求解模糊机会约束规划的混合智能算法

模糊机会约束规划是一类重要的模糊规划,它广泛地存在于许多领域中,微粒群算法已实现了对其的有效求解,但求解速度仍不能满足大规模模糊机会约束规划问题的求解,为了寻找更为高效的求解模糊机会约束规划的算法,通过采用模糊模拟产生样本训练BP网络以逼近模糊函数,然后应用微粒群算法并以逼近模糊函数的神经网络作为适应值估计及检验解的可行性,从而提出了一种求解模糊机会约束规划的混合智能算法。最后通过仿真结果说明了算法的正确性和有效性。     

基于PSO求解随机相关机会规划的有效算法

随机相关机会规划是一类有着广泛应用背景的随机规划问题,通过采用随机仿真产生样本训练BP网络以逼近机会函数,然后应用微粒群算法并以逼近机会函数的神经网络作为适应值估计,从而提出了一种求解随机相关机会规划的混合智能算法。最后通过实例仿真说明了算法的正确性和有效性。     

基于可能性理论的模糊支持向量分类机

研究模糊支持向量分类机的构建问题.其特点是:训练点输出的类型和最终的模糊分类函数的函数值均为三角模糊数.首先,以模糊事件的可能性测度为基础,将模糊分类问题转化为求解模糊机会约束规划问题.然后,利用模糊机会约束规划化为清晰等价规划的方法,将其转化为与其等价的二次规划.据此给出模糊支持向量分类机(算法).同时用一个简单算例说明该算法的合理性.     

求解模糊相关机会规划模型的混合差分进化算法

针对不确定规划领域中存在的模糊相关机会规划模型,基于群体智能的差分进化算法,设计一种新的求解模糊相关机会规划模型的混合智能算法．该算法基于粒子群优化算法对差分进化算法进行改进,并运用模糊模拟技术对模糊相关机会规划模型进行分析和数值求解,无需像传统的基于遗传算法的混合智能算法需要很长时间并经过复杂的计算才能得到合理的结果．最后,通过实例表明了所提混合智能算法的合理性和有效性．     

基于最小二乘支持向量回归机的Mamdani模糊系统结构

为了提高模糊系统处理高维问题的推广能力,基于最小二乘支持向量回归机(LSSVR)的思想提出了一个设计Mamdani模糊系统的新算法。传统算法都存在过学习问题,该算法在目标函数中考虑了结构风险避免了过学习现象,并将模糊系统的参数寻优问题转化为一个二次规划问题进行求解。在此算法中,构造了一种新的具有语言意义的数据依赖型模糊核函数,它是一种Mercer核。实验结果证明,该算法提高了Mamdani模糊系统的逼近能力和推广能力。     

求解随机相关机会规划的有效算法

随机相关机会规划作为一类重要的随机规划,存在于许多领域中.为了寻找更为有效的求解随机相关机会规划的算法,采用随机仿真来逼近机会函数,在微粒群算法中利用随机仿真估计适应值,提出一种将随机仿真与微粒群算法相结合的随机相关机会规划算法.通过实例仿真测试该算法的性能,并与遗传算法进行比较,结果表明本算法具有一定的优势.     

模糊线性支持向量回归机

该文研究了当训练点的输出为三角模糊数时,支持向量回归机的构建问题。首先将模糊回归问题转化为模糊分类问题,并将求模糊最优分类超平面问题转化为求解带有模糊决策的机会约束规划问题。利用基于模糊模拟的遗传算法求解带有模糊决策的机会约束规划,得到模糊最优分类超平面(模糊方程),解模糊方程得到模糊回归函数。在此基础上,得出模糊线性支持向量回归机(算法)。从而较好地解决了支持向量机中含有模糊信息的模糊回归问题。最后,给出显示模糊线性支持向量回归机特点的模糊支持向量集的定义。     

模糊相关机会规划的蚁群优化算法及收敛性分析

模糊相关机会规划(Fuzzy dependent-chance programming, FDCP)因其非线性、非凸性及模糊性,对经典的优化理论提出了极大的挑战. 本文为解决复杂的模糊相关机会规划问题设计了一种基于模糊模拟的蚁群优化算法, 证明了该算法的收敛性,并通过估算期望收敛时间以分析蚁群优化算法的收敛速度. 数值案例研究验证了该算法的有效性、稳定性及准确性.     

机会约束下贷款组合优化决策的方差最小化模型

通过把贷款的收益率刻画为模糊变量,提出了机会约束下贷款组合优化决策的方差最小化模型。针对贷款收益率是特殊的三角模糊变量的情况,给出模型的清晰等价类,对等价类模型用传统的方法进行求解。对于贷款收益率的隶属函数比较复杂的情况,应用集成模糊模拟、神经网络、遗传算法和同步扰动随机逼近算法的混合优化算法求解模型。数值算例验证了模型和算法的有效性。     

商业银行贷款组合优化决策的机会准则模型

通过把贷款的收益率刻画为模糊变量,提出了商业银行贷款组合优化决策的机会准则模型,即可能性准则模型、必要性准则模型和可信性准则模型。对于贷款收益率是特殊的三角模糊变量的情况,给出了模型的清晰等价类,这些等价类可以用传统的方法进行求解。对于贷款收益率的隶属函数比较复杂的情况,应用集成模糊模拟、神经网络、遗传算法和同步扰动随机逼近算法的混合优化算法求解模型。数值算例验证了模型和算法的有效性。     

Dependent-chance programming with fuzzy decisions

Dependent-chance programming (DCP) is a new type of stochastic programming and has been extended to the area of fuzzy programming. This paper provides a spectrum of DCP and dependent-chance multiobjective programming (DCMOP) as well as dependent-chance goal programming (DCGP) models with fuzzy rather than crisp decisions. The terms of uncertain environment, event, chance function, and induced constraints are discussed in the case of fuzzy decisions. A technique of fuzzy simulation is also designed for computing chance functions. Finally, we present a fuzzy simulation-based genetic algorithm for solving these models and illustrate its effectiveness by some numerical examples     

Fuzzy random dependent-chance programming

This paper presents the concepts of uncertain environment, event, chance function and principle of uncertainty for fuzzy random decision systems, thus offering a theoretical framework of fuzzy random dependent-chance programming. A hybrid intelligent algorithm is applied to solving fuzzy random dependent-chance programming models. Some numerical examples are also provided to illustrate the effectiveness of hybrid intelligent algorithm     

基于BP神经网络的模糊参数辨识

提出一种与TSK模糊模型相似的模糊模型—M-2模型,证明了M-2模型与一个4层前向神经网络是等价的,在此基础上提出基于BP神经网络的模糊模型参数辨别算法,即通过BP神经网络对样本数据的学习,直接从样本数据获取模型参数,建立M-2模糊模型,通过仿真实例验证了该算法的有效性。     

Fuzzy random chance-constrained programming

By fuzzy random programming, we mean the optimization theory dealing with fuzzy random decision problems. This paper presents a new concept of chance of fuzzy random events, and constructs a general framework of fuzzy random chance-constrained programming. We also design a spectrum of fuzzy random simulations for computing uncertain functions arising in the area of fuzzy random programming. To speed up the process of handling uncertain functions, we train a neural network to approximate uncertain functions based on the training data generated by fuzzy random simulation. Finally, we integrate the fuzzy random simulation, neural network, and genetic algorithm to produce a more powerful and effective hybrid intelligent algorithm for solving fuzzy random programming models and illustrate its effectiveness by some numerical examples     

基于改进模糊神经网络的PID参数自整定

针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题,提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中,PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定,模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整,仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案,仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。