城市生活垃圾管理問題研究

1、蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅

2、羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕

3、蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄

4、肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈

5、襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂

6、肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿

7、罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄

8、螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈

9、羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞

10、裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆

11、肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁

12、罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈

13、螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂

14、羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆

15、裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕

16、聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅

17、袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿

18、螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃

19、羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀

20、袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄

21、肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆

22、袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃

23、螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇

24、羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂

25、螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈

26、肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃

27、袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇

28、螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻

29、羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄蒆薇羆肅蕿螃袂膃羋薆螈膂莁螁蚄膁薃薄肅膀芃衿罿腿蒞螞裊膈蕆袈螀膇薀蝕聿膇艿蒃羅芆莂蠆袁芅蒄蒂螇芄膃蚇螃芃莆薀肂節(jié)蒈螅羈芁薀薈襖芁芀螄螀莀莂薆肈荿蒅螂羄莈薇薅袀莇莇螀袆羄葿蚃螂羃薁袈肁羂芁蟻羇羈莃袇袃羀蒆蝕蝿聿薈蒂肇聿羋蚈羃肈蒀蒁罿肇薂螆裊肆節(jié)蕿螁肅莄螄肀肄 城市生活垃圾管理問題研究摘要本文對城市生活垃圾產(chǎn)量變化和垃圾收集管理問題進行了研究。在第一問中，首先采用灰色理論中的預測模型合理地對垃圾產(chǎn)量直接進行預測得到預測并得到時間響應序列其中發(fā)展系數(shù)和灰作用系數(shù)的估計值為。預測數(shù)據(jù)相對原始數(shù)據(jù)在數(shù)據(jù)的時間區(qū)間內(nèi)的關聯(lián)度為0.9976

30、0.9,預測結果比較理想。然后通過影響垃圾產(chǎn)量的因素進行間接預測，得到以下多元線性回歸模型進而對方程進行擬合優(yōu)度檢驗和回歸方程的顯著性檢驗得到檢驗統(tǒng)計量分別為調(diào)整的、，都表明預測效果非常好。模型從兩個角度進行預測提高了模型實用性。在第二問中，模型根據(jù)收運車的最大載荷將站點分成若干個塊，每塊由一車收運。分塊前先用遺傳算法求出垃圾收集站點的全局最優(yōu)路線，再沿站點的全局最優(yōu)路線進行分塊，避免了直接按地理分布分塊的特殊性，適合各種分布的分塊。最后將站點劃分成11塊，并分兩種情況對每一塊求最優(yōu)路線：第一趟收集垃圾時車從車庫出發(fā)最后到達垃圾中轉站，相應地采用非巡回的tsp改進模型求得；后面的趟數(shù)則都是從垃

31、圾中轉站出發(fā)后又回到垃圾中轉站，這是典型的tsp問題。在點數(shù)較少時以上兩個模型可以轉化成混合整數(shù)規(guī)劃模型運用lingo進行求解。由此可知，對于不同的車輛數(shù)，模型都能給出相應最優(yōu)垃圾收集方案。最后在一定的數(shù)據(jù)或計算結果的基礎上從不同角度分析得到模型適用于不同車輛數(shù)的路徑設計與分析，考慮到問題的復雜度，算法不是很穩(wěn)定，分析不同的遺傳算法最優(yōu)控制參數(shù)，推出算法魯棒性較好，模型比較健壯。關鍵詞：灰色理論 預測 多元線性回歸 遺傳算法 混合整數(shù)規(guī)劃1 問題重述1.1 問題背景隨著人類生產(chǎn)和生活的不斷發(fā)展，由此而產(chǎn)生的垃圾對生態(tài)環(huán)境及人類生存帶來極大的威脅，成為重要的社會問題。城市生活垃圾的年增長速度達8

32、-10%，嚴重污染環(huán)境。城市垃圾管理包括計劃、組織、行政、金融、法律和工程等多方面，并涉及到城市生活垃圾收集、運輸和處置。而中國目前處置水平低，管理辦法不多，更是急待解決的問題。在這方面，世界許多國家在謀求解決城市生活垃圾過程中，產(chǎn)生出許多好的辦法，并在此過程中總結了經(jīng)驗和教訓。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、居民家庭能源結構等等。城市生活垃圾產(chǎn)量是垃圾管理系統(tǒng)的關鍵參數(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垃圾管理的部門做出管理規(guī)劃的前提。另外，城市垃圾自其產(chǎn)生到最終被送到處置場處理，需要環(huán)衛(wèi)部門對其進行收集與運輸，

33、這一過程稱為城市垃圾的收運。收運過程可簡述如下：某城市有多個行政區(qū)，每個區(qū)內(nèi)均有一個車庫，假設某一車庫擁有最大裝載量為 w 的垃圾收集車 k 輛，并且該區(qū)的垃圾收集點（待收集垃圾的點）有 n個，該城市共有垃圾中轉站 p 座。每天 k 輛垃圾車從車庫出發(fā)，經(jīng)過收集點收集垃圾，當垃圾負載達到最大裝載量時，垃圾車運往中轉站，在中轉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。（注：必須在收集點的工作區(qū)間之內(nèi)，垃圾車才能在該點收集垃圾。）1.2 問題提出為了合理并高效地對城市垃圾進行管理，需要利用數(shù)學方法建立

34、以下問題的數(shù)學模型，并求解模型，對模型的結果做出合理分析和解釋。問題一，查閱相關文獻，搜集垃圾產(chǎn)量數(shù)據(jù)，在此基礎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，在收運過程中已知下述四個條件下，如何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？1）車庫和收集點、收集點與中轉站、中轉站與車庫的距離；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、中轉站的工作區(qū)間a,b。給出規(guī)劃以上垃圾收運路線的數(shù)學模型，并設計出有效的算法，針對所得數(shù)據(jù)，求解模型。并且對模型的適用性、算法的穩(wěn)定性和魯棒性做出分析。

35、2 問題分析對于問題一，要對城市生活垃圾產(chǎn)量進行中短期預測，必須建立在垃圾產(chǎn)量數(shù)據(jù)基礎上，并采用一種適合中短期預測的預測方法進行預測。考慮到模型的準確性，還需要對預測值和實際值的的符合程度進行檢驗；另外，要使模型具有實用性就要分析城市生活垃圾的影響因素，即在這些因素發(fā)生變化時，相應地，在對垃圾產(chǎn)量進行預測時，需要對模型進行改進采用更加適合新情況的模型。對于問題二，由于車庫中的車輛數(shù)不定，且受每輛垃圾收運車的最大載荷的限制，要設計垃圾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，就要從垃圾收集點著手同時考慮垃圾收運車的最大載荷和收運路線最短。最后從不同角度分析模型的適用性

36、、算法的穩(wěn)定性和魯棒性。3 模型假設與符號說明3.1模型假設1）題目給出的以及本文搜集的數(shù)據(jù)真實可信。2）預測年份不發(fā)生重大自然災害或經(jīng)濟危機等影響經(jīng)濟、人口等因素的突發(fā)情況。3）垃圾車路途中保持勻速且不考慮路面情況和交通事故的發(fā)生。4）各收集點垃圾量一天之內(nèi)不發(fā)生變化。3.2符號說明 垃圾產(chǎn)量的時間序列， 垃圾點的編號， 收運車載重剩余處理臨界值， 垃圾總量， 收運車的最大裝載量， 站點的垃圾量， 判斷之間是否有回路， 站點到站點間的距離 城市人口數(shù) 城市居民人均可支配收入 國民生產(chǎn)總值 城市垃圾產(chǎn)量 初始種群規(guī)模 遺傳算法交叉概率 突變概率4 模型的建立與求解4.1 生活垃圾產(chǎn)量中短期預測

37、模型的建立與求解根據(jù)獲取的垃圾產(chǎn)量的數(shù)據(jù)，本文采用灰色預測理論中的模型，并對預測的結果的準確性進行了分析；然后考慮各種因素對垃圾產(chǎn)量的影響，建立垃圾產(chǎn)量與各種因素的關系模型，以便當這些因素發(fā)生變化時，修正垃圾產(chǎn)量的預測值，提高模型的實時性，使模型更加實用。4.1.1 垃圾產(chǎn)量的灰色預測模型1）模型的建立與求解記所得垃圾產(chǎn)量的時間序列為非負序列其中，為序列中第年垃圾產(chǎn)量，。為了排除垃圾產(chǎn)量序列中的隨機干擾（即所謂“噪聲” ），需要對序列中的數(shù)據(jù)進行處理，產(chǎn)生新的序列，以此來挖掘和尋找序列的規(guī)律性，這種方法叫做序列的生成。由于累加生成可使非負的擺動與非擺動的數(shù)列或任意無規(guī)律性的數(shù)列轉化為非減的、遞

38、增的數(shù)列。本模型對該序列進行累加處理，得到其相應的ago生成數(shù)據(jù)序列為其中，上標（1）表示1 次累加生成，記作1ago。由于得到灰微分方程還需要用到序列的均值生成。稱 與 為數(shù)列的一對（緊）鄰值，稱為前值，稱為后值。對于常數(shù)，則稱為由數(shù)列的鄰值在生成系數(shù)（權）下的鄰值生成數(shù)（或生成值）。特別地，當生成系數(shù)時，則稱為（緊）鄰均值生成數(shù)，即等權鄰值生成數(shù)。由以上定義可知的緊鄰均值生成序列其中，。于是定義的灰微分方程模型為即其中或稱為灰導數(shù)，稱為發(fā)展系數(shù)，稱為白化背景值，稱為灰作用量。，是需要通過建模求解的參數(shù)。以下給出參數(shù)和的計算方法。若為參數(shù)列，且，則求微分方程的最小二乘估計系數(shù)列，滿足由此得出

39、和的估計值。然而以上灰微分方程還不能對未來數(shù)據(jù)進行預測，需要對其進行轉化即白化處理。因此定義為灰微分方程的白化方程，也叫影子方程。其中導數(shù)對應于灰導數(shù)，背景值對應于。如上所述，則有白化方程的解或稱時間響應函數(shù)為灰微分方程的時間響應序列為取，則將生成序列轉化成還原值為本模型以北京2001年到2007年的垃圾生產(chǎn)量為數(shù)據(jù)基礎，將其代入以上模型得到參數(shù)和的估計值為從而，得到城市垃圾產(chǎn)量的預測方程進一步求解并進行預測得到預測結果與原始數(shù)據(jù)對比如下表1所示：表1 垃圾生產(chǎn)量預測結果與原始數(shù)據(jù)比較年份實際值預測值預測誤差200130330302002321.4370.917149.51712003454.

40、5407.9093-46.59072004491448.5908-42.40922005454.6493.329538.72952006538.2542.53014.33012007600.9596.6376-4.2624為了更加直觀地觀察預測結果，畫出垃圾產(chǎn)量圖如下圖1所示 圖1：垃圾產(chǎn)量圖2）預測數(shù)據(jù)的檢驗本模型通過對實際數(shù)據(jù)和預測數(shù)據(jù)的關聯(lián)度進行分析，得出兩者之間的吻合程度，以判斷預測模型的準確性。在計算關聯(lián)系數(shù)時一般要求作關聯(lián)度計算的數(shù)列的量綱最好相同，并要求所有數(shù)列有公共交點（公共參數(shù)點）。為解決這二個問題，在計算關聯(lián)系數(shù)之前，先將數(shù)列作為初值化處理。一般用每個數(shù)列的第一個數(shù)除其他數(shù)

41、。然后根據(jù)關聯(lián)系數(shù)的計算公式求出原始數(shù)據(jù)與預測數(shù)據(jù)的相對差值。式中相當于原始數(shù)據(jù)，而相當于預測數(shù)據(jù)，稱為分辨系數(shù)，一般取0.5。稱為兩極（兩個層次）的最小差；稱為兩極（兩個層次）的最大差。關聯(lián)度的一般表達式為由以上分析最后得出預測數(shù)據(jù)相對原始數(shù)據(jù)在數(shù)據(jù)的時間區(qū)間內(nèi)的關聯(lián)度為0.99760.9,由此可知預測得到的數(shù)據(jù)與原始數(shù)據(jù)的吻合程度很好，本文所建立的模型較合理。4.1.2 垃圾產(chǎn)量及其影響因素關系預測模型本文采用多元線性回歸模型分析垃圾產(chǎn)量與人口、經(jīng)濟發(fā)展水平（生產(chǎn)總值）、人均居民收入的關系，并對模型進行檢驗。然后通過不同地區(qū)城市之間的垃圾產(chǎn)量的比較得出地理因素對垃圾產(chǎn)量的區(qū)別。以北京為例得

42、到各因素與垃圾產(chǎn)量的數(shù)據(jù)如下表2所示表2 北京各因素與垃圾產(chǎn)量的數(shù)據(jù)年份垃圾量 y(萬噸)生產(chǎn)總值 x3（億元）城市居民人均可支配收入 x2（元）人口 x1（萬）20013032817.6115781120.52002321.4313012463.921136.32003454.53611.913882.61148.820044914283.315637.81162.92005454.66814.5176531180.72006538.27720.3199781197.62007600.99006.2219891213.3多元線性回歸模型的一般形式為其中表示影響因素的值，表示垃圾產(chǎn)量，為獨立變

43、量。將表2中的數(shù)據(jù)代入上式中得到用矩陣表示為簡寫為用最小二乘法求的估計，為此，令其中為誤差平方和，其中可得由上述分析并代入實際數(shù)據(jù)可得最終的回歸方程為進而對方程進行擬合優(yōu)度檢驗和回歸方程的顯著性檢驗得到檢驗統(tǒng)計量分別為調(diào)整的、，具體的數(shù)據(jù)如下表3所示表3 檢驗統(tǒng)計量值rr squarefsig. f change0.983761080.9677858730.0420.009720225由于檢驗統(tǒng)計量對應的概率值為0.0097，小于顯著性水平0.05，調(diào)整的非常接近1，表明擬合優(yōu)度較高；而且統(tǒng)計量f值也較大，說明被解釋變量與解釋變量之間的線性關系較顯著。因此，上述求解的線性模型比較合理。4.1.

44、3 模型準確性與實用性分析對于模型的準確性，模型首先對數(shù)據(jù)進行累加處理由于垃圾產(chǎn)量序列等實際問題的數(shù)列皆是非負數(shù)列，累加生成可使非負的擺動與非擺動的數(shù)列或任意無規(guī)律性的數(shù)列轉化為非減的、遞增的數(shù)列。數(shù)列經(jīng)過累加生成后規(guī)律性得到加強，為序列的準確預測打下了明確的基礎。在對灰微分方程中的參數(shù)進行估計時采用的為最小二乘方法，準確度較高。最后對預測數(shù)據(jù)和原始進行灰色關聯(lián)度分析得到二者的關聯(lián)度為0.9976,可知模型預測的準確性?；貧w模型中也用到了最小二乘方法，并通過控制離差平方和保證了結果的準確性，最后經(jīng)過擬合優(yōu)度檢驗和回歸方程的顯著性檢驗得到的結果表明預測模型與實際數(shù)據(jù)規(guī)律吻合程度很高。對于模型的實

45、用性，本文建立兩個垃圾產(chǎn)量的預測模型，表面上看是多此一舉，實際增強了模型的實用性。在模型中僅僅從各年垃圾產(chǎn)量直接進行預測，這是從預測對象本身找出其發(fā)展趨勢的規(guī)律。然而這樣考慮比較單調(diào)，且只有在知道了預測前的垃圾產(chǎn)量才能對未來進行預測，其功能限于預測。而考慮垃圾產(chǎn)量的影響因素不僅擴大了預測模型的數(shù)據(jù)來源，可以用不同的數(shù)據(jù)進行預測，而且能根據(jù)垃圾產(chǎn)量的影響因素進行間接預測?？紤]到因素對垃圾產(chǎn)量的影響具有時延性，因此通過因素進行間接預測相對直接預測有一定的提前量。另外還可以利用回歸模型的控制功能對垃圾產(chǎn)量進行控制。在考慮地理因素時，模型還可以分析不同地區(qū)的垃圾產(chǎn)量的變化規(guī)律，得出了各地區(qū)間的垃圾產(chǎn)量

46、的關系；在以后的預測中就可以只預測出一個地區(qū)的垃圾產(chǎn)量，再根據(jù)這個關系預測出別的地區(qū)的垃圾產(chǎn)量。4.2 垃圾收運車的收運路線的設計模型4.2.1全局最優(yōu)路線的近似算法確定 1）確定全局最優(yōu)路線的意義根據(jù)所得數(shù)據(jù)，經(jīng)簡單計算可知一輛垃圾收運車一天之內(nèi)無法收集完所有垃圾收集點的垃圾，收集垃圾過程中還受每輛垃圾收運車的最大載荷限制。因此當一輛垃圾收運車達到或接近其最大載荷時，就要回到垃圾中轉站卸載垃圾。又由于車庫中的車輛數(shù)缺少約束，無法確定其數(shù)值，本模型將其作為一個待定的變量，并根據(jù)實際情況確定它的值。出于以上考慮，可知垃圾收集點被分成若干塊，要設計最優(yōu)收運路線一個可行的方法就是先將所有垃圾收集點進

47、行分塊。然而如果直接進行分塊會因為收集點分布和疏密過于散亂造成工作量非常大且很難對保證其合理性，可能會出現(xiàn)如下圖2中所示的情況圖2 分塊不合理的情況圖中由于所圍部分被分成一塊，導致其右側點被獨立起來，當這些點不能裝滿一輛車時就必須跨過（繞過）所圍部分。這樣明顯不符合問題的要求。為了解決以上問題，本模型以全局最優(yōu)路線為基礎，沿最優(yōu)路線對垃圾收集站點進行分類。這樣即在一定程度上避免了圖2中的情況出現(xiàn)，而且能夠保證在對收集站點分塊之后整體收運趨于最優(yōu)。2）全局最優(yōu)路線的近似求解遍歷垃圾收集點的全局最優(yōu)路線是一個tsp問題，由于這類問題目前還沒有找到一個有效算法，并已證明它是屬于npc問題，且收集點的

48、數(shù)量太多，只能求得最優(yōu)路線的近似解。考慮到收集點數(shù)太多，本文采用智能算法中的遺傳算法解tsp問題。遺傳算法的求解過程： 編碼。對于個城市的tsp問題，如果用常規(guī)碼對解進行編碼，所以解的個數(shù)為,當確定一個城市為始終點時，可用城市間順序的排列來表示可行解，可行解的個數(shù)有 ,采用0-1編碼，在計算過程中只有極小的比例為可行解，大量的計算浪費。所以針對tsp問題，利用非常規(guī)編碼，其具體形式為,表示垃圾點編號。 初始化過程。定義整數(shù)作為染色體的個數(shù)，隨機產(chǎn)生個初始染色體，構成一個初始種群，計算種群中每個染色體的適應度函數(shù)：其中，,是第個初始染色體（可行解）的目標函數(shù)值。 若停止規(guī)則滿足，則算法停止；否則

49、，計算概率：計算累積概率,從區(qū)間中產(chǎn)生一個隨機數(shù)，若,則選擇第個染色體，這就是旋轉賭輪選擇。 交叉操作。定義參數(shù)作為交叉操作的概率，這個概率說明種群中有期望值為個染色體進行交叉操作。為確定交叉操作的父代，從到重復以下過程：從中產(chǎn)生隨機數(shù)，如果,則選擇作為一個父代。 變異操作。定義參數(shù)作為遺傳系統(tǒng)中的變異概率，這個概率表明，總體中有期望值為個染色體用來進行變異操作。它選擇父代的過程類似于交叉操作中的父代選擇。在實際應用中，常取個體編碼長度數(shù)的一個線性倍數(shù)作為初始群體的規(guī)模，此處，定義,專家建議的最優(yōu)參數(shù)范圍 ,，通過試驗發(fā)現(xiàn)在此問題中，當時取得的結果較好，具體值參考目錄，進化過程圖如下：圖3 遺

50、傳進化過程從圖中可以看出，遺傳算法在第1233代求得最短路徑，效率較高。4.2.2 站點劃分模型1）收運車載荷剩余處理在垃圾收運車收運過程中，當車內(nèi)的垃圾將要達到其最大裝載量，但是還不滿，而下一站的垃圾量又超過了車內(nèi)的剩余量。這就出現(xiàn)了收運車載荷剩余處理的問題。本模型定義了一個收運車載荷剩余處理的臨界值其計算公式為其中表示所有垃圾站點的垃圾總量，表示一輛垃圾收運車的最大裝載量。根據(jù)所得數(shù)據(jù)并進行一定的計算可知所有垃圾站點的垃圾總量為2132.5 yards，而一輛垃圾收運車的最大裝載量為200 yards。由此可知，如果所有的車都按其最大裝載量收運，運完所有的垃圾至少需要11車，而且最后一車裝

51、不滿，其剩余載荷還可以裝67.5 yards。由此可得出的值為6.75 yards，由臨界值的意義可對收運車載荷剩余作如下處理：當一輛垃圾收運車的剩余載荷大于時該車繼續(xù)到下一個點收垃圾，直到收滿為止，而下一個垃圾收集點剩下的垃圾由下一車繼續(xù)收集；當剩余載荷小于時直接回垃圾中轉站，不再繼續(xù)收運垃圾。2）局部站點確定利用前面得到的全局最優(yōu)路線從路線第一個垃圾收集點開始，對后續(xù)經(jīng)過的收集點的垃圾量進行累加，再利用收運車載荷剩余處理的臨界值判斷此次收運的結束點，從而確定此次收運所經(jīng)過的收集點，將這些點記錄下來并歸為一塊，記為。該過程的流程圖如下圖4所示nynnyy已知線路中收集點排序和各點垃圾量是否到

52、達最后一個收集點垃圾車剩余空間是否小于6.75記錄該收集點位置n收集該點垃圾后是否超載裝入該收集點垃圾垃圾車容量清零結束到下一個收集點裝滿垃圾車該點垃圾是否有剩余繼續(xù)到該收集點圖4 局部站點確定流程圖通過運算得出所有的垃圾收集點可以分成11塊，其序號表示如下表4所示表4 垃圾收集點分區(qū)分區(qū)1分區(qū)2分區(qū)3分區(qū)4分區(qū)5分區(qū)6分區(qū)7分區(qū)8分區(qū)9分區(qū)10分區(qū)1157179140242275103236979938572381875383142181242194613723818980144170255235138156152186189123139148131225271882920023012373

53、782260250112391571081647345184237198621253516286254454416381212272687621011944143583014622244421493175143266105678425916025624611826426643133549517552529014220843174206242392702324563207941741211101221169781992111511971217179178161532621761923722071215751778261402672326524121520551342691319025810910

54、010205521831452102652518510270158521811211520141188107104165611812409811227204233471191825024025728196603637223142332572622987741171669222213211326159913524811413419127425348159179120771111681942281731801792476612816127217115432249116130211726642341475217251596822322420920853822627369141992132021813

55、61671952634.2.3 局部最優(yōu)路線的確定由于問題中車庫中的車輛數(shù)不定，則收運車收運垃圾分為兩種情況：一種是某車第一趟從車庫出發(fā)經(jīng)過垃圾收集點再到中轉站；另一種是某車第一趟以后從垃圾中轉站出發(fā)經(jīng)過垃圾收集點再回到垃圾中轉站。則局部最優(yōu)路線的確定相應也分成兩種情況：一種是確定起始點和終點的非巡回最短路徑；另一種是確定起點的巡回最短路徑，即典型的tsp模型。以下分別給出兩種最短路徑的求解模型。首先建立典型tsp問題的求解模型。由于這類問題目前還沒有找到一個有效算法，并已證明它是屬于npc問題，且收集點的數(shù)量太多，只能求得最優(yōu)路線的近似解。本文把最優(yōu)路線模型轉化成混合整數(shù)規(guī)劃，然后用lingo軟件來求解。以下給出最優(yōu)路線的數(shù)學描述，以便用lingo軟件來求解。首先引入0-1整數(shù)變量:表示路線從到，表示不走路線到，為局部路徑中的站點數(shù)。則對每個站點都有只一條路到達該點，并只有一條路從這一點離開。為了保證路線構成整體巡回路線而不出現(xiàn)子巡環(huán)，還要加入以下約束條件其中為增加的變量。下面證明：假設存在子巡回，則至少有兩個子巡回。那么必然至少有一個子巡回中不含起點城市1，例如子巡回（4-5-6-4），則新增約束用于該子巡回，必有，把這三個