垃圾分类处理与清运方案2

摘要

本文给出了在垃圾处理过程中的清运路线的具体方案，同时给出了各转运站橱余垃圾处理设备的设计方案。

我们首先将南山区居民小区按照就近原则划分成39个片区，统计出各个片区的人数等各方面的综合信息，利用熵值分析法与灰色预测分析法，运用matlab编程求解，分别预测出各个片区的垃圾产生量，两次结果的加权平均值作为最终的推荐使用值。然后，我们按照能够方便、有效收集垃圾，尽量避免污染环境的原则，在各个片区确定垃圾收集点，进而确定相关距离（垃圾收集点与转运站之间的距离、转运站与转运站之间的距离、转运站与垃圾处理中心的距离、垃圾收集点与垃圾处理中心之间的距离）。最后我们建立了以考虑环境因素的综合经济效益最大为目标的优化模型，运用lingo编程求解的得到了大、小型设备设计的具体方案以及具体的清运路线。

在第二问中，我们首先用集合覆盖模型，确定垃圾转运站的待选点，然后，建立了以垃圾收运系统中收集、清运、中转过程中所发生的费用的最小值为目标函数的优化模型，最终求解得到转运站的设计情况。

关键词：熵值分析法；灰色预测；集合覆盖；优化

一、问题提出

1、问题概况

垃圾分类化收集与处理是有利于减少垃圾的产生，有益于环境保护，同时也有利于资源回收与再利用的城市绿色工程。由于经济的高速发展，对各种资源的需求量不断加大，伴随而来的是生活垃圾总量的逐年上升，环境污染问题日益严重；除了减少资源利用量及废物排放量更多地需要先在立法上予以明确外；生活垃圾的循环利用和废弃物的回收利用，则直接依赖于环卫部门的分类收集、运输和处置方式等的管理与规划，从而达到生活垃圾源头减量化，资源化利用和无害化处置的要求。

在深圳，垃圾分为四类：1）橱余垃圾，可用处理装置处理后作为饲料加工厂做原料；2）可回收垃圾，将收集后分类再利用；3）有害垃圾，运送到固废处理中心集中处理；4）其他不可回收垃圾，将运送到填埋场或焚烧场处理。所有垃圾将从小区运送到附近的转运站，再运送到少数几个垃圾处理中心。显然，1）和2）两项中，经过处理，回收和利用，产生经济效益，而3）和4）只有消耗处理费用，不产生经济效益。

2、相关信息

1）大型厨余垃圾处理设备（如南山餐厨垃圾综合利用项目，处理能力为200吨/日，投资额约为4500万元，运行成本为150元/吨。小型餐厨垃圾处理机，处理能力为200-300公斤/日，投资额约为28万元，运行成本为200元/吨。橱余垃圾处理后产物价格在1000-1500元/吨。

2）四类垃圾的平均比例，橱余垃圾：可回收垃圾：有害垃圾：其他不可回收垃圾比例约为4：2：1：3。可回收垃圾划分为纸类、塑料、玻璃、金属四大类，大概比例分别是：55%、35%、6%、4%。纸类、塑料、玻璃、金属四类的废品回收价格是每公斤：1元、2.5元、0.5元、2.5元。

3）南山区的垃圾清运设备情况：拖车，只拖十吨的大型厢，只用于从转运站到垃圾中心，每次只拖一个大型“厢”，平均吨公里耗油25L—30L柴油/百公里。收集车辆，只负责从小区的垃圾站到转运站运输。100辆2.5吨汽车，每车耗油20L—35L 70#汽油/百公里。司机月薪平均3500元。

4）垃圾转运站垃圾转运量等情况统计表（南山）。

5）南山区居民数据。

6）中转站位置图。

3、需要解决的问题

1）假定现有垃圾转运站规模与位置不变条件下，给出大、小型设备（橱余垃圾）的分布设计，同时在目前的运输装备条件下给出清运路线的具体方案。以期达到最佳经济效益和环保效果。

2）假设转运站允许重新设计，请为问题1）的目标重新设计。

二、问题分析

1、问题一的分析

首先对整个南山区进行分片，按照距离接近归为同一片区的原则；然后，运用熵值分析法与灰色预测分析法分别预测出各片区产生的垃圾总量，将两种方法计算出的预测值的加权平均值作为垃圾产生总量的推荐值；接着，在每一个片区内确定一个垃圾收集点，则该片区的垃圾全部从垃圾收集点运出，我们按照便于垃圾迅速收集、方便居民生活、避免影响环境的原则，给出垃圾收集点的位置；再运用测量查找统计的数据，确定各垃圾收集点与各转运站之间的距离、各个转运站之间的距离、各转运站与各垃圾处理中心之间的距离、各垃圾收集点与各垃圾处理中心之间的距离；最后，建立以考虑了环保效果的经济效益为目标，以处理橱余垃圾的设备的个数为决策变量的优化模型，约束条件分别为每个收集点的垃圾必须全部被运完，不能遗留；各转运站橱余垃圾总量不能超过该转运站设备的日处理能力；各转运站垃圾的总量不能超过该转运站的容量；收集车在运送垃圾的过程中所行使的总路程，不能超过其在允许工作的最长时间内可以行驶的最大里程；拖车在运送垃圾的过程中所行使的总路程，不能超过其在允许工作的最长时间内可以行驶的最大里程。

2、问题二的分析

首先应用集合覆盖模型，确定垃圾转运站的待选点，该模型以需要重新设置的转运站数量最少为目标函数，决策变量为垃圾收集点是否位于垃圾转运站附近和垃圾收集点是否有垃圾收运到转运站；然后，引入整数规划构建垃圾收运系统费用的现值最小模型，建立以垃圾收运系统中收集、清运、中转过程中所发生的费用的最小值为目标函数的优化模型，从待选点中选出垃圾转运站的最优组合。

三、基本假设

1．垃圾的产生以片区为单位；

2．每个片区的垃圾产生量与该片区的人数和住宅用途有关；

3．橱余垃圾在变废为宝的过程中没有质量损耗；

4．大型小型橱余设备的使用寿命都为20*365天（忽略中途的维修费用和最终设备的贱卖所得）；

5.垃圾由收集点运往垃圾处理中心使用的是收集车；

6.转运站之间橱余垃圾的运输使用的是拖车；

四、符号说明

：南山区垃圾的日产生量；        

：每吨橱余垃圾产生的效益；

：司机的工资；              

：第i个垃圾转运站垃圾转运量；

：第m个片区的垃圾日产生量；

：第m个片区向第i个垃圾焚烧填埋处理厂运送的垃圾量；

：第m个片区到第j个垃圾焚烧填埋处理厂的距离；

：从第m个片区向第i个垃圾转运站运送垃圾的量；

：从第m个片区到第i个垃圾转运站运的距离；

：从第i个垃圾转运站向第j个垃圾焚烧填埋处理厂运送的垃圾量；

:从第i个垃圾转运站到第j个垃圾焚烧填埋处理厂的距离；

：第k个垃圾转运站向第i个垃圾转运站运送橱余垃圾的量；

：第i个垃圾转运站到第k个垃圾转运站的距离；

：在第i个垃圾转运站拥有第n种橱余垃圾处理设备的数量；

：第n种橱余垃圾处理设备的日处理能力；

：第n种橱余垃圾处理设备的投资额（由于此投资时长期投资，在计算是把它转化为每一天的投资）；

：第n种橱余垃圾处理设备的运行成本；

：单位垃圾中含有第a种成分所占的百分比； 

：单位可回收垃圾中第b种成分所占的百分比；

：可回收垃圾中第b种成分每吨的价格；   

：第c种类型的车的数量；   

：第c种类型的车的最终使用数量；

：第c种类型的车运送一次的最大转运量；    

：第c种类型的车运送一吨垃圾走一公里的费用；

：第个垃圾转运站；

：第个垃圾焚烧填埋处理场（=1南山垃圾焚烧厂, =2下坪固体废弃物填埋场）；

：第个片区；         

：第种类型的橱余垃圾处理设备（=1小型设备=2大型设备）；

：第个垃圾转运站；   

：每吨垃圾中含有第种成分(a=1表示橱余垃圾，a=2表示可回收垃圾，a=3表示有害垃圾，a=4表示其他不可回收垃圾)；        

：每吨可回收垃圾中含有第种成分(b=1表示纸类，b=2表示塑料，b=3表示玻璃，b=4表示金属)；  

：第c种类型的车（c=1收集车，c=2拖车）；

五、模型的建立与求解

居民区的垃圾收运是由产生垃圾的源头，运送至垃圾处理中心的全过程操作，包括3 个阶段：①收集，垃圾从产生源到垃圾收集点的过程；②清运，指收集车沿一定路线清除垃圾收集点内垃圾并将其转运到垃圾转运站的过程（在一定情况下，清运车可直接将垃圾运送至垃圾处理中心）；③中转，指在转运站将垃圾装载至大容量拖车，远途运输至垃圾处理中心。前1个阶段需要对垃圾产生源分布情况、垃圾产生量及成分等进行调查和预测；后2个阶段需要运用最优化技术对清运线路和转运站垃圾分配运输进行优化。

1、各片区垃圾总量的预测模型

（1）居民区的分片

由于南山区的居民小区众多，若在每一个小区都设置一个垃圾收集点，这样不仅使收集车工作效率降低、油耗增加，而且还严重影响了多数小区的环境，显然这样做很不合理。我们应该将这些居民小区距离较接近的划分到一个片区，这样分片后集中管理既科学又合理，而且尽量减少了对环境的影响。在我们生活的实际情况中，垃圾清转的问题确实是需要分片管理操作的。对于本文的分片原则在此需要说明的是：第一，我们运用测量、统计、计算的方法将地理距离相对靠近的居民小区划分为同一片区；第二，本文给出的各片区的划分结果，并不一定是最合理的，但确是一种可行的方法；第三，划分方法并不唯一，可根据实际情况及要求灵活操作。

根据附录2中南山区居民数据、中转站位置图以及我们查找的相关信息，我们通过测量统计比较数据的方法，将南山区划分成39个片区，各个片区的详细情况如Excel文件表格。

（2）各片区垃圾总量的预测

1）熵值分析法模型

我们可以根据Excel文件表格中各片区的详细信息，处理：a是根据已有南山区居民区数据得到的，将非自建房产定义为1，自建房产定义为2，办公定义为1，仓库定义2，厂房定义为3，临时建筑定义为4，商业定义成6，住宅定义为7，综合定义8，在归一化后，运用熵值分析法（程序见附录）对各片区垃圾产生量进行预测： 

且满足

式中：为各片区垃圾预测产生量占总量的比例，再乘以1286吨，即是各个片区通过熵值分析法得到的垃圾产生量预测值。

由于影响垃圾产生的因素有很多，对于众多因素，我们可以采用变量聚类法，对数据进行预处理。经过变量与处理后，实际运算时，相当于一元回归的“人口模式”预测法。

运用熵值分析法的方法，通过Matlab编程计算得到，各片区产生垃圾总量的预测值，详细情况如Excel文件表格。

2）灰色预测模型

通过查找、统计数据，可以得到我们划分出的各片区以往的垃圾产生量（即模型中的原始时间序列数据）。

我们选择使用灰色预测其原因在于：

①灰色预测比较适合于数据量较少的情形，即少数据建模。由于时间有限数据信息不全我们无法统计处很多数据。

②对原始数据的分布和个数无严格要求。

③我们的原始数据是非负序列，且是等时距的。

灰色预测方法的步骤：

Ⅰ.若给定原始数据数列：

检查原始数据是否满足：非负性；等时距性。

原始数据的级比检验：定义

    为原始数据的级比。若不为常数，则只有当所有级比时，原始数据序列可以用于建立GM(1,1)模型以及进行灰色预测。

Ⅱ.建立GM(1,1)模型

①对序列数据作一次累加生成记为：

其中，   。

②构造矩阵B与向量：

③用最小二乘法求解系数：

④建立GM(1,1)模型：

⑤将还原：

上式通过检验后，即可用于外推预测。

⑥模型检验：

残差检验：残差是指原始数据与其预测值的相对误差，称为相对残差值，记为，即

显然，越小越好，若，则可认为GM(1,1)模型精度达到了一般要求。通过Matlab编程求解得到，各片区垃圾产生总量的灰色模型预测值，详细数据如Excel文件表格。

在实际应用中，灰色系统模型预测法会产生正误差，而熵值分析法的预测结果偏小。因此可以结合2种预测方法的特点，运用2种预测值的加权平均值作为垃圾产生量的推荐值，各片区的垃圾产生量推荐值如Excel文件表格所示。

2、垃圾收集点及相关距离的确定

无论是片区内居民自己将垃圾投放到垃圾收集点，还是由环卫工人用垃圾箱（或车）将垃圾运至垃圾集中点，总之，我们可以视为该片区内的所有垃圾都集中在了垃圾收集点，并从此处运送到转运站。为了方便有效的使片区内的垃圾集中，以及减少对环境的影响，我们确定的各片区垃圾收集点的情况。在各片区垃圾收集点设置原则上，需要说明的是：确定收集点的方法并不唯一，可以视实际情况灵活选择。

我们通过查找、测量、统计、计算得到的的各个距离的详细情况如Excel文件表格。（垃圾收集点与转运站之间的距离、转运站与转运站之间的距离、转运站与垃圾处理中心的距离、垃圾收集点与垃圾处理中心之间的距离）

3、设备的设计与清运路线的优化模型

在建立优化模型之前，需要对环保效果进行考虑。该优化问题不仅要总路线最短（即总花费最少），而且要实现经济与环境的双赢，因此，必须将环境因素加至优化模型中，即对实际的垃圾收集点到转运站之间的线路长度，进行加权改造，得到综合线路长度的公式：

式中：为综合路线长度（km）；为实际路线长度（km）；为噪声影响权重；为大气影响权重。通过查找、调查，我们统计处理如表、、所示的数据，其分别为噪声影响因子与大气影响因子的量化数据。根据公式我们求解得到，垃圾收集点到转运站之间的综合线路长度，详细情况如Excel文件表格。

我们可以认为，对环境危害越大，综合距离就会相对变长，会使花费增加，为了使经济效益好，必然要选择综合距离较短的路径，也就是对环境危害相对低的路径。

目标函数的确定：

1）收益部分：

1橱余垃圾经过处理后的产物所得的收益；

2可回收垃圾的收益；

2）花费部分：

1垃圾从收集点清运到转运站的运输费用；

②未经转运站的垃圾从收集点直接运到垃圾处理中心的运输费用；

③分类后的垃圾从转运站运到垃圾处理中心的运输费用；

④为了提高设备的利用率以及保证将全部的橱余垃圾处理，我们允许转运站之间进行橱余垃圾的运输，因此产生了相应的转运站之间的运输费用；

⑤用于处理橱余垃圾的设备的相关费用；

⑥司机工资所需费用；

综上所述，在整个对垃圾处理过程中的经济效益为：

约束条件：

①每个收集点的垃圾必须全部被运完，不能遗留；

2各转运站橱余垃圾总量不能超过该转运站设备的日处理能力；

3各转运站垃圾的总量不能超过该转运站的容量；

④收集车在运送垃圾的过程中所行使的总路程，不能超过其在允许工作的最长时间内可以行驶的最大里程；

⑤拖车在运送垃圾的过程中所行使的总路程，不能超过其在允许工作的最长时间内可以行驶的最大里程；

⑥非负约束；

我们以经济效益最大为目标，建立以下优化模型：

我们运用lingo编程进行了求解，详细结果如Excel文件表格所示。

4、垃圾转运站待选点的确定

在垃圾的收集、清运、中转三个过程中我们必须要遵照如下原则：垃圾收集点的垃圾只能就近运往一个垃圾转运站,而且一个转运站可以接受多个垃圾收集点的垃圾，垃圾收集点和转运站是“多对一”的关系；而一个转运站的垃圾可以运往多个垃圾处理中心，而且一个垃圾处理中心可以接受多个转运站的垃圾，转运站与处理中心之间是“多对多”的关系。为了尽量多的考虑到环境问题，我们确定了各片区垃圾收集点的垃圾必须全部经过转运站处理的要求，这样既对环保有利又有一定的经济收益。

我们运用集合覆盖模型来确定转运站的待选址。需要用最少的转运站去覆盖所有的垃圾收集点。这同样是一个优化问题，因此我们建立了如下的优化模型：

首先在建模之前，我们需要对模型中符号进行如下说明：

：表示第m个片区的垃圾收集量；

：表示筛选出的第i座垃圾转运站的转运量；

：是否启用第i座垃圾转运站；

：第m个垃圾收集点是否被第i个转运站覆盖；

：筛选出的第k个转运站所覆盖的垃圾收集点的集合；

：可以覆盖第m个收集点的转运站的集合， 

目标函数：

从现有的m个垃圾收集点的位置中优选出可以覆盖m个垃圾收集点的最小数目中的转运站选点；

约束条件：

(1)每一座垃圾收集站的垃圾均被清运；

(2)满足垃圾中转站中转能力的要求；

(3)垃圾收集点和转运站的垃圾量非负；

决策变量：

综上所述，我们建立了如下模型：

我们可以选用启发式算法进行求解，所得结果可能不是最优解，但必定是可行解，据此初步确定垃圾中转站的待选点，为二次优化做准备。

5、转运站选址优化模型

在确定了垃圾转运站的待选点后，运用整数规划法建立整个垃圾收运系统总费用现值最小模型，实现总体优化，并从垃圾转运站待选点中，优选出转运站位置的最优组合，同时确定最优组合中每座转运站接收垃圾的容量，在垃圾收集点和处理中心的位置和数量已确定的情况下，整个垃圾收运过程中所发生的费用主要取决于规划期内垃圾从收集点到转运站的运输费用、垃圾从转运站到处理中心的运输费用、转运站的固定投资费用和转运站橱余垃圾处理设备的费用，上述4种费用彼此相互关联互相制约，均与转运站位置、规模密切相关。据此，我们建立了优化模型如下：

首先在建模之前，我们需要对模型中符号进行如下说明：

：为规划使用年限，建设期为年

：为进行现值转换的贴现值

：为第m个片区运往第i个中转站单位运输量单位距离的费用

：为第m个片区运往第i个中转站的日运输量

：为第m个片区运往第i个中转站的距离

：为第i个中转站运往第j个处理厂单位运输量单位距离的费用

：为第i个中转站运往第j个处理厂的日运输量

：为第i个中转站运往第j个处理厂的距离

：为规划期内待建中转站的固定投资

：为中转站的运行成本

：为中转站建设的最小控制规模

：为中转站建设的最大控制规模

目标函数：

垃圾收运系统中收集、清运、中转过程中所发生的费用的最小值，需要说明的是，该部分费用通过贴现率r进行现值转换，将其有机结合在一起（以每年365d计算）。

约束条件：

1）转运站固定投资与实际接纳垃圾量之间的函数关系；

2）进出转运站的垃圾量的物料平衡关系；

3）1个垃圾收集点的垃圾只运往1个转运站（多对一）；

4）是否启用转运站；

5）转运站规模的约束；

   决策变量：

六、模型评价

(1)在对数据的处理阶段，我们将南山区的居民小区进行了分片区的数据统计、计算，虽然分片的原则和结果并不一定贴近实际，但分片区的做法确实是可行的合理的。

(2)在原题中并未给出垃圾收集点的概念，我们人为设定了各片区的垃圾收集点，旨在统一、集中管理各片区的垃圾，利于垃圾迅速收集集中，方便居民生活，尽量避免影响环境，减小收集车的行驶距离，虽然垃圾收集点的位置设定并不一定符合实际，但此做法不失为一种节约环保的措施。

(3)文中给出的4个距离(垃圾收集点与转运站之间的距离、转运站与转运站之间的距离、转运站与垃圾处理中心的距离、垃圾收集点与垃圾处理中心之间的距离)，由于我们未能实地勘查、测量，肯定是与实际结果有一定出入，我们已做到尽量贴近实际。

(4)在优化模型的求解过程中，我们已尽量将涉及的问题考虑全面，但由于时间关系，我们还未能解出结果。若能给我们更多的时间相信我们会考虑的更加全面，做的更好。

参考文献

[1]蔡临宁，物流系统规划——建模及实例分析，北京：机械工业出版社，2003年。

[2]王炳礼，城市垃圾转运站设计规范，北京：中国建筑工业出版社，1992年。

[3]李国建，城市垃圾处理工程，北京：科学出版社，2003年。

[4]刘建国，城市生活垃圾收运路线优化研究，环境工程报，2008,16（1）：11-15。

[5]尹建刚，上海中心城区垃圾收运处置规划的度分析，世界地理研究，2005,14（2）：44-50。

附录

灰色预测函数：

function yc=gray(x0)

temp=0;

n=length(x0);

jibi=x0(1:n-1)./x0(2:n);

left=exp(-2/(n+1));

right=exp(2/(n+1));

while 1

if jibi<=left | jibi>=right

    temp=temp+0.5;

    x0=x0+temp;

    jibi=x0(1:n-1)./x0(2:n);

else

    break

end

end

x1(1)=x0(1);

for i=2:n

    x1(i)=x1(i-1)+x0(i);

end

z1=(x1(1:n-1)+x1(2:n))./2;

B=ones(n-1,2);

B(:,1)=-z1';

Y=x0(2:n);

Y=Y';

flag=det(B'*B);

if flag==0

    disp('ÓÉÓÚB''*BµÄÄæÕó²»´æÔÚ£¬Òò´Ë²ÎÊýÎ޽⣡');

    return

end

u=inv(B'*B)*B'*Y;

a=u(1);b=u(2);

x1_yc(1)=x1(1);

x1_yc(2:n)=(x0(1)-b/a)*exp(-a*(1:n-1))+b/a;

x0_yc(1)=x0(1);

x0_yc(2:n)=x1_yc(2:n)-x1_yc(1:n-1);

e=(x0(2:n)-x0_yc(2:n))./x0(2:n);

e_ave=mean(abs(e));

p=1-(1-0.5*a)*jibi./(1+0.5*a);

p_ave=mean(abs(p));

x0_ave=mean(x0);

s1=sqrt(sum((x0-x0_ave).^2)/n);

x0_cancha=x0-x0_yc;

x0_cancha_ave=mean(x0_cancha);

s2=sqrt(sum((x0_cancha-x0_cancha_ave).^2)/n);

c=s2/s1;

left=x0_cancha_ave-0.6745*s1;

right=x0_cancha_ave+0.6745*s1;

h1=x0_cancha>=left;

h2=x0_cancha<=right;

h=h1&h2;

p=sum(h)/n;

x1_yc(n:n+1)=(x0(1)-b/a)*exp(-a*(n-1:n))+b/a;

x0_yc(n+1)=x1_yc(n+1)-x1_yc(n);

yc=x0_yc(n+1)-temp;

熵值分析法函数：

clear

clc

%aÊǸù¾ÝÒÑÓÐÄÏɽÇø¾ÓÃñÇøÊý¾ÝµÃµ½µÄ£¬½«·Ç×Ô½¨·¿²ú¶¨ÒåΪ1£¬×Ô½¨·¿²ú¶¨ÒåΪ2£¬°ì¹«¶¨ÒåΪ1£¬²Ö¿â¶¨Òå2£¬³§·¿¶¨ÒåΪ3£¬ÁÙʱ½¨Öþ¶¨ÒåΪ4£¬ÉÌÒµ¶¨Òå³É6£¬

%סլ¶¨ÒåΪ7£¬×ۺ϶¨Òå8

a=[10262    101049  186276

5269    92240   1694

4295    74962   136052

2328    59962   117149

3116    55390   88131

1919    37910   62574

2016    43927   788

805 18496   271

765 18339   27577

541 16627   268

529 8691    16206

346 7720    11822

374 5381    8719

408 9405    154

141 4673    7425

294 3600    5157

271 5102    7091

91  3442    5832

44  1209    2476

262 3704    7170

195 2730    5715

266 5759    10692

44  11    3513

30  817 372

34  1151    477

  1110    824

34  1473    3257

33  1036    445

42  1323    1028

35  626 311

25  186 79

5   133 79

35  638 653

43  533 5

1   33  79

9   218 426

4   37  79

11  154 2];

save a 'a';

min_a=min(a);

max_a=max(a);

max_min_a=max_a-min_a;

for j=1:3

    for i=1:38

        b(i,j)=(a(i,j)-min_a(j))/max_min_a(j);

    end

end

save b 'b';

%bÊǹéÒ»»¯ºóµÄÖµ

b=1+b;

l=sum(b);

for i=1:3

    for j=1:28

        p(j,i)=b(j,i)/l(i);

    end

end

h=(-1/log(38))*sum(p.*log(p));

w=(1-h)/(3-sum(h'));

q=w*b';

%qÊÇìØÖµ¹¹È¨µÄ½á¹û

q=q./sum(q);

%ÏÖÔÚqÊÇÔ¤²âµÄ¸÷СÇøµÄÀ¬»øÕ¼ÓбÈÀý

q=1280.*q;

%qÏÖÔÚÊÇÔ¤²âµÄ¸öСÇøÀ¬»ø²úÉúÁ¿

c=[0.9 0.95 1 1.05 1.09 1.1 1.12 1.15 1.2];

c_result=gray(c);

%grayÊÇ»ÒÉ«Ô¤²âµÄº¯Êý

%c_result¼ÈÊÇ2011µÄÈ˾ùÀ¬»ø²úÉúÁ¿

a_c_result=a(:,3)'.*c_result*10^(-3);

%a_c_result¼ÈÊÇʹÓûÒÉ«Ô¤²âµÄ¸èƬÇøÀ¬»ø²úÉúÁ¿

laji_result=(q+a_c_result)/2;

save laji_result 'laji_result'

%laji_result¼ÈÊÇ×îÖÕ¸÷ƬÇøÔ¤²âÖµ

jili_1=rand(38,3)*100;

jili_2=rand(38,3)*100;

jili_3=rand(38,3)*100;

jili_4=rand(38,3)*100;

zaoshang=rand(38,3);

jili_1=jili_1*zaoshang;

jili_2=jili_2*zaoshang;

jili_3=jili_3*zaoshang;

jili_4=jili_4*zaoshang;