Optimized Allowance Allocation and Decision Support Based on L-BFGS Algorithm under a New Carbon Emission Trading Mechanism
Notice bibliographique
Résumé
As the global climate change problem is getting more and more serious, carbon emission quota allocation is more and more emphasized by countries all over the world, while the traditional carbon quota allocation program has the problem of single objective.In order to improve the scientificity and acceptability of the carbon quota allocation scheme, this paper constructs indicators and forms multiobjective functions to formulate the carbon quota allocation scheme from the three perspectives of efficiency, fairness and sustainability, and builds a multi-objective optimization model for carbon quota allocation and decision support.Aiming at the solution problem of the carbon quota allocation model, an improved hybrid swarm algorithm based on Gaussian perturbation, tournament selection strategy and proposed Newtonian local optimization search operator (L-BFGS) is proposed.The model is used to explore the quota allocation scheme for cities in the Bohai Economic Rim in 2030.In the three single-target pre-allocation schemes based on the principles of efficiency, fairness, and sustainability, the difference between the cities with the largest and smallest quotas is 319 Mt, 289 Mt, and 256 Mt, respectively, which lacks scientificity and rationality.In contrast, the allocation results of the multi-objective pre-allocation scheme proposed by the carbon quota allocation model in this paper are relatively balanced and the difference is small, which can eliminate the conflict between multiple principles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».