北京人民卫生出版社.
夜里还要喝奶 0～1岁 篇11
新生宝宝，理所应当喝夜奶新生宝宝的吸吮能力较弱，胃容量也小，需要少量多次喂养才能满足他的营养需求，因此，新生宝宝必须频繁喂养，夜间也至少每3个小时喂一次。另外，为了达到纯母乳喂养，更需要宝宝经常、频繁地吸吮，以促进母乳分泌。
最新研究发现，新生宝宝频繁喝奶看似干扰了妈妈的休息，但宝宝的频繁吸吮可以刺激母亲泌乳素的分泌，反而可以起到让妈妈放松和催眠的作用，这时应该鼓励喂夜奶。
满月后，逐渐减少夜奶次数
宝宝满月后，随着母乳喂养的成功以及宝宝吸吮能力的增强，每次喂养量也增加了，喂养次数会逐渐减少。这时，很多妈妈已能掌握宝宝的喂养时间，可以逐步过渡到按时喂养，一方面为宝宝以后添加辅食做好准备，另一方面也可以考虑逐渐减少夜间的喂养次数。宝宝4个月左右时，夜间喂养的间隔就可以延长到4～5小时或更长。
再往后，随着添加辅食，宝宝白天的进食量更多，同时宝宝的睡眠规律也逐渐形成，此时夜间喂养可以进一步减少。6个月时，宝宝就可以连续睡上6～7小时，而1岁以后就没必要再喂夜奶了。
当他迟迟不能断夜奶
如果宝宝迟迟不能断夜奶，父母需要从喂养的理念上找原因。有的父母担心宝宝没吃够，希望通过夜奶来增加宝宝的奶量;也有的父母担心宝宝没睡足，抱着哄宝宝入睡。事实上，正是这些过度的担心干扰了宝宝正常的睡眠和饮食节律，从而造成宝宝难断夜奶。这些宝宝往往需要吸着奶头或奶嘴才能入睡，晚上睡觉也不太安稳，每睡上一两个小时就会翻身、哭闹，这时父母为了让宝宝快点儿入睡，就会给他喂奶。
应对迟迟不能断夜奶的宝宝，要从培养宝宝自己入睡的习惯开始。
3个月后，宝宝白天大约小睡两三次，每次半个小时至1个小时就够了。
晚上要减少对宝宝的干扰，尽量延长夜间喂奶的间隔。
少数宝宝本来睡得还可以，但到四五个月后喝夜奶的次数反而增加了，这时需要考虑添加辅食，增加宝宝白天的进食量。
0-1模型论文 篇12
0-1背包问题是一个典型的组合优化难题, 有着广泛的实际应用背景, 许多优化问题都可以通过一系列背包问题子问题来解决。随着问题规模的增长, 求解背包问题的时间复杂性增长非常快, 从计算复杂性理论来看, 背包问题是个NP完全问题, 在最坏的情况下的时间复杂性为O (2n) 。贪婪算法、遗传算法[1]、蚂蚁算法[2,3]等, 是该问题的求解方法所采用的主要启发式算法, 因此设计新的高效算法来求解背包问题具有重要的实际意义。
人工蜂群算法[4]是一种基于群体智能的随机优化算法, 它是Karaboga于2005年提出的。蜜蜂根据各自的分工进行不同的活动, 人工蜂群算法比遗传算法、粒子群算法具有更好的优化性能。实现蜂群信息的共享和交流, 从而找到问题的最优解。由于人工蜂群算法目前未能有效解决离散及组合优化问题, 所以只能用于求解连续空间的优化问题, 这已成为限制其发展的瓶颈问题。
针对0-1背包问题的特点, 对人工蜂群算法的运算规则进行重新定义, 利用启发式信息, 使算法既具有人工蜂群算法的整体优化特性, 同时在算法中加入贪婪算法这个很有效的局部搜索方法, 又加快了算法的收敛速度。
通过对0-1背包问题测试算例的仿真实验和与其它算法的比较, 表明了本文算法在迭代相同次数的情况下更容易找到最优解, 体现了算法的可行性和高效性。为我们将人工蜂群算法应用到离散问题, 特别是组合优化问题具有一定的启发性, 也为进一步深入研究奠定了基础。
1 0-1背包问题的描述
0-1背包问题的一般提法为:已知n个重量和价值分别为wj>0和cj>0 (j=1, 2…n) 的物品, 背包的容量假设为C>0, 如何选择哪些物品装入背包可使在背包的容量限制之内所装物品的价值最大。引入变量xj, 当物品j被选择装入时, xj=1, 否则, xj=0。则该问题的数学模型为:
2 人工蜂群算法
在人工蜂群算法中, 蜂群由采蜜蜂、观察蜂和侦察蜂三个部分组成, 每个蜜源的位置代表优化问题的一个可能解, 蜜源的收益度 (蜜量) 对应于问题的适应度 (函数值) 。首先, 人工蜂群算法随机产生初始种群, 即N个初始解 (N为采蜜蜂的数目也为蜜源数目) 。每个解xi (i=1, 2, …, N) 为一个D维的向量 (D为搜索空间的维数) 。经过初始化, 采蜜蜂、观察蜂和侦察蜂开始进行循环搜索。采蜜蜂记住自己以前的最优解, 在采蜜源附近邻域搜索, 搜索公式为
式中, k∈{1, 2, …, N}和j∈{1, 2, …, D}是随机选择的下标, 并且k≠i, 准是[-1, 1]上均匀分布的随机数。随着迭代次数的增加, (xij-xkj) 之间的距离缩小, 搜索的空间也缩小, 即搜索的步长缩小, 动态的调整步长有助于算法提高精度, 并最终获得最优解。
采蜜蜂采用贪婪准则, 比较记忆中的最优解和邻域搜索解, 当搜索解优于记忆最优解时, 替换记忆解;反之, 保持不变。所有的采蜜蜂完成搜索过程后, 观察蜂据此按与花蜜量相关的概率选择一个蜜源位置, 将蜜源信息通过舞蹈区与观察蜂共享。蜜量大的采蜜蜂吸引观察蜂的概率大于蜜量小的采蜜蜂。检查新位置的花蜜量, 若新位置没有大的改变, 则保持不变。观察蜂像采蜜蜂那样对记忆中的位置做一定的改变, 若新位置优于记忆中的位置, 则用新位置替换原位置。一个观察蜂选择某个蜜源的概率为:
式中fiti为第i个解的适应值。
在人工蜂群算法中, 还有一个重要的控制参数“limit”, 它用来记录某个解被更新的次数。假定某个解连续经过limit次循环之后没有得到改善, 表明这个解陷入局部最优, 那么这个位置就要被放弃, 与这个解相对应的采蜜蜂也转变为侦察蜂。假设被放弃的解是xi, 则侦察蜂通过下列公式替换xi:
3 求解0-1背包问题的人工蜂群算法
目前人工蜂群算法, 对于离散域上组合优化问题难以解决, 它只是应用于连续域上的数值优化问题, 主要是因为计算公式 (3) 是基于实数域上的四则运算, 公式 (3) 对自然数不满足封闭性, 而离散域上组合优化问题的解通常由自然数表示。
由公式 (1) 、 (2) 所示的数学模型可知, 0-1背包问题是带约束的离散优化问题, 为了使人工蜂群算法能处理离散优化问题, 有必要对人工蜂群算法的运算规则 (3) 进行重新定义。我们采用如下运算规则:
即当xij, xkj相等均为0或1时, x′ij也为0或1, 因为xkj是从群体中随机选取出来的, 且它与xij的取值相同, 则令x′ij等于xij正确的概率应该会大一些;当xij, xkj不相等时, x′ij的取值由f (xi) 和f (xk) 的优劣来决定, 以概率使x′ij=xij, 以概率使x′ij=xkj。在新的运算规则下, 当xij为0-1变量时, 新产生的个体x′ij也为0-1变量, 这使得人工蜂群算法可以对0-1背包问题进行求解。
采用人工蜂群算法求解0-1背包问题时在迭代过程中形成的新个体未必满足约束条件, 因此需要对形成的新个体进行调整, 使用启发式修正算子, 用来保证个体满足约束条件, 在这里我们引入了局部搜索机制—贪婪算法, 同时在保证个体满足约束条件的前提下尽量增加其适应值。
若个体不满足约束条件, 按物品j的价值密度ρj=cj/wj, (j=1, 2, …n) , 由小到大的方向将xj=1变为xj=0, 直到将不满足约束条件的个体变成满足约束条件;若个体满足约束条件, 在保证满足约束条件的前提下, 尽量增加其适应值, 这是对个体质量的改良。按ρj由大到小的方向将xj=0变成xj=1。
4 仿真实验
为了说明算法的效果, 采用VC++为本文算法编写了程序。我们选用文献[5]采用的4个算例来进行测试, 并与文献[5]中的基本郭涛算法和改进的郭涛算法进行对比, 其中改进的郭涛算法也采用了本文使用的贪婪算法。每次试验均进行100次。对于算例1和算例2, 基本郭涛算法和改进的郭涛算法的种群大小为50, 最大进化代数为2000;对于算例3和算例4, 基本郭涛算法和改进的郭涛算法的种群大小为50, 最大进化代数为10000;本文算法对4个算例的种群大小均为20, 最大进化代数均为200。本文算法与基本郭涛算法和改进的郭涛算法的试验结果见表1。
在种群数小于基本郭涛算法和改进的郭涛算法的情况下, 从表1的结果中可以看出, 本文提出的算法, 每次都可以找到问题的最优解, 仍取得了比他们好的求解结果, 表明了本文算法对0-1背包问题的求解具有良好的性能。
5 结论
人工蜂群算法对离散及组合优化问题难以优化, 只是擅长连续空间的优化问题, 是一种基于群体智能的演化算法。本文通过重新定义人工蜂群算法的邻域搜索公式, 使其可以求解0-1整数规划问题。通过4个0-1背包问题的仿真实验, 表明所提算法的可行性和有效性。同时, 本文算法简单易行、方便操作, 可以用来求解许多可以转化为0-1背包问题的组合优化问题。
摘要：提出了一种用于求解0-1背包问题的人工蜂群算法, 详细阐述了该算法求解背包问题的具体操作过程。算法主要使用了两个思想策略:启发式贪婪算法和人工蜂群算法。通过对其它文献中仿真实例的计算和结果对比, 表明该算法对求解0-1背包问题的有效性, 这对人工蜂群算法解决其它离散问题会有很大帮助。
关键词：人工蜂群算法,背包问题,群体智能
参考文献
[1]李娟, 方平, 周明.一种求解背包问题的混合遗传算法[J].南昌航空工业学院学报, 1998, 12 (3) :31-35.
[2]秦玲, 白云, 章春芳等.解0-1背包问题的蚁群算法[J].计算机工程, 2006, 32 (6) :212-214.
[3]熊伟清, 魏平.二进制蚁群进化算法[J].自动化学报, 2007, 33 (3) :259-264.
[4]Karaboga.D.An idea based on honey bee swarm fornumerical optimization[R].Technical Report-TR06, Kayseri:ErciyesUniversity, Engineering Faculty, Computer Engineering Department, 2005.