地区中长期发展规划若干定量模型、算法及应用研究
|
摘要
围绕地区经济预测和中长期发展规划中的若干定量模型、算法以及应用等方面(其中定量方法主要包括投入产出分析、人工神经网络和系统优化方法)，本文进行了一些研究和讨论。
主要研究成果如下：
1．根据信息论中的最小叉熵原理，按照已知信息的多少，建立了几个可用于修订直接消耗系数的熵优化模型，分析了最小叉熵优化模型与NAIVE方法、最大熵优化模型、RAS方法以及改进的RAS方法的关系，并给出了求解优化模型的对偶算法。计算实例的结果表明，所建立的模型和给出的算法是有效的、可行的。
2．深入研究了动态投入产出系统的渐近稳定性和均衡增长解问题。利用矩阵特征值理论和广义系统理论，在相对弱的条件下(不需要直接消耗系数矩阵不可分解)，证明了动态投入产出系统不是渐近稳定的。并在相同条件下，证明了封闭动态投入产出模型存在具有经济意义的均衡增长解。
3．对动态投入产出模型的解及其灵敏度问题进行了分析。给出了基年的总产出向量和各期的最终净需求向量发生变动时，对计划期内国民经济各部门总产出可能产生的影响的计算公式，利用该公式可以方便地计算初始条件和外生变量变动时对国民经济各部门总产出的传递效应，从而为制定经济政策和计划提供科学依据。
4．将人工神经网络技术应用于地区经济预测领域，设计了一个“基于人工神经网络的地区经济预测系统”，并利用HS-FR共轭梯度算法对网络的学习算法进行了改进。该预测系统已用于某地区中长期经济预测，预测结果比较符合实际，已被当地政府计划部门采用，为制定“十五规划”提供了依据。
5．以地区经济预测和规划为实际背景，提出了一个地区经济智能预测系统框架，以人工神经网络方法、动态投入产出技术和系统优化方法为核心，结合
大连理工大学博士学位论文
实际建立了地区经济智能预测模型体系，分析了综合集成技术在构建地区经
济智能预测系统中的应用。
6．给出了一个混合的HSFR共轭梯度算法，在无充分下降条件下，得到了关于
HSFR算法的两个收敛性定理。讨论了一类共轭梯度算法的收敛性，推广了
1992年 Gilbert和 Nocedal的收敛性结果。
7．讨论了进化策略的收敛性。对于有界闭集上的连续函数，利用作者给出的一
种简洁的方法，证明了一类进化策略以概率为1收敛（几乎处处收敛）于优
化问题的全局极小点，为进化算法的收敛性分析提供了一种新的模式。针对
实值连续函数优化问题，提出了一种改进的进化规划算法并给出了收敛性定
理，数值实验表明，所提出的算法是可行的、有效的。
8．针对某省的公路交通的实际情况，建立了一个干线公路网等级结构优化的目
标规划模型，并给出了算法，计算结果已经应用于某省“十五”时期公路网
的实际规划当中。
This dissertation is devoted to some quantitative models, algorithms and applications for regional medium- and long-term development planning. The quantitative methods concern with input-output analysis, artificial neural network and systems optimization methods. The main work of the paper can be summarized as follows:
1. Entropy optimization models and algorithms for updating I-O coefficients are considered. Based on the minimum cross-entropy principle of information theory, several entropy optimization models for updating I-O coefficients are established according to prior information. And the relationships between the minimum cross-entropy optimization model and NAIVE, the maximum entropy optimization model, RAS and modified RAS are analyzed, respectively. A dual algorithm for optimization model with an example is presented. Numerical results illustrate that entropy optimization updating method is feasible and effective.
2. The asymptotic stability and balanced growth solutions of the dynamic input-output system are studied. Under some natural weak assumptions that do not require the technological coefficients matrix is indecomposable, the fact that the dynamic input-output system is not asymptotically stable and the closed dynamic input-output model exists a balanced growth solution is proved.
3. A sensitivity analysis for solutions to dynamic input-output model is performed. The formulations, which compute the changes of national economy sectors' total output during the planning periods when the base year's total output vector and each year's final demand vector vary, are given. Due to the changes of the initial conditions and the exogenous variables, the transfer effects of national economy sectors' total output are revealed.
4. Based on artificial neural network technique, a regional economic forecasting system, which has been applied to practical regional medium- and long-term economic forecasting in certain city, is designed. A mixed HS-FR conjugate gradient algorithm is applied to the regional economic forecasting system to train the neural networks effectively. The proposed forecasting system has been applied to forecast main economic indicator of certain city in "the Tenth Five-Year" period, and the forecasting results are adopted by the regional government plan agency to formulate "the Tenth Five-Year" planning.
5. Directed at regional medium- and long-term economic forecasting and planning, a conceptual framework of regional economic intelligent forecasting system based on the previous studies is presented, and the application of meta-synthesis in building the forecasting system is analyzed. A regional economic intelligent forecasting models system, in which the core is input-output models, artificial neural networks methods, and optimization techniques, is established.
6. A mixed HS-FR conjugate gradient algorithm is proposed. Two convergence theorems without the sufficient descent condition for the mixed HS-FR algorithm are given. The convergence theorem of a class of conjugate gradient algorithms is proven, which extend the main convergence theorem in Gilbert and Noceda (1992).
7. For the purpose of analyzing its asymptotic convergence properties the evolution strategy procedures for real-valued function optimization are described. Two convergence theorems, which show that under suitable conditions the evolution strategy asymptotically converges to a global minimum point with probability one, are given. An improved evolutionary programming algorithm for real-valued function optimization is proposed. Numerical results illustrate that the proposed algorithm is feasible and effective.
8. According to the demands of making the medium- and long-term highway networks planning in certain province, a goal-programming model for arterial highway network grade structure optimization is established, and an algorithm with example is given.
主要研究成果如下：
1．根据信息论中的最小叉熵原理，按照已知信息的多少，建立了几个可用于修订直接消耗系数的熵优化模型，分析了最小叉熵优化模型与NAIVE方法、最大熵优化模型、RAS方法以及改进的RAS方法的关系，并给出了求解优化模型的对偶算法。计算实例的结果表明，所建立的模型和给出的算法是有效的、可行的。
2．深入研究了动态投入产出系统的渐近稳定性和均衡增长解问题。利用矩阵特征值理论和广义系统理论，在相对弱的条件下(不需要直接消耗系数矩阵不可分解)，证明了动态投入产出系统不是渐近稳定的。并在相同条件下，证明了封闭动态投入产出模型存在具有经济意义的均衡增长解。
3．对动态投入产出模型的解及其灵敏度问题进行了分析。给出了基年的总产出向量和各期的最终净需求向量发生变动时，对计划期内国民经济各部门总产出可能产生的影响的计算公式，利用该公式可以方便地计算初始条件和外生变量变动时对国民经济各部门总产出的传递效应，从而为制定经济政策和计划提供科学依据。
4．将人工神经网络技术应用于地区经济预测领域，设计了一个“基于人工神经网络的地区经济预测系统”，并利用HS-FR共轭梯度算法对网络的学习算法进行了改进。该预测系统已用于某地区中长期经济预测，预测结果比较符合实际，已被当地政府计划部门采用，为制定“十五规划”提供了依据。
5．以地区经济预测和规划为实际背景，提出了一个地区经济智能预测系统框架，以人工神经网络方法、动态投入产出技术和系统优化方法为核心，结合
大连理工大学博士学位论文
实际建立了地区经济智能预测模型体系，分析了综合集成技术在构建地区经
济智能预测系统中的应用。
6．给出了一个混合的HSFR共轭梯度算法，在无充分下降条件下，得到了关于
HSFR算法的两个收敛性定理。讨论了一类共轭梯度算法的收敛性，推广了
1992年 Gilbert和 Nocedal的收敛性结果。
7．讨论了进化策略的收敛性。对于有界闭集上的连续函数，利用作者给出的一
种简洁的方法，证明了一类进化策略以概率为1收敛（几乎处处收敛）于优
化问题的全局极小点，为进化算法的收敛性分析提供了一种新的模式。针对
实值连续函数优化问题，提出了一种改进的进化规划算法并给出了收敛性定
理，数值实验表明，所提出的算法是可行的、有效的。
8．针对某省的公路交通的实际情况，建立了一个干线公路网等级结构优化的目
标规划模型，并给出了算法，计算结果已经应用于某省“十五”时期公路网
的实际规划当中。
This dissertation is devoted to some quantitative models, algorithms and applications for regional medium- and long-term development planning. The quantitative methods concern with input-output analysis, artificial neural network and systems optimization methods. The main work of the paper can be summarized as follows:
1. Entropy optimization models and algorithms for updating I-O coefficients are considered. Based on the minimum cross-entropy principle of information theory, several entropy optimization models for updating I-O coefficients are established according to prior information. And the relationships between the minimum cross-entropy optimization model and NAIVE, the maximum entropy optimization model, RAS and modified RAS are analyzed, respectively. A dual algorithm for optimization model with an example is presented. Numerical results illustrate that entropy optimization updating method is feasible and effective.
2. The asymptotic stability and balanced growth solutions of the dynamic input-output system are studied. Under some natural weak assumptions that do not require the technological coefficients matrix is indecomposable, the fact that the dynamic input-output system is not asymptotically stable and the closed dynamic input-output model exists a balanced growth solution is proved.
3. A sensitivity analysis for solutions to dynamic input-output model is performed. The formulations, which compute the changes of national economy sectors' total output during the planning periods when the base year's total output vector and each year's final demand vector vary, are given. Due to the changes of the initial conditions and the exogenous variables, the transfer effects of national economy sectors' total output are revealed.
4. Based on artificial neural network technique, a regional economic forecasting system, which has been applied to practical regional medium- and long-term economic forecasting in certain city, is designed. A mixed HS-FR conjugate gradient algorithm is applied to the regional economic forecasting system to train the neural networks effectively. The proposed forecasting system has been applied to forecast main economic indicator of certain city in "the Tenth Five-Year" period, and the forecasting results are adopted by the regional government plan agency to formulate "the Tenth Five-Year" planning.
5. Directed at regional medium- and long-term economic forecasting and planning, a conceptual framework of regional economic intelligent forecasting system based on the previous studies is presented, and the application of meta-synthesis in building the forecasting system is analyzed. A regional economic intelligent forecasting models system, in which the core is input-output models, artificial neural networks methods, and optimization techniques, is established.
6. A mixed HS-FR conjugate gradient algorithm is proposed. Two convergence theorems without the sufficient descent condition for the mixed HS-FR algorithm are given. The convergence theorem of a class of conjugate gradient algorithms is proven, which extend the main convergence theorem in Gilbert and Noceda (1992).
7. For the purpose of analyzing its asymptotic convergence properties the evolution strategy procedures for real-valued function optimization are described. Two convergence theorems, which show that under suitable conditions the evolution strategy asymptotically converges to a global minimum point with probability one, are given. An improved evolutionary programming algorithm for real-valued function optimization is proposed. Numerical results illustrate that the proposed algorithm is feasible and effective.
8. According to the demands of making the medium- and long-term highway networks planning in certain province, a goal-programming model for arterial highway network grade structure optimization is established, and an algorithm with example is given.
引文
[1] Al-Baali M. Descent property and global convergence of the Fletcher-Reeves method. IMAJ. Numer. Anal, 5(1985), 121-124.
[2] Al-Baali M., R. Fletcher. On the order of convergence of preconditioned nonlinear conjugate gradient methods. SIAM J. Sci. Comput, 17:3(1996),658-665.
[3] Ambati B. K., J. Ambati. M. M. Mokhtar. Heuristic combinatorial optimization by simulated Darwinian evolution: A polynomial time algorithm for the traveling salesman problem. Biological Cybernetics, 65(1991), 31-35.
[4] Andreosso-O'Callaghan B., G. Q. Yue. An analysis of structure change in China using biproportional methods. Economic Systems Research, 12:1(2000),99-111.
[5] Angeline P. J., G. Saunders, J. Pollack. An evolutionary algorithm that constructs neural networks. IEEE Transactions on Neural Networks, 5:1(1994).
[6] Arbel A. Policy evaluation in the dynamic input-output model. International Journal of Systems Science, 12:2(1981), 255-260.
[7] B(?)ck T., F. Hoffmeister. Extended selection mechanisms in genetic algorithms.In: Proceeding of the 4th International Confidence on Genetic Algorithms and Their Applications. Morgan Kaufmann Publishers, Los Altos, 1991.92-99.
[8] B(?)ck T., G. Rudolph, H.-P. Schwefel. Evolutionary programming and evolution strategies: similarities and differences. In: Proceeding of the Second Ann Conference on Evolutionary Programming. Evolutionary Programming Society,La Jolla, 1993.11-22.
[9] Battiti R. First-and second-order methods for learning: between steepest descent and newton's method. Neural Computation, 4(1992), 141-166.
[10] Caballero R., et al. Advances in multiple objective and goal programming.Proceedings of the Second International Conference on Multi-Objective Programming and Goal Programming. Berlin: Springer-Vefiag, 1997.
[11] Charnes A., W. W. Cooper, R. Ferguson. Optimal estimation of executive compensation by linear programming. Management Science, 1(1955), 138-151.
[12] Charnes A., W. W. Cooper. Management models and industrial applications of linear programming. New York: John Wiley & Sons, 1961.
[13] Chris C．郭明译．神经网络：预测的突破，还是时髦．预测，12：3(1993)，65-69．
[14] Cmiel A., H. Gurgul. Dynamic input-output models with stochastic time lags.Proceedings of the Sitting of the Polish Academy of Science, Krakow, Secesja,1995.
[15] Correa H., J. Craft. Input-output analysis for organizational human resource management. Omega, the International Journal of Management Science,27(1999), 87-99.
[16] Dai Y. H., Y. X. Yuan. A nonlinear conjugate gradient with a strong global convergence property. SIAM J. Optimization, 10(2000), 177-182.
[17] Dai Y. H., Y. X. Yuan. Convergence properties of the Fletcher-Reeves method.IMA Journal of Numerical Analysis, 16:2(1996), 155-164.
[18] De Jong K. A. Analysis of behavior of a class of genetic adaptive systems. Ph. D thesis, University of Michigan. Dissertation Abstracts International,36:10(1975), 5140B.
[19] Dorfman R., P. A. Sameulson, R. M. Solow. Linear programming and economic analysis. New York, McGraw-Hill, 1958.
[20] Duncan B. S. Parallel evolutionary programming. In: Proceeding of the Second Ann Conference on Evolutionary Programming. Evolutionary Programming Society, La Jolla, 1993.202-208.
[21] Fang Shu-Cherng, J. R. Rajasekera, and H. S. J. Tsao. Entropy Optimization and Mathematical Programming. Kluwer Academic Publishers, Norwell, MA,1997.
[22] Fletcher R., C. Reeves. Function minimization by conjugate gradients,Compute Journal, 7(1964), 149-154.
[23] Fletcher R. Practical methods of optimization vol.l: unconstrained optimization.Chichester: John Wiley & Sons, 1980.
[24] Fogel D. B., J. W. Atmar. Comparing genetic operators with gaussian mutations in simulated evolutionary processes using linear systems. Biological Cybernetics, 63(1990), 111-114.
[25] Fogel D. B. Evolving artificial intelligence. Ph.D. Dissertation, University of California, San Diego, 1992.
[26] Fogel D. B. An introduction to simulated evolutionary optimization. IEEE Transactions on Neural Networks, 5:1(1994), 3-14.
[27] Fogel D. B. Asymptotic convergence properties of genetic algorithms and evolutionary programming: analysis and experiments. Cybernetics and Systems:An International Journal, 25:3(1994), 389-407.
[28] Fogel L. J. Autonomous automata. Industrial Research, 4(1962), 14-19.
[29] Fogel L. J., A. J. Owens, M. J. Walsh. Artificial intelligence through simulated evolution. New York: John Wiley, 1966.
[30] Friedlander D. A technique for estimating a contingency table, given the marginal totals and some supplementary data. Journal of Royal Statistical Society, Series A, 123:3(1961), 412-420.
[31] Fujimoto T., C. Herrero, A. Villar. A sensitivity analysis for linear systems involving M-matrices and its application to the Leontief model. Linear Algebra and Its Applications, 64(1985), 85-91.
[32] Gen M., R.W. Cheng. Genetic algorithms and engineering design. John Wiley & Sons, Inc., 1997. (中译本：程润伟，汪定伟等译．遗传算法与工程设计．北京科学出版社，2002)．
[33] Gilbert J. C., J. Nocedal. Global convergence properties of conjugate gradient methods for optimization. SIAM J. Optimization, 2:1(1992), 21-42.
[34] Golan A., G. Judge, and D. Miller. Maximum entropy econometrics: robust estimation with limited data. John Wiley & Sons, Chichester, 1996.
[35] Golan A., G Judge, and S. Robinson. Recovering information from incomplete or partial multisectoral economic data. Review of Economics and Statistics,76(1994), 541-549.
[36] Goldberg D. E. Genetic algorithms in search, optimization and machine learning. Addison Wesley, Reading, MA, 1989.
[37] Grubbstrom R. W., O. Tang. Further developments on safety stocks in an MRP system applying Laplace transforms and input-output analysis. International Journal of Production Economics, 60-61(1999), 381-387.
[38] Guo C. H. (郭崇慧), H. W. Tang, L. W. Zhang. Global convergence for a class of conjugate gradient methods. OR Transaction, 3:2(1999), 46-49.
[39] Han J. Y., G. H. Liu, H. X. Yin. Convergence properties of conjugate gradient methods with strong Wolfe line search. Systems Science and Mathematical Science, 11:2(1998), 112-116
[40] Harrigan F., and I. Buchanan. A quadratic programming approach to input-output estimation and simulation. Journal of Regional Science,24:3(1984), 339-358.
[41] Hecht-Nielsen R. Counterpropagation networks. Proceedings of the International Conference on Neural Networks. 1987, I. 19-32
[42] Hecht-Nielsen R. Theory of the backpropagation neural networks. Proceedings of the International Joint Conference on Neural Networks. 1989, I. 593-611
[43] Hestenes M. R., E. L. Stiefel. Methods of conjugate gradients for solving linear systems. J. Res Nat Bur Standards Sect., 5:49(1952), 409-436.
[44] Hestenes M. R. Conjugate direction methods in optimization. New York: Heidelberg Berlin, Springer-Verlag, 1980.
[45] Hill T., L. Marquez et al. 高辉清等译．人工神经网络预测和决策模型．预测，14：4(1995)，68-72．
[46] Holland J. H. Adaptation in natural and artificial system. Ann Arbor: University of Michigan Press, 1975.
[47] Hollstien R. B. Artificial genetic adaptation in computer control systems. Ph. D thesis, University of Michigan. Dissertation Abstracts International, 32:3(1971),1510B.
[48] Hopfield J. J. Artificial networks. IEEE Transaction on Circuit and Devices,Sept. (1998), 3-10.
[49] Hoptraoff R. G., M. J. Bramson, T. J. Hall. Forecasting economic turning points with neural networks. In: Proc. of the Int. Joint Conf. on NNS, 1991.
[50] Horgan J．复杂性研究发展趋势：从复杂性到困惑．科学美国人，10(1995)，42-47．
[51] Hu Y. F., C. Storey. Global convergence result for conjugate gradient methods.Journal of Optimization Theory and Applications, 71:2(1991), 399-405.
[52] Hwarng H. B. Insights into neural-network forecasting of time series corresponding to ARMA (p, q) structures. Omega, International Journal of Management Science, 29(2001), 273-289.
[53] Ignizio J. P. Goal programming and extensions, Lexington Mass Heath (Lexington Books)，1976．(中译本：胡运权译．目标规划及其应用．哈尔滨：哈尔滨工业大学出版社，1988．)
[54] Ignizio J. P., T. Cavalier. Linear programming. Prentice Hall, 1994.
[55] Jalili A. R. Evaluating relative performances of four non-survey techniques of
updating input-output coefficients. Economics of Planning, 33(2000), 221-237.
[56] Jang J. S. R., C. T. Sun, E. Mizutani. Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. Prentice Hall,1997. (中译本：张平安，高春华等译．高春华等译．神经-模糊和软计算．西安：西安交通大学出版社，2000).
[57] Jaynes E. T. Information theory and statistical mechanics. Physics Review,106(1957), 620-630.
[58] Jaynes E. T. Information theory and statistical mechanics Ⅱ, Physics Review,108(1957), 171-190.
[59] Kimoto T., K. Asakawa, M. Yoda. Stock market prediction system with modular neural network. Proceedings of the International Joint Conference on Neural Networks. 1990.
[60] Kuhn H. W., A. W. Tucker. Nonlinear programming. In: Proceeding of the Second Berkeley Symposium on Mathematical Statistics and Probability.University of California Press, Berkeley, California, (1951), 481-492.
[61] Kullback S. Information theory and statistics, John Wiley, New York, 1959.
[62] Kurz H. D., E. Dietzenbacher, C. Lager. Input-output analysis Ⅱ. Great Britain,MPG Books Ltd, Bodmin, Cornwall, 1998.
[63] Kurz H. D., N. Salvadori. 'Classical' roots of input-output analysis: a short account of its long prehistory. Economic Systems Research, 12:2(2000),153-179.
[64] Lapedes A., Farber. Nonlinear signal processing using neural networks:prediction and system modeling. Technical Report LA-UR-87-2662, Los Alamos National Laboratory. Los Alamos. NM, 1987.
[65] Lee S. M. Goal programming for decision analysis. Philadelphia: Auerback,1972. (中译本：宣家骥，卢开译，决策分析的目标规划．北京：清华大学出版社，1986．)
[66] Leontief W. Quantitative input-output relations in the economic systems of the United States. Review of Economics and Statistics, August, 18(1936), 105-125.
[67] Leontief W. The Structure of American economy, 1919-1929. 2nd Edition, New York, IASP Publishing, 1951. (Originally published in 1941).
[68] Leontief W. Studies in the structure of the American economy. Oxford University Press, London, 1953.
[69] Leontief W. Input-output economics. New York, Oxford University Press, 1966.(中译本：列昂惕夫著，崔书香译．投入产出经济．北京：商务印书馆，1982．)
[70] Lewis W. A. Development planning: the essentials of economic policy. Harper & Row Publishers, New York, 1966. (中译本：刘易斯著，何宝玉译．发展计划：经济政策的本质．北京：北京经济学院出版社，1988)
[71] Liew C. L. The dynamic variable input-output model: An advancement from the Leontief dynamic input-output model. The Annals of Regional Science,34:4(2000), 591-614.
[72] Liu G. H., J. Y. Han, H. X. Yin. Global convergence of the Fletcher-Reeves algorithm with an inexact line search. Appl. Math. J. Chinese Univ. Ser. B,
10(1995), 75-82.
[73] Liu Y., L. S. Kang, D. J. Evans. The annealing evolution algorithm as function optimizer. Parallel Computing, 21(1995), 389-400.
[74] Luenberger D. G., A. Arbel. Singular dynamic Leontief system. Econometrica,45:4 (1977), 991-995.
[75] Maasoumi E., A. Khotanzad. Artificial neural networks for some macroeconomic series: a first report. Econometric Reviews, 13:1(1994),105-122.
[76] Maniezzo V. Genetic evolution of the topology and weight distribution of neural networks. IEEE Transactions on Neural Networks, 5:1(1994), 39-53.
[77] Marquez L. Neural network model as alternative to regression. In: Proceeding of the 24th Hawaii International Conference on System Science, 4(1991),129-135.
[78] Michalewicz Z. Genetic Algorithms + Data Structure = Evolution Programs.Springer-Verlag, Berlin, 1996. (中译本：周家驹，何险峰译．演化程序——遗传算法和数据编码的结合．北京：科学出版社，2000)．
[79] Minsky M. L., S. A. Papert. Perceptrons. Cambridge, MA: MIT Press, 1969.
[80] Mohr G. A. Numerical procedures for input-output analysis. Applied Mathematics and Computation, 101(1999), 89-98.
[81] M(?)hlenbein H., M. Schomisch, J. Born. The parallel genetic algorithm as function optimizer. Parallel Computing, 17(1991), 619-632.
[82] Nocedal J. Theory of algorithm for unconstrained optimization. Acta Numerica,(1991), 199-242.
[83] Papacostas C. S., et al. Transportation engineering and planning. Prentice-Hall Inc., 1993.
[84] Polak E., J. E. Higgins, D. Q. Mayne. A barrier function method for minimax problem. Mathematical Programming, 54(1992), 155-176.
[85] Powell M. J. D. Nonconvex minimization calculations and the conjugate gradient method. In: Lecture notes in Mathematics vol. 1066. Berlin:Springer-Verlag, 1984. 122-141.
[86] Pryor R. J., N. Basu, and T. Quint. Development of Aspen: a microanalytic simulation model of the U.S. economy. Program Development Department,Sandia National Laboratories, Technique Report: SAND96-0434, 1996.
[87] Rechenberg I. Evolutions strategies. Stuttgart: Frommann Holzboog Verlag,1973.
[88] Romeo A. Handbook of critical issues in goal programming. Pergamon Press,1991.
[89] Rose A., W. Miernyk. Input-output analysis: the first fifty years. Economic Systems Research, 1:2(1989), 229-271.
[90] Rudolph G. On correlated mutation in evolution strategies. In: Parallel Problem Solving from Nature 2. Elsevier Science Press, Netherlands, 1992. 105-114.
[91] Rudolph G. Convergence properties of canonical genetic algorithms. IEEE Transactions on Neural Networks, 5:1(1994), 96-101.
[92] Sandia National Laboratories, Aspen----A smart agent-based economics
simulation model, http://www-aspen.cs.sandia.gov/index.html.
[93] Schneider M. H., S. A. Zenios. A comparative study of algorithms for matrix balancing. Operations Research, 38:3(1990), 439-455.
[94] Schniederjans M. J. Linear goal programming. Petrocelli Books, 1984.
[95] Schwefel H-P. Evolutionsstrategie und numerische optimierung. Ph. D thesis,Berlin: Technical University of Berlin. 1975.
[96] Schwefel H-P. Numerical optimization of computer models. Chichester, John Wiley, 1981.
[97] Simon H. A. Models of man. New York: John Wiley & Sons, 1957.
[98] Somsong C., D. Pataya, A. Vichit. Genetic algorithms in forecasting commercial banks deposit. Proceedings of the IEEE International Conference on Intelligent Systems, 1998, 116-121
[99] Srirengen S., C. K. Looi. On using back-propagation for prediction: an empirical study. Proc. IEEE Int. Conf. on NNs. 1991, 1284-1289.
[100] Steenge A. E. Input-output theory and institutional aspects of environmental policy. Structural Change and Economic Dynamic, 10(1999), 161-176.
[101] Stone R., and A. Brown. A computable model of economic growth. A Program for Growth Series, Vol. 1 London, Chapman and Hall, 1962.
[102] Stone R., J. Bates, and M. Bacharach. A program for growth, input-output relationships, 1954-1966, Vol. 3. Cambridge, MA, MIT Press, 1963.
[103] Takayama A. Mathematical Economics, 2nd ed. Cambridge University Press,1985.
[104] Tam K. Y. Neural network models and the prediction of bank bankruptcy.Omega, International Journal of Management Science, 5:19(1991), 429-445.
[105] Tamburino L. A., M. A. Zmuda, M. M. Rizki. Applying evolutionary search to pattern recognition problem. In: Proceeding of the Second Ann Conference on Evolutionary Programming. Evolutionary Programming Society, La Jolla, 1993.183-191.
[106] Tamiz M., et al. Multi-objective programming and goal programming: theories and applications. Berlin: Springer-Verlag, 1996.
[107] Theil H. Applied economic forecasting. North-Holland Publishing Company,Amsterdam, 1971.
[108] Touati-Ahmed D., C. Storey. Efficient hybrid conjugate gradient techniques. J.Optimization Theory Appl., 64(1990), 379-397.
[109] Varfis A., C. Versino. Univariate economic time series forecasting by connectionist methods. IEEE ICNN-90, 1990,342-345.
[110] Von Neumann J., O. Morgenstem. The theory of games and economic behavior.Princeton University Press, Princeton, New Jersey, 1944.
[111] Wang S. H. An insight into the standard back-propagation neural network model for regression analysis. Omega, International Journal of Management Science, 26:1(1998), 133-140.
[112] Werbos P. Generalization of back-propagation with application to recurrent gas market model. Neural Network, 1(1988), 339-356.
[113] White H. Connectionist nonparametric regression: multiplayer feed forward
networks can learn arbitrary mappings. Neural Networks, 3(1990), 535-549.
[114]Yao X. A review of evolutionary artificial neural networks. International Journal of Intelligent Systems, 8:4(1993), 539-567.
[115]Zadeh L. A. Fuzzy logic, neural network and soft computing. In: Proceedings of 5th IFSA World Congress, 1993.
[116]Zhang J. S. Iterative method for finding the balanced growth solution of the non-linear dynamic input-output model and the dynamic CGE model.Economic Modelling, 18(2001), 117-132.
[117]Zhang J.-H., X.-H. Xu. An efficient evolutionary programming algorithm.Computers & Operations Research, 26(1999), 645-663.
[118]Zoutendijk G. Nonlinear programming computational methods. In: J. Abadie, et al. Integer and nonlinear programming. Amsterdam: North-Holland, 1970,37-86.
[119]陈文伟．智能决策技术．北京：电子工业出版社，1998．
[120]陈锡康．投入占用产出分析——投入产出表的扩展．当代中国投入产出理论与实践．北京：中国国际广播出版社，1988．
[121]陈锡康．投入产出技术的发展趋势与国际动态．系统工程理论与实践，11：2(1991)，44-50．
[122]陈锡康．投入占用产出的理论及其应用．见：李强，刘起运主编．当代中国投入产出实践与研究．北京：中国统计出版社，1999．
[123]成思危，胡清淮，刘敏．大型线性目标规划及其应用．郑州：河南科学技术出版社，2000．
[124]成思危．论软科学研究中的综合集成方法．中国软科学，3(1997)，68-71．
[125]崔玉泉．关于投入产出表中中间投入流量矩阵的调整方法．数学的实践与认识，28：3(1998)，232-237．
[126]达庆利，徐南荣，何建敏．非线性动态环境经济投入产出模型及其递阶优化，自动化学报，15：5(1989)，392-399．
[127]达庆利，何建敏，徐南荣．区域水环境经济系统的多目标规划模型．东南大学学报，22：1(1992)，56-63．
[128]戴华．矩阵论．科学出版社，2001．
[129]戴汝为，王钰，田捷．智能系统的综合集成．杭州：浙江科学技术出版社，1995．
[130]戴汝为．21世纪组织管理途径的探讨．管理科学学报，1：3(1998)，1-6．
[131]戴彧虹，袁亚湘．非线性共轭梯度法．上海：上海科学技术出版社，2000．
[132]邓贵仕，王众托．新一代决策支持系统(DSS)构成与软集成方法．大连理工大学学报，40：5(2000)，613-617．
[133]董承章．投入产出分析．北京：中国财政经济出版社，2000．
[134]董聪，郭晓华．广义遗传算法的数学结构．中国科学基金，2(1999)，77-80．
[135]冯珊．智能化人口—经济发展战略决策支持系统CDSS．系统工程与电子技术，9(1990)，1-7．
[136]冯文权．经济预测与决策技术(修订本)，武汉：武汉大学出版社，1994．
[137]龚六堂．经济学中的优化方法．北京：北京大学出版社，2000．
[138]顾海兵，赵革，李富强．中国产业经济动态：1987-1990-1992系列中国投入产出表比较分析．数量经济与技术经济研究，14：1(1997)，12-18．
[139]顾基发，唐锡晋．从古代系统思想到现代东方系统方法论．系统工程理论与实践，20：1(2000)，89-92．
[140]郭崇慧，唐焕文．演化策略的全局收敛性．计算数学，23：1(2001a)，105-110．
[141]郭崇慧，唐焕文．宏观经济预测模型体系研究．运筹与管理，10：4(2001b)，1-8．
[142]郭崇慧，唐焕文．论宏观经济智能预测系统中的综合集成技术应用．中国软科学，12(2001c)，111-114．
[143]郭祟慧，唐焕文．一种改进的进化规划算法及其收敛性．高校计算数学学报，24：1(2002a)，51-56．
[144]郭崇慧，唐焕文．干线公路网等级结构优化模型与算法．运筹学学报，6：2(2002b)，91-97．
[145]郭伟斌，唐焕文，马占新．神经网络预测系统中的输入输出指标研究．大连理工大学学报，39：4(1999)，583-587．
[146]何耀华，夏志忠．BP网络的快速自适应学习算法．系统工程理论与实践，1(2000)，93-98．
[147]何振亚．神经智能——认知科学中若干重大问题的研究．长沙：湖南科学技术出版社，1997．
[148]胡代平，刘豹．基于Agent的预测支持系统的设计．管理科学学报，1：4(1998)，82-86．
[149]胡显佑，龚德恩．线性经济模型及其数学方法．北京：中国人民大学出版社，1995．
[150]胡毓达．实用多目标最优化．上海：上海科学技术出版社，1994．
[151]黄梯云等．模型管理系统及其发展．管理科学学报，1：1(1998)，57-63．
[152]黄梯云．智能决策支持系统．北京：电子工业出版社，2001．
[153]黄小原．动态经济系统的神经网络模型和预报．数量经济技术经济研究，5(1992)，68-72．
[154]江学军，唐焕文．基于进化算法神经网络的经济预测．数量经济技术经济研究，7(1999)，75-77．
[155]交通部公路规划设计院．公路网规划编制办法．北京：人民交通出版社，1990．
[156]焦李成．神经网络系统理论．西安：西安电子科技大学出版社，1990．
[157]靳蕃．神经计算智能基础 原理·方法．成都：西南交通大学出版社，2000．
[158]雷明．绿色投入产出核算——理论与应用．北京：北京大学出版社，2000．
[159]李秉全．投入产出技术与企业管理现代化．北京：科学出版社，1988．
[160]李国杰．计算智能：一个重要的研究方向．智能计算机基础研究94．北京：清华大学出版社，1994．
[161]李宏，唐焕文，郭崇慧．一类进化策略的收敛性分析．运筹学学报，3：4(1999)，79-83．
[162]李京文．21世纪中国经济大趋势．沈阳：辽宁人民出版社，1998．
[163]李京文．中国经济：“十五”预测与21世纪展望．北京：社会科学文献出版社，2001．
[164]李强．当代中国投入产出应用与发展．北京：中国统计出版社，1992．
[165]李强，薛天栋．中国经济发展部门分析兼新编可比价投入产出序列表．北京：中国统计出版社，1998．
[166]李强．论社会主义市场经济条件下投入产出的重要作用．见：李强，刘起运主编．当代中国投入产出实践与研究．北京：中国统计出版社，1999．
[167]李学伟，关忠良，陈景艳．经济数据分析预测学．上海：中国铁道出版社，1998．
[168]李子奈．计量经济学——方法和应用．北京：清华大学出版社，1992．
[169]梁之舜，邓集贤等．概率论与数理统计．北京：高等教育出版社，1988．
[170]林锉云，董加礼．多目标最优化的方法与理论，长春：吉林教育出版社，1992．
[171]刘豹，胡代平．神经网络在预测中的一些应用．系统工程学报，14：4(1999)，338-344．
[172]刘峰，刘贵忠，张茁生．进化规划的Markov过程分析及收敛性．电子学报，26：8(1998)，76-79．
[173]刘国光，李京文．1995年中国经济形势分析与预测．北京：中国社会科学出版社，1994．
[174]刘国光，王洛林，李京文．2001年中国经济形势分析与预测．北京：社会科学文献出版社，2001．
[175]刘洪．非线性系统理论与预测研究新范式．预测，2(1999)，1-6．
[176]刘洪．经济混沌管理——理论方法应用．北京：中国发展出版社，2001．
[177]刘起运．经济系统规划方法和模型．北京：中国统计出版社，1993．
[178]马宾．运用系统工程方法开展社会经济系统工程的工作．系统工程，3：4(1985)，1-3．
[179]毛海军，唐焕文．基于Agent的决策支持系统研究．计算机工程与应用，15(1999)，12-13．
[180]那日萨，唐焕文．利率、工资及产品价格变化与直接消耗系数阵变化关系的研究．系统工程理论与实践，18：4(1998a)，29-33．
[181]那日萨，唐焕文．一个多目标动态投入产出优化模型及其算法(Ⅰ)．系统工程理论与实践，18：8(1998b)，49-52．
[182]那日萨，唐焕文．一个多目标动态投入产出优化模型及其算法(Ⅱ)．系统工程理论与实践，18：9(1998c)，91-95．
[183]那日萨．地区中长期发展规划若干定量方法的研究．大连理工大学博士学位论文，1998．
[184]那日萨，唐焕文．动态投入产出表．见李强等主编，当代中国投入产出实践与研究，北京：中国统计出版社，1999．
[185]潘正君，康立山，陈毓平．演化计算．北京；清华大学出版社，1998．
[186]彭宏，王兴华．具有Elitist选择的遗传算法的收敛速度估计．科学通报，42：2(1997)，144-146．
[187]彭宏等．解约束优化问题的进化策略与混合进化策略的比较．数值计算与计算机应用，19：1(1998)，35-40．
[188]戚后铎，韩继业，刘光辉．修正Hestenes-Stiefel共轭梯度算法．数学年刊，17A：3(1996)，277-284．
[189]齐小刚，李元左，常显齐．智能控制系统与综合集成技术．中国控制会议论文集，武汉：武汉出版社，1997．
[190]钱学森，于景元，戴汝为．一个科学新领域——开放的复杂巨系统及其方法论．自然杂志，13：1(1990)，3-10．
[191]任若恩，王惠文．多元统计数据分析——理论、方法、实例．北京：国防
工业出版社，1997．
[192]荣莉莉，王众托．从样本数据中获取模糊规则的一种算法．系统工程学报，13：1(1998)，57-65．
[193]荣莉莉，王众托．用模糊神经网络建立GNP与产业结构的关系模型．大连理工大学学报，39：1(1999)，114-119．
[194]石山铭，张维，刘豹．神经网络非线性预测模型及变量的合理选择．决策与决策支持系统，3：4(1993)，72-78．
[195]石山铭，刘豹．神经网络模型用于多变量综合预测．系统工程学报，9：10(1994)，91-99．
[196]宋健，于景元．人口控制论．北京：科学出版社，1984．
[197]宋健．加强基础研究，逼近科学前沿．系统工程理论与实践，15：2(1995)，1-4．
[198]孙艳丰，王众托．遗传算法在优化问题中的应用研究进展．控制与决策，11：4(1996)，425-431．
[199]唐焕文等．经济指标预测的人工神经网络系统．中国控制会议论文集，武汉：武汉出版社，1997．
[200]唐焕文，那日萨，郭伟斌．地区中长期发展规划模型研究．运筹学杂志，16：1(1997)，12-15．
[201]唐焕文，郭崇慧，张立卫．一种混合的HS-FR共轭梯度算法．大连理工大学学报，39：2(1999)，132-136．
[202]唐焕文等．大连经济开发区1995年价值型投入产出表的编制与应用研究．见：李强，刘起运主编．当代中国投入产出实践与研究．北京：中国统计出版社，1999．
[203]唐焕文，秦学志。实用最优化方法．大连：大连理工大学出版社，2000．
[204]唐焕文，贺明峰．数学模型引论(第二版)．北京：高等教育出版社，2001．
[205]唐焕文，郭崇慧等．几种进化算法的比较及计算效率分析．贵州大学学报(自然科学版)，18：Sup(2001)，1-7．
[206]唐小我，朱家才．大型投入产出系统的分解方法。电子科技大学学报，19：3(1990)，320-325．
[207]唐小我．关于投入产出系统分解和完全需要系数矩阵计算的进一步探讨．数学的实践与认识，2(1993)，47-50．
[208]唐小我等．投入产出模型直接消耗系数修订的进一步研究．系统工程，12：2(1994)，62-66．
[209]唐小我．经济预测与决策新方法及其应用研究．成都：电子科技大学出版社，1997
[210]汪浩等．系统工程在浏阳县经济、社会、科技发展规划中的应用．系统工程，2：2(1984)，7-22．
[211]汪同三，沈利生．中国社会科学院数量经济与技术经济研究所经济模型集．北京：社会科学文献出版社，2001．
[212]王慧炯，李泊溪，李善同．中国实用宏观经济模型1999．北京：中国财政经济出版社，1999．
[213]王其藩．高级系统动力学．北京：清华大学出版社，1995．
[214]王其文等．人工神经网络与线性回归的比较．决策与决策支持系统，3：3(1993)，43-49．
[215]王维，贺京同等，人工神经网络在非线性经济预测中的应用．系统工程学
报，15：2(2000)，202-207．
[216]王延章．县区社会经济综合发展研究的决策支持系统．大连：大连工学院出版社，1988．
[217]王元庆．公路网规划理论的比较研究．西安公路交通大学学报，17：2B(1997)，39-43．
[218]王云诚，唐焕文．单峰函数最优化问题的进化策略．计算数学，22：4(2000)，465-472．
[219]王众托等．计算机决策支持系统．北京：中国石化出版社，1995．
[220]王众托．计算机在经营管理中的应用——新的系统构成(第二版)．大连：大连理工大学出版社，1996．
[221]王众托．元决策：概念与方法．大连理工大学学报(社科版)，20：2(1999)，1-7．
[222]王众托．信息化与管理变革．大连：大连理工大学出版社，2000a．
[223]王众托．知识系统工程：知识管理的新学科．大连理工大学学报，40：S1(2000b)，S115-S122．
[224]乌家培，周方．经济模型及其应用．北京：经济科学出版社，1986．
[225]吴海鹰．企业生产经营决策与分析．大连：大连理工大学出版社，1996．
[226]吴维扬．经济预测及案例分析．北京：中国经济出版社，1995．
[227]夏绍伟，赵纯均．动态投入产出的投资模型．清华大学学报，24：3(1984)，103-113．
[228]夏绍伟，赵纯均，李英杰．目标规划在动态投入产出模型中的应用．清华大学学报，26：2(1986)，76-83．
[229]肖为周，李旭宏，徐乃强．公路网规划信息系统中时空技术研究与应用．公路交通科技，17：3(2000)，43-46．
[230]邢文训，谢金星．现代优化计算方法．北京：清华大学出版社，1999．
[231]徐宗本，李国．解全局优化问题的仿生类算法(Ⅰ)：模拟进化算法．运筹学杂志，14：2(1995)，1-13．
[232]徐宗本，陈志平，章祥荪．遗传算法基础理论研究的新近发展．数学进展，29：2(2000)，97-114．
[233]宣家骥，方爱群．目标规划及其应用．合肥：安徽教育出版社，1987．
[234]杨炘．交通运输建设项目综合评价方法及其投入产出模型．清华大学学报，36：10(1996)，18-24．
[235]杨璐，黄梯云，洪家荣．一种基于神经网络的时间序列自适应建模和预测方法，决策与决策支持系统，2(1996)，69-75．
[236]杨兆升，季常煦．公路网规划项目的经济评价方法．吉林工业大学学报，26：2(1996)，24-29．
[237]杨兆升．公路网规划设计方法．吉林工业大学学报，26：4(1996)，100-105．
[238]杨兆升，季常煦，杨楠．公路网规划方案技术水平评价方法的研究．公路交通科技，14：4(1997)，13-17．
[239]姚新，陈国良，徐惠敏．刘勇．进化算法研究进展．计算机学报，18：9(1995)，694-706．
[240]易丹辉．统计预测．北京：中国统计出版社，2001．
[241]尹宏宾，徐建闽，周其节．遗传算法在交通量预测中的应用．中国公路学报，11：2(1998)，69-73．
[242]于景元。科教兴国需要大力发展管理科学技术．管理科学学报，1：1(1998)，15-21．
[243]余建桥．预测模型获取的遗传算法研究．计算机科学，25：2(1998)，49-50
[244]袁嘉新等．系统论在区域规划中的应用．北京：社会科学文献出版社，1987．
[245]袁嘉新，何伦志．经济系统分析．北京：社会科学文献出版社，1997．
[246]袁亚湘．非线性规划数值方法．上海：上海科学技术出版社，1993．
[247]袁亚湘，孙文瑜．最优化理论与方法．北京：科学出版社，1997．
[248]恽为民，席裕庚．遗传算法的收敛性和计算效率分析．控制理论和应用，13：4(1996)，455-460．
[249]曾五一．关于动态投入产出优化模型应用的研究．系统工程，3：2(1985)，29-37．
[250]张国伍．交通运输系统分析．成都：西南交通大学出版社，1991．
[251]张红霞，唐焕文，林建华．多目标动态投入产出优化模型应用研究．大连理工大学学报，41：5(2001)，514-517．
[252]张金水．广义经济系统控制论．北京：清华大学出版社，1990．
[253]张金水．可计算非线性动态投入产出模型．北京：清华大学出版社，2000．
[254]张立明．人工神经网络的模型及其应用．上海：复旦大学出版社，1994．
[255]张铃，张钹．统计遗传算法．软件学报，8：5(1997)，335-344．
[256]张守一．市场经济与经济预测．北京：社会科学文献出版社，2000．
[257]张树升，周伟．县域公路网规划的理论与方法．西安公路学院学报，13：1(1993)，1-8．
[258]张文修，梁怡．遗传算法的数学基础．西安：西安交通大学出版社，2000．
[259]张钟俊，周斯富，司春林，黄培清．经济控制论—控制理论在经济管理中的应用．西安：西安电子科技大学出版社，1991．
[260]赵宏，邹雯，汪浩．证券市场预测的神经网络方法．系统工程理论与实践．6(1997)，127-131．
[261]赵可培．目标规划及其应用．上海：同济大学出版社，1989．
[262]赵新良等．动态投入产出．沈阳：辽宁人民出版社，1988．
[263]赵秀恒，王清印．不确定性系统投入产出分析模型及预测．运筹与管理，10：1(2001)，1-5．
[264]钟契夫．投入产出分析，2版(修订本)．北京：中国财政经济出版社，1997．
[265]钟义信，潘新安，杨义先．智能理论与技术——人工智能-神经网络．北京：人民邮电出版社，1992．
[266]周明，孙树栋．遗传算法原理及应用．北京：国防工业出版社，1999．
[267]周伟，张树升，程苏沙，王元庆．公路网规划两种理论与方法比较分析．西安公路交通大学学报，16：4(1996)，1-4．
[268]周伟等．公路网规划的模糊预测与决策．西安公路交通大学学报，17：2B(1997)，6-17．
[269]周宪毕．公路网规划与设计．北京：人民交通出版社，1995．
[270]朱永达，刘思峰，张永贞，史国栋．中观经济管理——理论·模型·应用．武汉：华中理工大学出版社，1997．
[271]朱中，杨兆升，实时交通流量人工神经网络预测模型．中国公路学报，11：4(1998)，89-92．
[2] Al-Baali M., R. Fletcher. On the order of convergence of preconditioned nonlinear conjugate gradient methods. SIAM J. Sci. Comput, 17:3(1996),658-665.
[3] Ambati B. K., J. Ambati. M. M. Mokhtar. Heuristic combinatorial optimization by simulated Darwinian evolution: A polynomial time algorithm for the traveling salesman problem. Biological Cybernetics, 65(1991), 31-35.
[4] Andreosso-O'Callaghan B., G. Q. Yue. An analysis of structure change in China using biproportional methods. Economic Systems Research, 12:1(2000),99-111.
[5] Angeline P. J., G. Saunders, J. Pollack. An evolutionary algorithm that constructs neural networks. IEEE Transactions on Neural Networks, 5:1(1994).
[6] Arbel A. Policy evaluation in the dynamic input-output model. International Journal of Systems Science, 12:2(1981), 255-260.
[7] B(?)ck T., F. Hoffmeister. Extended selection mechanisms in genetic algorithms.In: Proceeding of the 4th International Confidence on Genetic Algorithms and Their Applications. Morgan Kaufmann Publishers, Los Altos, 1991.92-99.
[8] B(?)ck T., G. Rudolph, H.-P. Schwefel. Evolutionary programming and evolution strategies: similarities and differences. In: Proceeding of the Second Ann Conference on Evolutionary Programming. Evolutionary Programming Society,La Jolla, 1993.11-22.
[9] Battiti R. First-and second-order methods for learning: between steepest descent and newton's method. Neural Computation, 4(1992), 141-166.
[10] Caballero R., et al. Advances in multiple objective and goal programming.Proceedings of the Second International Conference on Multi-Objective Programming and Goal Programming. Berlin: Springer-Vefiag, 1997.
[11] Charnes A., W. W. Cooper, R. Ferguson. Optimal estimation of executive compensation by linear programming. Management Science, 1(1955), 138-151.
[12] Charnes A., W. W. Cooper. Management models and industrial applications of linear programming. New York: John Wiley & Sons, 1961.
[13] Chris C．郭明译．神经网络：预测的突破，还是时髦．预测，12：3(1993)，65-69．
[14] Cmiel A., H. Gurgul. Dynamic input-output models with stochastic time lags.Proceedings of the Sitting of the Polish Academy of Science, Krakow, Secesja,1995.
[15] Correa H., J. Craft. Input-output analysis for organizational human resource management. Omega, the International Journal of Management Science,27(1999), 87-99.
[16] Dai Y. H., Y. X. Yuan. A nonlinear conjugate gradient with a strong global convergence property. SIAM J. Optimization, 10(2000), 177-182.
[17] Dai Y. H., Y. X. Yuan. Convergence properties of the Fletcher-Reeves method.IMA Journal of Numerical Analysis, 16:2(1996), 155-164.
[18] De Jong K. A. Analysis of behavior of a class of genetic adaptive systems. Ph. D thesis, University of Michigan. Dissertation Abstracts International,36:10(1975), 5140B.
[19] Dorfman R., P. A. Sameulson, R. M. Solow. Linear programming and economic analysis. New York, McGraw-Hill, 1958.
[20] Duncan B. S. Parallel evolutionary programming. In: Proceeding of the Second Ann Conference on Evolutionary Programming. Evolutionary Programming Society, La Jolla, 1993.202-208.
[21] Fang Shu-Cherng, J. R. Rajasekera, and H. S. J. Tsao. Entropy Optimization and Mathematical Programming. Kluwer Academic Publishers, Norwell, MA,1997.
[22] Fletcher R., C. Reeves. Function minimization by conjugate gradients,Compute Journal, 7(1964), 149-154.
[23] Fletcher R. Practical methods of optimization vol.l: unconstrained optimization.Chichester: John Wiley & Sons, 1980.
[24] Fogel D. B., J. W. Atmar. Comparing genetic operators with gaussian mutations in simulated evolutionary processes using linear systems. Biological Cybernetics, 63(1990), 111-114.
[25] Fogel D. B. Evolving artificial intelligence. Ph.D. Dissertation, University of California, San Diego, 1992.
[26] Fogel D. B. An introduction to simulated evolutionary optimization. IEEE Transactions on Neural Networks, 5:1(1994), 3-14.
[27] Fogel D. B. Asymptotic convergence properties of genetic algorithms and evolutionary programming: analysis and experiments. Cybernetics and Systems:An International Journal, 25:3(1994), 389-407.
[28] Fogel L. J. Autonomous automata. Industrial Research, 4(1962), 14-19.
[29] Fogel L. J., A. J. Owens, M. J. Walsh. Artificial intelligence through simulated evolution. New York: John Wiley, 1966.
[30] Friedlander D. A technique for estimating a contingency table, given the marginal totals and some supplementary data. Journal of Royal Statistical Society, Series A, 123:3(1961), 412-420.
[31] Fujimoto T., C. Herrero, A. Villar. A sensitivity analysis for linear systems involving M-matrices and its application to the Leontief model. Linear Algebra and Its Applications, 64(1985), 85-91.
[32] Gen M., R.W. Cheng. Genetic algorithms and engineering design. John Wiley & Sons, Inc., 1997. (中译本：程润伟，汪定伟等译．遗传算法与工程设计．北京科学出版社，2002)．
[33] Gilbert J. C., J. Nocedal. Global convergence properties of conjugate gradient methods for optimization. SIAM J. Optimization, 2:1(1992), 21-42.
[34] Golan A., G. Judge, and D. Miller. Maximum entropy econometrics: robust estimation with limited data. John Wiley & Sons, Chichester, 1996.
[35] Golan A., G Judge, and S. Robinson. Recovering information from incomplete or partial multisectoral economic data. Review of Economics and Statistics,76(1994), 541-549.
[36] Goldberg D. E. Genetic algorithms in search, optimization and machine learning. Addison Wesley, Reading, MA, 1989.
[37] Grubbstrom R. W., O. Tang. Further developments on safety stocks in an MRP system applying Laplace transforms and input-output analysis. International Journal of Production Economics, 60-61(1999), 381-387.
[38] Guo C. H. (郭崇慧), H. W. Tang, L. W. Zhang. Global convergence for a class of conjugate gradient methods. OR Transaction, 3:2(1999), 46-49.
[39] Han J. Y., G. H. Liu, H. X. Yin. Convergence properties of conjugate gradient methods with strong Wolfe line search. Systems Science and Mathematical Science, 11:2(1998), 112-116
[40] Harrigan F., and I. Buchanan. A quadratic programming approach to input-output estimation and simulation. Journal of Regional Science,24:3(1984), 339-358.
[41] Hecht-Nielsen R. Counterpropagation networks. Proceedings of the International Conference on Neural Networks. 1987, I. 19-32
[42] Hecht-Nielsen R. Theory of the backpropagation neural networks. Proceedings of the International Joint Conference on Neural Networks. 1989, I. 593-611
[43] Hestenes M. R., E. L. Stiefel. Methods of conjugate gradients for solving linear systems. J. Res Nat Bur Standards Sect., 5:49(1952), 409-436.
[44] Hestenes M. R. Conjugate direction methods in optimization. New York: Heidelberg Berlin, Springer-Verlag, 1980.
[45] Hill T., L. Marquez et al. 高辉清等译．人工神经网络预测和决策模型．预测，14：4(1995)，68-72．
[46] Holland J. H. Adaptation in natural and artificial system. Ann Arbor: University of Michigan Press, 1975.
[47] Hollstien R. B. Artificial genetic adaptation in computer control systems. Ph. D thesis, University of Michigan. Dissertation Abstracts International, 32:3(1971),1510B.
[48] Hopfield J. J. Artificial networks. IEEE Transaction on Circuit and Devices,Sept. (1998), 3-10.
[49] Hoptraoff R. G., M. J. Bramson, T. J. Hall. Forecasting economic turning points with neural networks. In: Proc. of the Int. Joint Conf. on NNS, 1991.
[50] Horgan J．复杂性研究发展趋势：从复杂性到困惑．科学美国人，10(1995)，42-47．
[51] Hu Y. F., C. Storey. Global convergence result for conjugate gradient methods.Journal of Optimization Theory and Applications, 71:2(1991), 399-405.
[52] Hwarng H. B. Insights into neural-network forecasting of time series corresponding to ARMA (p, q) structures. Omega, International Journal of Management Science, 29(2001), 273-289.
[53] Ignizio J. P. Goal programming and extensions, Lexington Mass Heath (Lexington Books)，1976．(中译本：胡运权译．目标规划及其应用．哈尔滨：哈尔滨工业大学出版社，1988．)
[54] Ignizio J. P., T. Cavalier. Linear programming. Prentice Hall, 1994.
[55] Jalili A. R. Evaluating relative performances of four non-survey techniques of
updating input-output coefficients. Economics of Planning, 33(2000), 221-237.
[56] Jang J. S. R., C. T. Sun, E. Mizutani. Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. Prentice Hall,1997. (中译本：张平安，高春华等译．高春华等译．神经-模糊和软计算．西安：西安交通大学出版社，2000).
[57] Jaynes E. T. Information theory and statistical mechanics. Physics Review,106(1957), 620-630.
[58] Jaynes E. T. Information theory and statistical mechanics Ⅱ, Physics Review,108(1957), 171-190.
[59] Kimoto T., K. Asakawa, M. Yoda. Stock market prediction system with modular neural network. Proceedings of the International Joint Conference on Neural Networks. 1990.
[60] Kuhn H. W., A. W. Tucker. Nonlinear programming. In: Proceeding of the Second Berkeley Symposium on Mathematical Statistics and Probability.University of California Press, Berkeley, California, (1951), 481-492.
[61] Kullback S. Information theory and statistics, John Wiley, New York, 1959.
[62] Kurz H. D., E. Dietzenbacher, C. Lager. Input-output analysis Ⅱ. Great Britain,MPG Books Ltd, Bodmin, Cornwall, 1998.
[63] Kurz H. D., N. Salvadori. 'Classical' roots of input-output analysis: a short account of its long prehistory. Economic Systems Research, 12:2(2000),153-179.
[64] Lapedes A., Farber. Nonlinear signal processing using neural networks:prediction and system modeling. Technical Report LA-UR-87-2662, Los Alamos National Laboratory. Los Alamos. NM, 1987.
[65] Lee S. M. Goal programming for decision analysis. Philadelphia: Auerback,1972. (中译本：宣家骥，卢开译，决策分析的目标规划．北京：清华大学出版社，1986．)
[66] Leontief W. Quantitative input-output relations in the economic systems of the United States. Review of Economics and Statistics, August, 18(1936), 105-125.
[67] Leontief W. The Structure of American economy, 1919-1929. 2nd Edition, New York, IASP Publishing, 1951. (Originally published in 1941).
[68] Leontief W. Studies in the structure of the American economy. Oxford University Press, London, 1953.
[69] Leontief W. Input-output economics. New York, Oxford University Press, 1966.(中译本：列昂惕夫著，崔书香译．投入产出经济．北京：商务印书馆，1982．)
[70] Lewis W. A. Development planning: the essentials of economic policy. Harper & Row Publishers, New York, 1966. (中译本：刘易斯著，何宝玉译．发展计划：经济政策的本质．北京：北京经济学院出版社，1988)
[71] Liew C. L. The dynamic variable input-output model: An advancement from the Leontief dynamic input-output model. The Annals of Regional Science,34:4(2000), 591-614.
[72] Liu G. H., J. Y. Han, H. X. Yin. Global convergence of the Fletcher-Reeves algorithm with an inexact line search. Appl. Math. J. Chinese Univ. Ser. B,
10(1995), 75-82.
[73] Liu Y., L. S. Kang, D. J. Evans. The annealing evolution algorithm as function optimizer. Parallel Computing, 21(1995), 389-400.
[74] Luenberger D. G., A. Arbel. Singular dynamic Leontief system. Econometrica,45:4 (1977), 991-995.
[75] Maasoumi E., A. Khotanzad. Artificial neural networks for some macroeconomic series: a first report. Econometric Reviews, 13:1(1994),105-122.
[76] Maniezzo V. Genetic evolution of the topology and weight distribution of neural networks. IEEE Transactions on Neural Networks, 5:1(1994), 39-53.
[77] Marquez L. Neural network model as alternative to regression. In: Proceeding of the 24th Hawaii International Conference on System Science, 4(1991),129-135.
[78] Michalewicz Z. Genetic Algorithms + Data Structure = Evolution Programs.Springer-Verlag, Berlin, 1996. (中译本：周家驹，何险峰译．演化程序——遗传算法和数据编码的结合．北京：科学出版社，2000)．
[79] Minsky M. L., S. A. Papert. Perceptrons. Cambridge, MA: MIT Press, 1969.
[80] Mohr G. A. Numerical procedures for input-output analysis. Applied Mathematics and Computation, 101(1999), 89-98.
[81] M(?)hlenbein H., M. Schomisch, J. Born. The parallel genetic algorithm as function optimizer. Parallel Computing, 17(1991), 619-632.
[82] Nocedal J. Theory of algorithm for unconstrained optimization. Acta Numerica,(1991), 199-242.
[83] Papacostas C. S., et al. Transportation engineering and planning. Prentice-Hall Inc., 1993.
[84] Polak E., J. E. Higgins, D. Q. Mayne. A barrier function method for minimax problem. Mathematical Programming, 54(1992), 155-176.
[85] Powell M. J. D. Nonconvex minimization calculations and the conjugate gradient method. In: Lecture notes in Mathematics vol. 1066. Berlin:Springer-Verlag, 1984. 122-141.
[86] Pryor R. J., N. Basu, and T. Quint. Development of Aspen: a microanalytic simulation model of the U.S. economy. Program Development Department,Sandia National Laboratories, Technique Report: SAND96-0434, 1996.
[87] Rechenberg I. Evolutions strategies. Stuttgart: Frommann Holzboog Verlag,1973.
[88] Romeo A. Handbook of critical issues in goal programming. Pergamon Press,1991.
[89] Rose A., W. Miernyk. Input-output analysis: the first fifty years. Economic Systems Research, 1:2(1989), 229-271.
[90] Rudolph G. On correlated mutation in evolution strategies. In: Parallel Problem Solving from Nature 2. Elsevier Science Press, Netherlands, 1992. 105-114.
[91] Rudolph G. Convergence properties of canonical genetic algorithms. IEEE Transactions on Neural Networks, 5:1(1994), 96-101.
[92] Sandia National Laboratories, Aspen----A smart agent-based economics
simulation model, http://www-aspen.cs.sandia.gov/index.html.
[93] Schneider M. H., S. A. Zenios. A comparative study of algorithms for matrix balancing. Operations Research, 38:3(1990), 439-455.
[94] Schniederjans M. J. Linear goal programming. Petrocelli Books, 1984.
[95] Schwefel H-P. Evolutionsstrategie und numerische optimierung. Ph. D thesis,Berlin: Technical University of Berlin. 1975.
[96] Schwefel H-P. Numerical optimization of computer models. Chichester, John Wiley, 1981.
[97] Simon H. A. Models of man. New York: John Wiley & Sons, 1957.
[98] Somsong C., D. Pataya, A. Vichit. Genetic algorithms in forecasting commercial banks deposit. Proceedings of the IEEE International Conference on Intelligent Systems, 1998, 116-121
[99] Srirengen S., C. K. Looi. On using back-propagation for prediction: an empirical study. Proc. IEEE Int. Conf. on NNs. 1991, 1284-1289.
[100] Steenge A. E. Input-output theory and institutional aspects of environmental policy. Structural Change and Economic Dynamic, 10(1999), 161-176.
[101] Stone R., and A. Brown. A computable model of economic growth. A Program for Growth Series, Vol. 1 London, Chapman and Hall, 1962.
[102] Stone R., J. Bates, and M. Bacharach. A program for growth, input-output relationships, 1954-1966, Vol. 3. Cambridge, MA, MIT Press, 1963.
[103] Takayama A. Mathematical Economics, 2nd ed. Cambridge University Press,1985.
[104] Tam K. Y. Neural network models and the prediction of bank bankruptcy.Omega, International Journal of Management Science, 5:19(1991), 429-445.
[105] Tamburino L. A., M. A. Zmuda, M. M. Rizki. Applying evolutionary search to pattern recognition problem. In: Proceeding of the Second Ann Conference on Evolutionary Programming. Evolutionary Programming Society, La Jolla, 1993.183-191.
[106] Tamiz M., et al. Multi-objective programming and goal programming: theories and applications. Berlin: Springer-Verlag, 1996.
[107] Theil H. Applied economic forecasting. North-Holland Publishing Company,Amsterdam, 1971.
[108] Touati-Ahmed D., C. Storey. Efficient hybrid conjugate gradient techniques. J.Optimization Theory Appl., 64(1990), 379-397.
[109] Varfis A., C. Versino. Univariate economic time series forecasting by connectionist methods. IEEE ICNN-90, 1990,342-345.
[110] Von Neumann J., O. Morgenstem. The theory of games and economic behavior.Princeton University Press, Princeton, New Jersey, 1944.
[111] Wang S. H. An insight into the standard back-propagation neural network model for regression analysis. Omega, International Journal of Management Science, 26:1(1998), 133-140.
[112] Werbos P. Generalization of back-propagation with application to recurrent gas market model. Neural Network, 1(1988), 339-356.
[113] White H. Connectionist nonparametric regression: multiplayer feed forward
networks can learn arbitrary mappings. Neural Networks, 3(1990), 535-549.
[114]Yao X. A review of evolutionary artificial neural networks. International Journal of Intelligent Systems, 8:4(1993), 539-567.
[115]Zadeh L. A. Fuzzy logic, neural network and soft computing. In: Proceedings of 5th IFSA World Congress, 1993.
[116]Zhang J. S. Iterative method for finding the balanced growth solution of the non-linear dynamic input-output model and the dynamic CGE model.Economic Modelling, 18(2001), 117-132.
[117]Zhang J.-H., X.-H. Xu. An efficient evolutionary programming algorithm.Computers & Operations Research, 26(1999), 645-663.
[118]Zoutendijk G. Nonlinear programming computational methods. In: J. Abadie, et al. Integer and nonlinear programming. Amsterdam: North-Holland, 1970,37-86.
[119]陈文伟．智能决策技术．北京：电子工业出版社，1998．
[120]陈锡康．投入占用产出分析——投入产出表的扩展．当代中国投入产出理论与实践．北京：中国国际广播出版社，1988．
[121]陈锡康．投入产出技术的发展趋势与国际动态．系统工程理论与实践，11：2(1991)，44-50．
[122]陈锡康．投入占用产出的理论及其应用．见：李强，刘起运主编．当代中国投入产出实践与研究．北京：中国统计出版社，1999．
[123]成思危，胡清淮，刘敏．大型线性目标规划及其应用．郑州：河南科学技术出版社，2000．
[124]成思危．论软科学研究中的综合集成方法．中国软科学，3(1997)，68-71．
[125]崔玉泉．关于投入产出表中中间投入流量矩阵的调整方法．数学的实践与认识，28：3(1998)，232-237．
[126]达庆利，徐南荣，何建敏．非线性动态环境经济投入产出模型及其递阶优化，自动化学报，15：5(1989)，392-399．
[127]达庆利，何建敏，徐南荣．区域水环境经济系统的多目标规划模型．东南大学学报，22：1(1992)，56-63．
[128]戴华．矩阵论．科学出版社，2001．
[129]戴汝为，王钰，田捷．智能系统的综合集成．杭州：浙江科学技术出版社，1995．
[130]戴汝为．21世纪组织管理途径的探讨．管理科学学报，1：3(1998)，1-6．
[131]戴彧虹，袁亚湘．非线性共轭梯度法．上海：上海科学技术出版社，2000．
[132]邓贵仕，王众托．新一代决策支持系统(DSS)构成与软集成方法．大连理工大学学报，40：5(2000)，613-617．
[133]董承章．投入产出分析．北京：中国财政经济出版社，2000．
[134]董聪，郭晓华．广义遗传算法的数学结构．中国科学基金，2(1999)，77-80．
[135]冯珊．智能化人口—经济发展战略决策支持系统CDSS．系统工程与电子技术，9(1990)，1-7．
[136]冯文权．经济预测与决策技术(修订本)，武汉：武汉大学出版社，1994．
[137]龚六堂．经济学中的优化方法．北京：北京大学出版社，2000．
[138]顾海兵，赵革，李富强．中国产业经济动态：1987-1990-1992系列中国投入产出表比较分析．数量经济与技术经济研究，14：1(1997)，12-18．
[139]顾基发，唐锡晋．从古代系统思想到现代东方系统方法论．系统工程理论与实践，20：1(2000)，89-92．
[140]郭崇慧，唐焕文．演化策略的全局收敛性．计算数学，23：1(2001a)，105-110．
[141]郭崇慧，唐焕文．宏观经济预测模型体系研究．运筹与管理，10：4(2001b)，1-8．
[142]郭崇慧，唐焕文．论宏观经济智能预测系统中的综合集成技术应用．中国软科学，12(2001c)，111-114．
[143]郭祟慧，唐焕文．一种改进的进化规划算法及其收敛性．高校计算数学学报，24：1(2002a)，51-56．
[144]郭崇慧，唐焕文．干线公路网等级结构优化模型与算法．运筹学学报，6：2(2002b)，91-97．
[145]郭伟斌，唐焕文，马占新．神经网络预测系统中的输入输出指标研究．大连理工大学学报，39：4(1999)，583-587．
[146]何耀华，夏志忠．BP网络的快速自适应学习算法．系统工程理论与实践，1(2000)，93-98．
[147]何振亚．神经智能——认知科学中若干重大问题的研究．长沙：湖南科学技术出版社，1997．
[148]胡代平，刘豹．基于Agent的预测支持系统的设计．管理科学学报，1：4(1998)，82-86．
[149]胡显佑，龚德恩．线性经济模型及其数学方法．北京：中国人民大学出版社，1995．
[150]胡毓达．实用多目标最优化．上海：上海科学技术出版社，1994．
[151]黄梯云等．模型管理系统及其发展．管理科学学报，1：1(1998)，57-63．
[152]黄梯云．智能决策支持系统．北京：电子工业出版社，2001．
[153]黄小原．动态经济系统的神经网络模型和预报．数量经济技术经济研究，5(1992)，68-72．
[154]江学军，唐焕文．基于进化算法神经网络的经济预测．数量经济技术经济研究，7(1999)，75-77．
[155]交通部公路规划设计院．公路网规划编制办法．北京：人民交通出版社，1990．
[156]焦李成．神经网络系统理论．西安：西安电子科技大学出版社，1990．
[157]靳蕃．神经计算智能基础 原理·方法．成都：西南交通大学出版社，2000．
[158]雷明．绿色投入产出核算——理论与应用．北京：北京大学出版社，2000．
[159]李秉全．投入产出技术与企业管理现代化．北京：科学出版社，1988．
[160]李国杰．计算智能：一个重要的研究方向．智能计算机基础研究94．北京：清华大学出版社，1994．
[161]李宏，唐焕文，郭崇慧．一类进化策略的收敛性分析．运筹学学报，3：4(1999)，79-83．
[162]李京文．21世纪中国经济大趋势．沈阳：辽宁人民出版社，1998．
[163]李京文．中国经济：“十五”预测与21世纪展望．北京：社会科学文献出版社，2001．
[164]李强．当代中国投入产出应用与发展．北京：中国统计出版社，1992．
[165]李强，薛天栋．中国经济发展部门分析兼新编可比价投入产出序列表．北京：中国统计出版社，1998．
[166]李强．论社会主义市场经济条件下投入产出的重要作用．见：李强，刘起运主编．当代中国投入产出实践与研究．北京：中国统计出版社，1999．
[167]李学伟，关忠良，陈景艳．经济数据分析预测学．上海：中国铁道出版社，1998．
[168]李子奈．计量经济学——方法和应用．北京：清华大学出版社，1992．
[169]梁之舜，邓集贤等．概率论与数理统计．北京：高等教育出版社，1988．
[170]林锉云，董加礼．多目标最优化的方法与理论，长春：吉林教育出版社，1992．
[171]刘豹，胡代平．神经网络在预测中的一些应用．系统工程学报，14：4(1999)，338-344．
[172]刘峰，刘贵忠，张茁生．进化规划的Markov过程分析及收敛性．电子学报，26：8(1998)，76-79．
[173]刘国光，李京文．1995年中国经济形势分析与预测．北京：中国社会科学出版社，1994．
[174]刘国光，王洛林，李京文．2001年中国经济形势分析与预测．北京：社会科学文献出版社，2001．
[175]刘洪．非线性系统理论与预测研究新范式．预测，2(1999)，1-6．
[176]刘洪．经济混沌管理——理论方法应用．北京：中国发展出版社，2001．
[177]刘起运．经济系统规划方法和模型．北京：中国统计出版社，1993．
[178]马宾．运用系统工程方法开展社会经济系统工程的工作．系统工程，3：4(1985)，1-3．
[179]毛海军，唐焕文．基于Agent的决策支持系统研究．计算机工程与应用，15(1999)，12-13．
[180]那日萨，唐焕文．利率、工资及产品价格变化与直接消耗系数阵变化关系的研究．系统工程理论与实践，18：4(1998a)，29-33．
[181]那日萨，唐焕文．一个多目标动态投入产出优化模型及其算法(Ⅰ)．系统工程理论与实践，18：8(1998b)，49-52．
[182]那日萨，唐焕文．一个多目标动态投入产出优化模型及其算法(Ⅱ)．系统工程理论与实践，18：9(1998c)，91-95．
[183]那日萨．地区中长期发展规划若干定量方法的研究．大连理工大学博士学位论文，1998．
[184]那日萨，唐焕文．动态投入产出表．见李强等主编，当代中国投入产出实践与研究，北京：中国统计出版社，1999．
[185]潘正君，康立山，陈毓平．演化计算．北京；清华大学出版社，1998．
[186]彭宏，王兴华．具有Elitist选择的遗传算法的收敛速度估计．科学通报，42：2(1997)，144-146．
[187]彭宏等．解约束优化问题的进化策略与混合进化策略的比较．数值计算与计算机应用，19：1(1998)，35-40．
[188]戚后铎，韩继业，刘光辉．修正Hestenes-Stiefel共轭梯度算法．数学年刊，17A：3(1996)，277-284．
[189]齐小刚，李元左，常显齐．智能控制系统与综合集成技术．中国控制会议论文集，武汉：武汉出版社，1997．
[190]钱学森，于景元，戴汝为．一个科学新领域——开放的复杂巨系统及其方法论．自然杂志，13：1(1990)，3-10．
[191]任若恩，王惠文．多元统计数据分析——理论、方法、实例．北京：国防
工业出版社，1997．
[192]荣莉莉，王众托．从样本数据中获取模糊规则的一种算法．系统工程学报，13：1(1998)，57-65．
[193]荣莉莉，王众托．用模糊神经网络建立GNP与产业结构的关系模型．大连理工大学学报，39：1(1999)，114-119．
[194]石山铭，张维，刘豹．神经网络非线性预测模型及变量的合理选择．决策与决策支持系统，3：4(1993)，72-78．
[195]石山铭，刘豹．神经网络模型用于多变量综合预测．系统工程学报，9：10(1994)，91-99．
[196]宋健，于景元．人口控制论．北京：科学出版社，1984．
[197]宋健．加强基础研究，逼近科学前沿．系统工程理论与实践，15：2(1995)，1-4．
[198]孙艳丰，王众托．遗传算法在优化问题中的应用研究进展．控制与决策，11：4(1996)，425-431．
[199]唐焕文等．经济指标预测的人工神经网络系统．中国控制会议论文集，武汉：武汉出版社，1997．
[200]唐焕文，那日萨，郭伟斌．地区中长期发展规划模型研究．运筹学杂志，16：1(1997)，12-15．
[201]唐焕文，郭崇慧，张立卫．一种混合的HS-FR共轭梯度算法．大连理工大学学报，39：2(1999)，132-136．
[202]唐焕文等．大连经济开发区1995年价值型投入产出表的编制与应用研究．见：李强，刘起运主编．当代中国投入产出实践与研究．北京：中国统计出版社，1999．
[203]唐焕文，秦学志。实用最优化方法．大连：大连理工大学出版社，2000．
[204]唐焕文，贺明峰．数学模型引论(第二版)．北京：高等教育出版社，2001．
[205]唐焕文，郭崇慧等．几种进化算法的比较及计算效率分析．贵州大学学报(自然科学版)，18：Sup(2001)，1-7．
[206]唐小我，朱家才．大型投入产出系统的分解方法。电子科技大学学报，19：3(1990)，320-325．
[207]唐小我．关于投入产出系统分解和完全需要系数矩阵计算的进一步探讨．数学的实践与认识，2(1993)，47-50．
[208]唐小我等．投入产出模型直接消耗系数修订的进一步研究．系统工程，12：2(1994)，62-66．
[209]唐小我．经济预测与决策新方法及其应用研究．成都：电子科技大学出版社，1997
[210]汪浩等．系统工程在浏阳县经济、社会、科技发展规划中的应用．系统工程，2：2(1984)，7-22．
[211]汪同三，沈利生．中国社会科学院数量经济与技术经济研究所经济模型集．北京：社会科学文献出版社，2001．
[212]王慧炯，李泊溪，李善同．中国实用宏观经济模型1999．北京：中国财政经济出版社，1999．
[213]王其藩．高级系统动力学．北京：清华大学出版社，1995．
[214]王其文等．人工神经网络与线性回归的比较．决策与决策支持系统，3：3(1993)，43-49．
[215]王维，贺京同等，人工神经网络在非线性经济预测中的应用．系统工程学
报，15：2(2000)，202-207．
[216]王延章．县区社会经济综合发展研究的决策支持系统．大连：大连工学院出版社，1988．
[217]王元庆．公路网规划理论的比较研究．西安公路交通大学学报，17：2B(1997)，39-43．
[218]王云诚，唐焕文．单峰函数最优化问题的进化策略．计算数学，22：4(2000)，465-472．
[219]王众托等．计算机决策支持系统．北京：中国石化出版社，1995．
[220]王众托．计算机在经营管理中的应用——新的系统构成(第二版)．大连：大连理工大学出版社，1996．
[221]王众托．元决策：概念与方法．大连理工大学学报(社科版)，20：2(1999)，1-7．
[222]王众托．信息化与管理变革．大连：大连理工大学出版社，2000a．
[223]王众托．知识系统工程：知识管理的新学科．大连理工大学学报，40：S1(2000b)，S115-S122．
[224]乌家培，周方．经济模型及其应用．北京：经济科学出版社，1986．
[225]吴海鹰．企业生产经营决策与分析．大连：大连理工大学出版社，1996．
[226]吴维扬．经济预测及案例分析．北京：中国经济出版社，1995．
[227]夏绍伟，赵纯均．动态投入产出的投资模型．清华大学学报，24：3(1984)，103-113．
[228]夏绍伟，赵纯均，李英杰．目标规划在动态投入产出模型中的应用．清华大学学报，26：2(1986)，76-83．
[229]肖为周，李旭宏，徐乃强．公路网规划信息系统中时空技术研究与应用．公路交通科技，17：3(2000)，43-46．
[230]邢文训，谢金星．现代优化计算方法．北京：清华大学出版社，1999．
[231]徐宗本，李国．解全局优化问题的仿生类算法(Ⅰ)：模拟进化算法．运筹学杂志，14：2(1995)，1-13．
[232]徐宗本，陈志平，章祥荪．遗传算法基础理论研究的新近发展．数学进展，29：2(2000)，97-114．
[233]宣家骥，方爱群．目标规划及其应用．合肥：安徽教育出版社，1987．
[234]杨炘．交通运输建设项目综合评价方法及其投入产出模型．清华大学学报，36：10(1996)，18-24．
[235]杨璐，黄梯云，洪家荣．一种基于神经网络的时间序列自适应建模和预测方法，决策与决策支持系统，2(1996)，69-75．
[236]杨兆升，季常煦．公路网规划项目的经济评价方法．吉林工业大学学报，26：2(1996)，24-29．
[237]杨兆升．公路网规划设计方法．吉林工业大学学报，26：4(1996)，100-105．
[238]杨兆升，季常煦，杨楠．公路网规划方案技术水平评价方法的研究．公路交通科技，14：4(1997)，13-17．
[239]姚新，陈国良，徐惠敏．刘勇．进化算法研究进展．计算机学报，18：9(1995)，694-706．
[240]易丹辉．统计预测．北京：中国统计出版社，2001．
[241]尹宏宾，徐建闽，周其节．遗传算法在交通量预测中的应用．中国公路学报，11：2(1998)，69-73．
[242]于景元。科教兴国需要大力发展管理科学技术．管理科学学报，1：1(1998)，15-21．
[243]余建桥．预测模型获取的遗传算法研究．计算机科学，25：2(1998)，49-50
[244]袁嘉新等．系统论在区域规划中的应用．北京：社会科学文献出版社，1987．
[245]袁嘉新，何伦志．经济系统分析．北京：社会科学文献出版社，1997．
[246]袁亚湘．非线性规划数值方法．上海：上海科学技术出版社，1993．
[247]袁亚湘，孙文瑜．最优化理论与方法．北京：科学出版社，1997．
[248]恽为民，席裕庚．遗传算法的收敛性和计算效率分析．控制理论和应用，13：4(1996)，455-460．
[249]曾五一．关于动态投入产出优化模型应用的研究．系统工程，3：2(1985)，29-37．
[250]张国伍．交通运输系统分析．成都：西南交通大学出版社，1991．
[251]张红霞，唐焕文，林建华．多目标动态投入产出优化模型应用研究．大连理工大学学报，41：5(2001)，514-517．
[252]张金水．广义经济系统控制论．北京：清华大学出版社，1990．
[253]张金水．可计算非线性动态投入产出模型．北京：清华大学出版社，2000．
[254]张立明．人工神经网络的模型及其应用．上海：复旦大学出版社，1994．
[255]张铃，张钹．统计遗传算法．软件学报，8：5(1997)，335-344．
[256]张守一．市场经济与经济预测．北京：社会科学文献出版社，2000．
[257]张树升，周伟．县域公路网规划的理论与方法．西安公路学院学报，13：1(1993)，1-8．
[258]张文修，梁怡．遗传算法的数学基础．西安：西安交通大学出版社，2000．
[259]张钟俊，周斯富，司春林，黄培清．经济控制论—控制理论在经济管理中的应用．西安：西安电子科技大学出版社，1991．
[260]赵宏，邹雯，汪浩．证券市场预测的神经网络方法．系统工程理论与实践．6(1997)，127-131．
[261]赵可培．目标规划及其应用．上海：同济大学出版社，1989．
[262]赵新良等．动态投入产出．沈阳：辽宁人民出版社，1988．
[263]赵秀恒，王清印．不确定性系统投入产出分析模型及预测．运筹与管理，10：1(2001)，1-5．
[264]钟契夫．投入产出分析，2版(修订本)．北京：中国财政经济出版社，1997．
[265]钟义信，潘新安，杨义先．智能理论与技术——人工智能-神经网络．北京：人民邮电出版社，1992．
[266]周明，孙树栋．遗传算法原理及应用．北京：国防工业出版社，1999．
[267]周伟，张树升，程苏沙，王元庆．公路网规划两种理论与方法比较分析．西安公路交通大学学报，16：4(1996)，1-4．
[268]周伟等．公路网规划的模糊预测与决策．西安公路交通大学学报，17：2B(1997)，6-17．
[269]周宪毕．公路网规划与设计．北京：人民交通出版社，1995．
[270]朱永达，刘思峰，张永贞，史国栋．中观经济管理——理论·模型·应用．武汉：华中理工大学出版社，1997．
[271]朱中，杨兆升，实时交通流量人工神经网络预测模型．中国公路学报，11：4(1998)，89-92．