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。     

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.     

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。     

一种求解随机期望值模型的有效算法

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.为了寻找更为有效的求解随机期望值模型的算法,通过采用随机仿真来逼近随机函数,在微粒群算法中利用随机仿真进行适应值估计和实现为了检验解的可行性,从而给出了求解随机期望值模型的新的算法.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。     

基于多元模糊规划的微粒群优化算法

在微粒群的静态多元规划模式的基础上,考虑到多元最优值对群体寻优的引导因子间的比例在寻优过程中不能进行动态自适应调整,因而将模糊逻辑引入对微粒群的多元规划引导,提出了一种用于自适应动态规划的模糊微粒群算法模式,并以最优和次最优分布信息的模糊规划为例,进行了微粒群多元模糊规划模式的设计和数值仿真.仿真结果表明,该算法模式较静态多元规划模式具有更好的总体收敛性能.     

一种基于轮盘赌选择遗传算法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础,本文提出了一种改进的随机微粒群算法--GAR-SPSO。该方法是在SPSO的进化过程中,以轮盘赌选择机制下的遗传算法所产生的最优个体来代替SPSO中停止的微粒,参与下一代的群体进化。通过对五个多峰的测试函数进行仿真明：在搜索空间维数相同的情况下,GAR-SPSO收敛率及收敛速度均大大优于SPPSO。     

基于锦标赛选择遗传算法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础。提出了一种改进的随机微粒群算法-GAT-SPSO。该方法是在SPSO的进化过程中．以锦标赛选择机制下的遗传算法所产生的最优个体来代替SPSO中停止的微粒，参与下一代的群体进化。通过时三个多峰的测试函数进行仿真，其结果表明：在搜索空间维数相同的情况下，GAT-SPSO的收敛率厦收敛速度均大大优于SPSO。     

Dependent-chance programming: A class of stochastic optimization

This paper provides a theoretical framework of dependent-chance programming, as well as dependent-chance multiobjective programming and dependent-chance goal programming which are new types of stochastic optimization. A stochastic simulation based genetic algorithm is also designed for solving dependent-chance programming models.     

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     

一类含有随机和模糊参数的规划模型

提出一类模糊机会约束的随机期望值规划模型,该模型同时含有随机和模糊参数.对改进的“报童问题”进行的分析,说明了模型的合理性.运用随机模拟与模糊模拟相结合的技术,给出了求解该规划模型的遗传算法.并对改进的“报童问题”进行了数值求解,同时给出了其它数值例子,进一步说明了所给出模型的适用性和有效性.     

Genetic based fuzzy goal programming for multiobjective chance constrained programming problems with continuous random variables

Solution procedure consisting of fuzzy goal programming and stochastic simulation-based genetic algorithm is presented, in this article, to solve multiobjective chance constrained programming problems with continuous random variables in the objective functions and in chance constraints. The fuzzy goal programming formulation of the problem is developed first using the stochastic simulation-based genetic algorithm. Without deriving the deterministic equivalent, chance constraints are used within the genetic process and their feasibilities are checked by the stochastic simulation technique. The problem is then reduced to an ordinary chance constrained programming problem. Again using the stochastic simulation-based genetic algorithm, the highest membership value of each of the membership goal is achieved and thereby the most satisfactory solution is obtained. The proposed procedure is illustrated by a numerical example.     

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.