求解二层规划的混合微粒群算法

对于二层规划问题有许多经典的求解方法，如极点搜索法、分支定界法和罚函数法等。文中给出了基于微粒群算法的二层规划的一种新的求解方法。提出了分别先用单纯形法和内部映射牛顿法的子空间置信域法求解下层规划，然后用微粒群算法求解上层规划的求解方法，这两种混合微粒群算法分别用于求解线性二层规划和非线性二层规划。并结合实例的对比分析，说明了这两种混合微粒群算法求解二层规划的可行性和有效性。     

基于离散微粒群算法求解背包问题研究

微粒群算法(PSO)是一种新的演化算法,主要用于求解数值优化问题.基于离散微粒群算法(DPSO)分别与处理约束问题的罚函数法和贪心变换方法相结合,提出了求解背包问题的两个算法:基于罚函数策略的离散微粒群算法(PFDPSO)和基于贪心变换策略的离散微粒群算法(GDPSO).通过将这两个算法与文献[7]中的混合微粒群算法(Hybrid_PSO)进行数值计算比较发现:对于求解大规模的背包问题,GDPSO非常优秀,其求解能力优于Hybrid_PSO和PFDPSO,是求解背包问题的一种非常有效的方法.     

基于量子粒子群求解混合整数非线性规划

在经典微粒群算法的基础上提出一种有较高收敛性能的智能算法：量子粒子群（QPSO）算法。并用于求解混合整数非线性规划问题。实验室证明QPSO算法收敛性能好、速度快,为求解混合整数非线性规划开辟了新途径。     

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。     

基于改进粒子群的双层规划求解算法

提出一种采用粒子群优化算法求解双层规划模型的算法。首先对粒子群优化算法作了改进,然后用改进后的算法求解双层规划模型,通过两个粒子群优化算法之间的协同迭代,同步优化双层规划的上下层,最终求得双层规划模型的最优解。此算法将求解一般双层规划问题转化为通过两个粒子群优化算法的交互迭代来求解上下两层规划问题。通过对几种典型函数的测试,验证了此算法的有效性。     

求解随机机会约束规划的混合智能算法

随机机会约束规划是一类有着广泛应用背景的随机规划问题,采用随机仿真产生样本训练BP网络以逼近随机函数,然后在微粒群算法中利用神经网络计算适应值和实现检验解的可行性,从而提出了一种求解随机机会约束规划的混合智能算法。最后通过两个实例的仿真结果说明了算法的正确性和有效性。     

量子粒子群优化算法在训练支持向量机中的应用

训练支持向量机的本质问题就是求解二次规划问题，但对大规模的训练样本来说，求解二次规划问题困难很大。遗传算法和粒子群算法等智能搜索技术可以在较少的时间开销内给出问题的近似解。量子粒子群优化（QPSO）算法是在经典的微粒群算法的基础上所提出的一种有较高收敛性和稳定性的进化算法。将操作简单而收敛快速的QPSO算法运用于训练支持向量机，优化求解二次规划问题．为解决大规模的二次规划问题开辟了一条新的途径。     

QPSO算法在训练支持向量机中的应用

训练支持向量机的本质问题就是求解二次规划问题，但对大规模的训练样本来说，求解二次规划问题困难很大。遗传算法和粒子群算法等智能搜索技术可以在较少的时间开销内给出问题的近似解。量子粒子群优化（QPSO）算法是在经典的微粒群算法的基础上所提出的一种有较高收敛性和稳定性的进化算法。将操作简单而收敛快速的QPSO算法运用于训练支持向量机，优化求解二次规划问题，为解决大规模的二次规划问题开辟了一条新的途径。     

基于改进微粒群算法的直觉模糊整数规划

提出了一种基于改进微粒群算法的直觉模糊整数规划。首先定义了目标函数和约束函数的隶属和非隶属函数,通过直觉模糊“最小-最大”算子,提出了直觉模糊整数规划模型;然后通过对微粒群算法进行改进,对直觉模糊整数规划进行了求解,并通过一个算例表明本文的算法性能优于其他几种算法。     

求解模糊相关机会规划的混合智能算法

模糊相关机会规划是一类有着广泛应用背景的随机规划问题,该文采用模糊模拟产生样本训练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模糊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。     

灰色二层多目标线性规划问题及其解法

针对二层多目标线性规划问题,结合灰色系统的特性,提出了一般灰色二层多目标线性规划问题,并给出了模型的相关定义和定理.针对漂移型灰色二层多目标线性规划问题,提出一种具有全局收敛性质的求解算法.首先通过线性加权模理想点法把多目标转化为单目标;然后当可行域为非空紧集时,利用库恩塔克条件把双层转化为单层,再利用粒子群算法搜索单目标单层线性规划即可得到原问题的解;最后通过算例表明了该算法的有效性.     

求解0-1整数规划的混合粒子群优化算法

经典的粒子群是一个有效的寻找连续函数极值的方法,结合遗传算法的思想提出的混合粒子群算法来解决0-1整数规划问题,经过比较测试,6种混合粒子群算法的效果都比较好,特别交叉策略A和变异策略C的混合粒子群算法是最好的且简单有效的算法.对于目前还没有好的解法的组合优化问题,很容易地修改此算法就可解决.     

并行定向扰动的混合粒子群优化算法

针对全向变异易使粒子失去已有的有利搜索信息的问题, 提出了一种并行定向变异的混合粒子群优化算法。该算法以当前群体最优位置为基准, 用变异信息矩阵和混沌位置变异矩阵对群体进行并行定向扰动, 有效利用了现有的有利搜索信息。该算法将并行定向变异与序列二次规划法融为一体, 实现了全局搜索和局部寻优的统一。仿真实验和比较分析结果表明并行定向变异混合粒子群优化算法具有良好的、稳定的优化效果。     

Fuzzy bilevel programming with multiple non-cooperative followers: model,algorithm and application

In centralized decision problems, it is not complicated for decision-makers to make modelling technique selections under uncertainty. When a decentralized decision problem is considered, however, choosing appropriate models is no longer easy due to the difficulty in estimating the other decision-makers’ inconclusive decision criteria. These decision criteria may vary with different decision-makers because of their special risk tolerances and management requirements. Considering the general differences among the decision-makers in decentralized systems, we propose a general framework of fuzzy bilevel programming including hybrid models (integrated with different modelling methods in different levels). Specially, we discuss two of these models which may have wide applications in many fields. Furthermore, we apply the proposed two models to formulate a pricing decision problem in a decentralized supply chain with fuzzy coefficients. In order to solve these models, a hybrid intelligent algorithm integrating fuzzy simulation, neural network and particle swarm optimization based on penalty function approach is designed. Some suggestions on the applications of these models are also presented.     

混合优化算法在兵力部署优化问题中的应用

首先建立了军事作战中兵方部署的两层非线性整数规划模型,根据这种模型的特点,提出了一种求解大规模问题的基于遗传算法和动态规划、具有递阶结构的混合优化算法,该算法可以快速求得满意解。最后给出几个应用算例。     

Solving nonlinear optimal control problems using a hybrid IPSO-SQP algorithm

A hybrid algorithm by integrating an improved particle swarm optimization (IPSO) with successive quadratic programming (SQP), namely IPSO-SQP, is proposed for solving nonlinear optimal control problems. The particle swarm optimization (PSO) is showed to converge rapidly to a near optimum solution, but the search process will become very slow around global optimum. On the contrary, the ability of SQP is weak to escape local optimum but can achieve faster convergent speed around global optimum and the convergent accuracy can be higher. Hence, in the proposed method, at the beginning stage of search process, a PSO algorithm is employed to find a near optimum solution. In this case, an improved PSO (IPSO) algorithm is used to enhance global search ability and convergence speed of algorithm. When the change in fitness value is smaller than a predefined value, the searching process is switched to SQP to accelerate the search process and find an accurate solution. In this way, this hybrid algorithm may find an optimum solution more accurately. To validate the performance of the proposed IPSO-SQP approach, it is evaluated on two optimal control problems. Results show that the performance of the proposed algorithm is satisfactory.     

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．     

A particle swarm–BFGS algorithm for nonlinear programming problems

This article proposes a hybrid optimization algorithm based on a modified BFGS and particle swarm optimization to solve medium scale nonlinear programs. The hybrid algorithm integrates the modified BFGS into particle swarm optimization to solve augmented Lagrangian penalty function. In doing so, the algorithm launches into a global search over the solution space while keeping a detailed exploration into the neighborhoods. To shed light on the merit of the algorithm, we provide a test bed consisting of 30 test problems to compare our algorithm against two of its variations along with two state-of-the-art nonlinear optimization algorithms. The numerical experiments illustrate that the proposed algorithm makes an effective use of hybrid framework when dealing with nonlinear equality constraints although its convergence cannot be guaranteed.     

求解非线性规划问题的混合粒子群算法

用粒子群算法求解非线性规划问题时不可避免的会产生不可行点,处理好不可行点是粒子群算法取得良好优化结果的关键。依据粒子的目标函数值与违反约束的程度提出了一种处理不可行点的合理选择方案,并运用融合差分演化的混合粒子群算法求解约束优化问题,数值实验表明该算法的有效性。