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。     

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。     

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。     

含有模糊和随机参数的混合机会约束规划模型

提出一类混合机会约束规划模型，该模型同时含有模糊和随机参数，运用随机模拟与模糊模拟相结合的技术，给出了求解该机会约束规划模型的遗传算法，通过对生产过程最优化决策的典型问题进行分析建模和数值求解，说明了该模型和算法的合理性和有效性。     

基于随机模拟与PSO算法相结合的随机机会约束规划算法

随机机会约束规划作为一类重要的随机规划,广泛存在于许多领域中.为了寻找更有效的求解随机机会约束规划的算法,通过采用随机模拟来逼近随机函数,并在微粒群算法PSO(Particle Swarm Optimization)中利用随机模拟实现估计适应值和检验解的可行性,从而给出了求解随机机会约束规划的新算法,最后,测试其性能并与遗传算法进行了比较,实例结果表明该算法的正确性和有效性.     

随机规划ICC(β)模型的混合智能算法

讨论了当随机规划的随机变量服从离散分布时,合成机会约束模型(ICC(β))中约束集合的结构;利用适合全局搜索的遗传算法以及局部搜索能力很强的爬山算法,结合逐次增加约束方法,给出了计算该模型的混合智能算法;实例验证了该算法的有效性。该算法也可作为含连续随机变量的(ICC(β))的逼近算法。     

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。     

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.     

基于PSO求解随机期望值模型的混合智能算法

随机期望值模型是一类有着广泛应用背景的随机规划问题,为了寻找更为高效的求解随机期望值模型的算法,采用随机仿真产生样本训练BP网络以逼近随机函数,然后应用微粒群算法并以逼近随机函数的神经元网络作为适应值估计和实现为了检验解的可行性,从而提出了一种求解随机期望值模型的混合智能算法。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。     

基于粒子群算法的随机和模糊混合机会约束规划研究

研究一类混合机会约束规划模型,该模型含有随机和模糊参数。基于粒子群算法运用随机模拟和模糊模拟相结合的技术,给出了一种求解该规划模型的混合智能算法。并通过对实际模型的规划问题进行分析和数值求解,说明了该模型和算法的合理性和有效性。     

面向多模态函数优化的回溯克隆选择算法

针对多模态函数优化问题,提出了一种基于回溯机制的改进克隆选择算法--回溯克隆选择算法（BCSA）,采用改进回溯机制和记忆库抗体抑制策略,保持了抗体的多样性,以增强算法的全局搜索能力;通过改进动态变异、选择与交叉操作提高算法收敛速度。典型的多模态函数测试结果表明：回溯克隆选择算法具有优良的全局搜索能力和搜索效率。     

基于Web页面平均质量的Web搜索模型和优化算法

针对Web搜索引擎的特点,提出了一种基于量子遗传克隆挖掘(QGCMA)的搜索策略。该算法将用户的查询描述为Web页面的平均质量,并通过克隆,变异,交叉的操作获取具有高亲和度的抗体（Web页面）。通过实验结果分析得出,在Web搜索中该方法比标准的遗传算法(GA)具有较明显的优势。     

基于B细胞算法的克隆选择算法的收敛性分析

克隆选择算法(CSA)已经广泛应用于计算智能领域,而针对其理论方面的分析和研究工作相对较少。为了丰富克隆选择算法的理论基础,将含有多个体种群的克隆选择算法抽象为含单个体的B细胞算法（BCA）,简化了克隆选择算法的数学模型。给出了在BCA中使用的一种变异算子——连续区域超体变异算子（CRHO）和BCA的Markov链模型,提出了一个新的构造算法的状态跃迁矩阵的方法,证明了BCA的绝对收敛性。由于BCA是一般克隆选择算法的一种抽象,因此可以推断克隆选择算法的收敛性。     

求解作业车间调度问题的混合帝国主义竞争算法

针对最小化最大完工时间的作业车间调度问题（JSP）,提出一种结合帝国主义竞争算法（ICA）和禁忌搜索（TS）算法的混合算法。混合算法以帝国主义竞争算法为基础,在同化操作中融入遗传算法中的杂交算子和变异算子,使算法全局搜索能力更强。为了克服帝国主义竞争算法局部搜索能力弱的缺点,引入禁忌搜索算法进一步优化同化操作后的后代。禁忌搜索算法采用混合邻域结构和新型选择策略,使得算法能够更有效地搜索邻域解。混合算法兼具全局搜索能力和局部搜索能力,通过对13个经典的Benchmark调度问题进行仿真测试,并与近年4种新型混合算法进行对比分析,实验结果表明了所提算法求解Job Shop调度问题的有效性和稳定性。     

基于均匀设计的GEP算法研究与应用

提出了一种基于均匀设计的基因表达式编程算法(UGEP),该算法对经典的GEP算法做了以下改进：利用混合水平均匀表的构造对初始种群的产生进行改进,保证了解分布的均匀性;引入自适应多亲杂交算子,用均匀优化代替随机进化。从理论上分析并证明了UGEP更具有全局收敛性,且收敛速度也优于经典的GEP。试验结果也证明,在求解函数拟合和时间序列预测等实际问题时,对比同类算法,UGEP算法体现出了较大的优越性。     

混合量子算法及其在flow shop问题中的应用

量子进化算法（QEA）是目前较为独特的优化算法,它的理论基础是量子计算。算法充分借鉴了量子比特的干涉性、并行性,使得QEA求解组合优化问题具备了可行性。由于在求解排序问题中,算法本身存在收敛慢,没有利用其它未成熟个体等缺陷,将微粒群算法（PSO）及进化计算思想融入QEA中,构成了混合量子算法（HQA）。采用flow shop经典问题对算法进行了测试,结果证明混合算法克服了QEA的缺陷,对于求解排序问题具有一定的普适性。     

一种求解GP-决策树权值矢量算法及应用

提出一种基于遗传程序设计算法(GPA)求解决策树结点的权值矢量,并根据树结点的错误率与分割后的错误率减少量构造GP-决策树算法的方法。该方法不但可以求解出树结点的权值矢量,同时也确定了GP-决策树的结构。实验结果表明,应用GP-决策树算法能够正确完成对趋势预测模型的选择。     

贪心核加速动态规划算法求解折扣{0-1}背包问题

针对现有动态规划算法求解折扣{0-1}背包问题（D{0-1}KP）缓慢的问题，基于动态规划思想并结合新型贪心修复优化算法（NGROA）与核算法，通过缩小问题规模加速问题求解来提出一种贪心核加速动态规划（GCADP）算法。首先利用NGROA对问题进行贪心求解，得到非完整项；然后通过计算得到模糊核区间的半径和模糊核区间范围；最后对于模糊核区间内的物品及同一项集内的物品利用基础动态规划（BDP）算法求解。实验结果表明：GCADP算法适用于求解D{0-1}KP，且在求解速度上相比BDP算法平均提升了76.24%，相比FirEGA算法平均提升了75.07%。