美赛论文算法总结

本文提出了一系列方法来帮助将智慧增长理论应用到城市设计中。

在任务 1 中，基于收集到的关于城市智能增长的大量数据，通过主成分分析选择了 25 个指标。然后我们构建了一个新的三级指标体系，其中第一级有 1 个指标，第二级有 5 个指标，第三级有 25 个指标来评价智能增长的成功程度。此外，我们使用熵权方法(EWM)得到第三级指标的权重向量，使用群体决策方法(GDM)得到第二级指标的权重向量。同时，通过 K-means 算法得到了智能增长成功的标准。最终构建了一个包括土地集约度、社会公平度、交通质量、协调度和经济发展水平的度量体系来衡量一个城市智慧增长的成功与否。

在任务 2 中，匹兹堡和宁国被选中来研究他们当前的增长计划。通过任务 1 中提出的指标，衡量选定城市当前增长计划的优势和劣势。

在 task3 中，我们的智能增长计划是基于城市的指数值制定的。然后采用支持向量机(SVM)和加权移动平均法(WMAM)对指标的变化进行预测。然后采用组合预测模型来最小化预测误差。最终，通过比较当前城市计划和我们的智能增长计划之间的指标，我们可以看到我们的智能增长计划的成功。
在任务 4 中，单个计划的单一效果由我们的指标进行评估，以对潜力进行排名。结果表明，宁国经济发展的主动性对精明增长的成功程度最有潜力，而匹兹堡则是提高土地集约率的主动性。

在任务 5 中，由于两个城市的人口结构不同，采用了两种不同的人口增长模型来预测人口的变化。PGM 计算的增长率表明，我们的计划可以自适应地调整，以满足不断增长的人口需求。

定性指标的量化
我们的主要指标中使用了一些定性指标。因此，有必要提出一个合适的度量标准来量化指标。采用模糊评价来解决这一问题。在这个模型中，我们让 u 表示评价集。A 为权重集，由层次分析法得到。w 是由好的、差的等评论组成的一组评论。用模糊评价矩阵 R 来描述 w 和 u 之间的关系
p=(p1,p2,p3…pn)
让 F 表示得分的集合，评价得分 Z 最终由以下公式计算
Z=P*F

评价指标权重模型
加权模型对于评估指标的不同贡献至关重要。因此，本节采用两种加权模型计算权重向量。
1.基于熵权方法的加权模型(EWM)
根据前面提到的优化模型，我们可以得到最终的权重 Wk。由于相关熵与权重成正比，因此最终确定的权重与修正优化模型中的熵具有良好的正相关性。
2.基于群体决策方法的权重模型
为了完成指标的综合，我们使用一致性判断矩阵(GDM)对每个一级指标进行加权。根据群体决策方法，最终的权重可以通过将指标的权重和判断矩阵的权重相 结合来获得。
我 们 计 算 了 一 致 性 比 率 crci/RI ， 当 n 为 1 时 ， … ， 20 ， RI 的 值 为0(1)，0(2)，0.52(3)，0.89(4)，1.12(5)…1.63(19)，1.64(20)，其中括号中的数字表示 n。
通过上述方法，最终计算出二级指标的权重向量。

最后，采用 K 均值聚类算法制定合理的标准。在该算法中，数据集 X 包括 25 个二级指标。K 表示数据子集的数量

综合评价指标
1.二级指标的确定
通过选择一套综合有效的一级指标，确定合理的权重，识别出5个二级指标，分别是土地强度(IOL)、协调度(CD)、社会公平度(SED)、经济发展水平(EDL)和交通质量(TQ)。特别是这五个二级指标将被用来评估智慧增长城市的五个维度。土地强度(IOL)是智能增长最重要的指标。人工晶状体主要包括五个主要指标。主要用于反映土地利用的效率、土地利用的多样性和土地规划的合理性等。

一级指标的确定
基于上述指标体系和权重法，提出了衡量城市智慧增长(SDSG)成功程度的综合指标。采用指标体系提供必要的二级指标，采用权重法对SGSD的权重w进行评价。用SGSD表示精明成长的成功程度。SGSD的功能可以表示为
SDSG = w1IOL+ w2SED+w3* TQ+ w4CD+ w5EDL

智能增长指标

基于K-means算法(KA)的标准设置
虽然前面已经建立了三个层次的评价，但是仍然需要一个合适的标准来评价城市智慧增长的成功程度。因此，采用KA (K-means Clustering Algorithm)算法制定合理的标准。在该算法中，数据集X包含25个二级指标。K表示数据子集的个数，在我们的方法中是3。数据对象被KA组织成3个分区。

智慧增长标准(SG)

根据上述KA，本节最终得出SG的标准。对于每个指标，首先对10个城市的数据进行聚类，计算出两个类中心。然后以指标中心的均值作为标准边界。