自然与社会的离散动力学

随着航空运输业的迅猛发展，终端区的航班拥堵问题日益严重。特别是对到达飞机来说，滞留和延误不仅增加了空管人员和机组人员的工作量，而且降低了运营效率。为解决这一问题，研究如何提高到达机的作战效率是至关重要的。本文以点合并(Point Merge, PM)程序在世界繁忙的TMA中快速推广为背景，首先将点合并程序的优化与到达机排序相结合，以实现到达机在TMA的运营效益最大化为目标。首先，建立了PM程序框架，以取代传统的标准仪表到达(Standard Instrument Arrival, STAR)进场路线;然后建立PM流程优化模型，为每架到达飞机提供更好的进近路径。然后针对某一到达交通流，建立飞机排序模型，对到达飞机的着陆顺序进行调整，从而进一步提高到达飞机的运营效益。最后，以上海虹桥国际机场TMA为例，比较了不同的飞行程序和不同的降落顺序对到达机运营效益的影响。实验结果表明，应用PM程序优化模型和排序模型可以在保证安全的前提下有效提高运行效益，从而实现TMA中安全有序的途径。

在本文中，我们建立了一个新的数学模型来研究道德腐败的动态，包括全面的适龄性信息和提供指导和咨询。根据对性问题的了解程度，人口被细分为三(3)个不同的隔间。该模型被证明在流行病学和数学上都有很好的拟合。研究了道德无腐败平衡点和特有平衡点的存在性。利用下一代矩阵法对道德无腐败均衡进行动态监测，确定腐败道德的水平，得到道德无腐败均衡的基本再生数，从而提出有效的干预策略来控制这个问题。研究了这些平衡点的局部渐近稳定性和全局渐近稳定性。分析揭示了一个全局渐近稳定的无道德腐败均衡 如果不是，则是一个全局渐近稳定的地方性均衡。利用中心流形理论进一步分析表明，该模型具有正向分岔现象，暗示了流行病学的经典需求 是消除道德腐败的必要和充分条件。对使用可用的数值程序得到的图形结果作了简要的讨论。通过数值模拟，确定了综合控制策略是打击道德腐败传播的最佳途径。最后，本文还探讨了一些在社会道德腐败治理中具有重要意义的关键参数。

绿色发展是当今时代的主题。面对“高投资、高污染、高消费”发展模式带来的一系列问题，环境规制是制造业实现环境效益、提高绿色要素总生产率的必要手段。需要实施适当的环境法规，以实现经济和环境收获。本文基于2003 - 2016年中国25个制造业行业的面板数据，构建环境规制综合指标，计算绿色全要素生产率，并运用SBM方向距离函数和Malmquist-Luenberger生产率指数对其进行分解。此外，本文还对我国环境规制对绿色生产力的影响进行了实证分析。主要结论表明:我国制造业绿色全要素生产率总体上保持上升趋势，GTFP的增长主要依赖于技术进步，而非技术效率的提高。差异较大的区域具有显著的产业异质性特征。整个制造业、环境规制和行业GTFP的单一阈值呈“U形”，拐点左侧不显著。中度和轻度污染产业的环境规制强度与GTFP呈“U型”关系，轻污染产业的环境规制强度与GTFP之间不存在非线性关系。因此，政府的最优环境规制强度应根据行业的异质性进行实施，以防止“无效规制”现象，既要关注技术创新，又要关注技术效率。

随着清洁能源并网比例的增加，各种能源电力的有效协调运行成为当前电力系统调度面临的新挑战。清洁能源发电系统的协调运行可以缓解发电与输出功率波动的矛盾，克服新能源发展的瓶颈。考虑到清洁能源的自然特性，本文旨在充分利用清洁能源，降低系统运行成本，增加系统发电量，减少输出波动;建立了清洁能源发电系统协调调度的多目标优化模型。该模型寻求在电网结构约束下实现发电量最大化，输出波动最小化，购电成本最小化，维护成本最小化。在本文中联合算法对目标优化计算有加速作用，进而提高了算法的优越性对算法进行了验证标准系统。利用标准IEEE39节点测试系统验证所建模型的合理性和可行性，为清洁能源系统协调运行机制提供参考策略。根据该模型，在本文的算例中，光伏功率预测的最大值为1290mw，最小值为210mw;风量预测最大值为780 MW，最小值为28 MW;购买和维护电力的最低费用为56,950.395;最大发电量5.045 GW;最小输出波动为0.120 GW。

提高PM的预测精度_2．5本文提出了一种新的带去噪策略的分解集成方法。该方法是在有效的“去噪、分解和集成”框架下的一种改进方法，特别是针对PM的非线性和非平稳特征_2．5浓度数据。在我们的方法中，小波去噪作为一种去噪工具，用于去除原始数据中的噪声。然后，采用变分模态分解(VMD)对去噪后的数据进行分解，生成分量。然后，采用核极限学习机(KELM)作为一种流行的机器学习算法，对所有提取的成分进行单独预测。最后，将这些预测结果聚合为一个集成结果作为最终预测。以每小时点_2．5以西安地区的集中度数据作为样本数据，实证结果表明，我们提出的混合方法在精度方面明显优于所有基准方法(包括单一预测技术和其他分解的类似方法)。因此，鲁棒性结果也表明，我们提出的混合方法可以作为一个有前途的预测工具，以捕获和探索复杂的时间序列数据。

本文将拉普拉斯算子与Caputo-Type Marichev-Saigo-Maeda (MSM)的广义Mittag-Leffler函数的拉普拉斯分数阶微分相结合。此外，本文还给出了一些推论和推论，这些推论和推论是我们主要发现的特殊情况。我们将拉普拉斯算子应用于MSM的右侧分数阶微分算子和左侧分数阶微分算子。我们还将拉普拉斯算子应用于带有Mittag-Leffler函数的右侧MSM分数阶微分算子和带有Mittag-Leffler函数的左侧MSM分数阶微分算子。