文献阅读08期:SBM-DEA混合蒙特卡洛的能用效用评估

Posted RaZLeon

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了文献阅读08期:SBM-DEA混合蒙特卡洛的能用效用评估相关的知识,希望对你有一定的参考价值。

[ 文献阅读·能源 ] Energy supply efficiency evaluation of integrated energy systems using novel SBM-DEA integrating Monte Carlo [1]

推荐理由: 以往的DEA模型分为两种,径向模型和角度量模型,这两种模型要么没有考虑松弛问题,要么仅考虑单一的输入输出。本文提出的MC-SBM-DEA可以说是兼顾了两个方面,值得借鉴

1.摘要&简介

  • 主流的DEA模型分为两种,径向模型和角度量模型。径向模型经常忽视松弛问题,而角度量模型进考虑单一的输入输出。
  • SBM-DEA模型同时兼顾了两个方面且有以下重要特性:
    1. 效率的度量不受决策单元的影响(decision-making units)
    2. 效率值和输入输出之差是单调递减的。

2.问题模型

2.1. SBM-DEA模型

  • 若有m个输入n个出,所有可能集合可定义为:
    P = ( x , y ) ∣ x ≥ X λ , y ≤ Y λ , λ ≥ 0 (1) P=\\(x, y) \\mid x \\geq X \\lambda, y \\leq Y \\lambda, \\lambda \\geq 0\\\\tag1 P=(x,y)xXλ,yYλ,λ0(1)
  • 其中 x x x是输入, y y y是输出, λ \\lambda λ为调整矩阵。
  • 通过测量 DMU ⁡ ( x 0 , y 0 ) \\operatornameDMU\\left(x_0, y_0\\right) DMU(x0,y0)的效率,SBM-DEA模型的基础形式可以写为以下形式:
    ρ ∗ = min ⁡ 1 − 1 m ∑ k = 1 m s k − x k 0 1 − 1 n ∑ r = 1 n s r + y r 0  S.t.  x 0 = X λ + s − y 0 = Y λ − s + λ ≥ 0 , s − ≥ 0 , s + ≥ 0 (2) \\beginarrayl \\rho^*=\\min \\frac1-\\frac1m \\sum_k=1^m \\fracs_k^-x_k 01-\\frac1n \\sum_r=1^n \\fracs_r^+y_r 0 \\\\ \\text S.t. \\mathrmx_0=X \\lambda+s^- \\\\ \\mathrmy_0=Y \\lambda-s^+ \\\\ \\lambda \\geq 0, s^- \\geq 0, s^+ \\geq 0 \\endarray\\tag2 ρ=min1n1r=1nyr0sr+1m1k=1mxk0sk S.t. x0=Xλ+sy0=Yλs+λ0,s0,s+0(2)
    其中, ρ ∗ \\rho^* ρ代表 DMU ⁡ ( x 0 , y 0 ) \\operatornameDMU\\left(x_0, y_0\\right) DMU(x0,y0)的效率值, X r 0 X_r 0 Xr0 Y r 0 Y_r 0 Yr0为第j个DMU的输入输出向量。 s + \\mathrms^+ s+ s − \\mathrms^- s为输入输出相对应的松弛变量。 s k − s_k^- sk代表第k个输入的冗余, s r + s_r^+ sr+代表第r个输出的不足。
  • 目标函数上下分别代表输入输出的效率水平,任何一方变化都会造成效率值的变化。
  • 将标量t引入式2有:
    min ⁡ τ = t − 1 m ∑ k = 1 m t s k − x k 0  s.t.  1 = t + 1 n ∑ r = 1 n t s r + y r 0 x 0 = X λ + s − y 0 = Y λ − s + λ ≥ 0 , s − ≥ 0 , s + ≥ 0 , t > 0 (5) \\beginarrayl \\min \\tau=t-\\frac1m \\sum_k=1^m \\fract s_k^-x_k 0 \\\\ \\text s.t. 1=\\mathrmt+\\frac1\\mathrmn \\sum_r=1^n \\fract s_r^+y_r 0 \\\\ \\mathrmx_0=X \\lambda+s^- \\\\ \\mathrmy_0=Y \\lambda-s^+ \\\\ \\lambda \\geq 0, s^- \\geq 0, s^+ \\geq 0, \\mathrmt>0 \\endarray\\tag5 minτ=tm1k=1mxk0tsk s.t. 1=t+n1r=1nyr0tsr+x0=Xλ+sy0=Yλs+λ0,s0,s+0,t>0文献阅读01期:LMNN

    文献阅读17期:Deep Learning on Graphs: A Survey - 6

    文献阅读16期:Deep Learning on Graphs: A Survey - 5

    文献阅读12期:Deep Learning on Graphs: A Survey - 1

    文献阅读17期:Deep Learning on Graphs: A Survey - 6

    文献阅读15期:Deep Learning on Graphs: A Survey - 4