需求随机依赖库存环境下的订货仿真优化模型

需求的随机性和依赖库存性是库存问题的特点之一,在需求以泊松分布的形式随机依赖库存的条件下讨论了（Q,T）型库存控制问题。为了评估库存控制策略的平均盈利水平,建立了该库存问题的离散事件系统仿真模型,设计了一种基于仿真的种群重叠、遗传操作非重叠的进化算法,用以优化库存控制策略,类似设计了基于仿真的模拟退火和粒子群优化算法进行比较。通过实例分析了不同参数的变化对模型最优解的影响,灵敏度分析表明需求依赖库存效应越明显时,利润水平越高,最优订货策略越倾向于高库存、短周期和现货销售。仿真实例说明了基于仿真的优化算法的可行性、有效性。     

车辆路径问题的改进混合粒子群算法研究

针对各种启发式算法在求车辆路径问题(VRP)中的缺陷,提出了改进的混合粒子群算法(MHPSO)的求解方法.分析了基于速度-位置更新策略传统粒子群算法在解决离散的和组合优化问题的不足.考虑到算法在求解过程中种群多样性的损失过快,引进了种群的多样性测度参数-平均粒距,以保持种群的多样性.同时利用混沌运功的随机性、遍历性和规律性等特性,采用混沌初始化粒子编码.详细讨论了该算法在车辆路径问题中的求解策略.针对同一个实例,将改进的混合粒子群算法与遗传算法从多个角度进行比较.仿真结果表明,论文所提出的算法性能较好,可以快速、有效求得车辆路径问题的优化解或近似优化解.     

基于免疫混沌PSO的液体发动机知识获取方法

为解决液体发动机故障诊断中知识获取的瓶颈问题,提出了一种基于免疫混沌改进粒子群优化算法的知识获取方法.该方法首先将描述系统性能的非线性方程组,转化为带约束的最优化形式,通过设置式中参数可以仿真不同状况下的系统性能.由于此方程为多维、非线性的优化方程,运用标准粒子群优化算法求解进,容易陷入局部最优,为此提出了一种基于免疫混沌粒子群优化算法.该算法在初始化时,运用混沌的思想,使得粒子分布遍历所有状态;在进化时,运用的免疫的思想,设置了基于适应度的克隆算子和基于适应度的混沌变异算子增加粒子的多样性,增加了粒子寻找全局最优的能力.实验结果表明,运用改进的粒子群优化算法进行仿真,能够获取系统知识.     

基于遗传算法的随机性（Q，r）库存系统仿真优化

（Q，r）模型是库存管理中的重要控制模型。对于随机性（Q，r）库存系统，难以用解析方法求解最优的库存控制策略。运用仿真优化技术，基于离散事件系统仿真原理，建立了随机性（Q，r）库存系统的仿真模型，设计了一种改进的遗传算法并应用它优化库存系统的库存控制策略。采用面向对象方法实现了仿真模型和改进的遗传算法。仿真实例表明所提出的仿真优化技术是可行且有效的。     

一种改进的多目标粒子群优化算法及其应用

针对多目标粒子群优化算法在求解约束优化问题时存在难以兼顾收敛性能和求解质量这一问题,提出一种基于免疫网络的改进多目标粒子群优化算法.该算法通过免疫网络互通种群最优信息达到粒子群算法与人工免疫网络算法的协同搜索,同时给出了速度迁移策略、自适应方差变异策略和基于聚类的免疫网络策略.最后将所提出的方法应用于求解电弧炉供电优化模型,达到了减少电量消耗、缩短冶炼时间、延长炉衬使用寿命的目的,同时表明了该算法的有效性.     

基于APSO优化算法的GCHP系统神经网络预测控制

针对地源热泵(GCHP)系统的能量消耗问题,提出了一种基于自适应粒子群(APSO)优化算法和最邻近聚类径向基神经网络(RBFNN)建模的预测控制策略;首先,利用神经网络建立系统的输出预测模型,然后通过粒子群的滚动优化算法求解得到最优控制量;仿真结果表明,该方法能够在满足负荷要求的前提下,有效地降低GCHP系统在运行过程中的能量消耗。     

基于自适应参数与混沌搜索的PSO算法求解柔性作业车间调度问题

针对传统粒子群优化(PSO)算法在求解柔性作业车间调度问题中的不足,提出了基于自适应参数与混沌搜索的粒子群优化算法。对粒子群算法中的惯性系数等参数采用基于迭代搜索而自适应调整的方式,使粒子在初期以较大惯性进行大范围搜索,后期逐渐减小惯性而转入精细搜索。这种方法改变了传统粒子群算法在求解过程中的盲目随机与求解精度不高的问题;同时,通过在局部搜索过程中引入混沌技术,扩大对最优解的寻找范围,以此避免算法陷入局部最优,有效提高算法的全局寻优能力。实验结果表明,基于自适应参数与混沌搜索的粒子群优化算法在求解柔性作业车间调度问题(FJSP)时能够获得更优粒子适应度平均值及更好的优化目标。所提算法对求解柔性作业车间调度问题可行,有效。     

改进MOPSO在物流节点选址模型中的应用

为了降低物流系统的运营成本,提高物流系统的运作效率,构建了物流系统运营成本最小以及顾客时间满意度最大的多目标物流节点选址模型,并在模型求解过程中针对多目标粒子群算法的不足,从外部存档的更新、粒子学习样本的选择以及粒子的变异三个方面进行改进,将改进的多目标粒子群算法用于物流节点选址模型的求解。仿真结果表明,改进的算法相较于其他优化算法,具有较好的分布性和收敛性。     

基于粒子群优化的考试时间安排问题的求解算法

粒子群优化算法是近年来发展起来的一种元启发式的搜索算法,是目前解决组合优化问题的最有效的算法之一.针对考试时间表问题(ETP),通过基于时间序列的粒子编码方式和新的更新算子,建立ETP问题的粒子群求解模型,并结合简化邻域搜索算法给出了改进策略.仿真实验结果表明所提算法及策略的有效性.     

基于模糊的多目标粒子群优化算法及应用

粒子群优化算法的思想来源于人工生命和进化计算理论,由于其容易理解、易于实现,在很多领域得到了应用.由于传统的粒子群优化算法无法对多目标优化问题进行求解,因此文中利用模糊理论中的隶属度函数和给定的最优解评估选取原则,提出了一种适合求解约束型多目标优化问题的模糊粒子群算法(FPSO).模糊粒子群算法很好地解决了汽车零部件可靠性稳健优化设计的求解问题,仿真结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域.     

基于混沌粒子群优化的约束状态反馈预测控制算法

提出一种基于混沌粒子群优化的约束状态反馈预测控制算法,用于解决带有输入约束和状态约束的控制问题.将混沌粒子群优化引入到约束状态反馈预测控制的滚动优化过程中,增强了算法在约束范围内的局部搜索和全局搜索能力.通过对一个实际的带有约束的线性离散系统控制优化问题的解决,验证了基于混沌粒子群优化的状态反馈预测控制算法的可行性和有效性,与传统的二次规划算法的比较结果说明了此算法的优越性,证明了状态反馈预测控制系统良好的鲁棒性.     

基于粒子群优化的有约束模型预测控制器

研究了模型预测控制(MPC)中解决带约束的优化问题时所用到的优化算法,针对传统的二次规划(QP)方法的不足,引入了一种带有混沌初始化的粒子群优化算法(CPSO),将其应用到模型预测控制中,用十解决同时带有输入约束和状态约束的控制问题.最后,引入了一个实际的带有约束的线性离散系统的优化控制问题,分别用二次规划和粒子群优化两种算法去解决,通过仿真结果的比较,说明了基于粒子群优化(PSO)的模型预测控制算法的优越性.     

Developing a New Integrated Bi-Objective Model for Buffer and Process Time Optimization Problem using Optimization via Simulation Approach

The cost of semi-finished products storage and processing time are two issues affecting the rate of manufacturing in all production systems. The acceleration in production time is usually associated with the increase of costs and lack of appropriate allocation of the production line buffers imposing production costs and increase in delivery time and decrease in productivity. Many previous studies have focused on deterministic production systems using mathematical programming models. Moreover, the optimization of buffers and processing times with stochastic events has not been considered simultaneously. In this study, a new simulation-based optimization model has been proposed to address the modeling and solving of buffer and processing time optimization problem in a stochastic environment. The real world problem has been modeled by using the simulation technique and the model replicated by a design of experiment method. The results were used to build a meta-model of regression for the objective functions and finally, a new mathematical model was solved by a multiobjective Genetic Algorithm. The results of this research show that the proposed approach has efficient solutions and could be easily applied to real world problems.     

基于自抗扰控制的随机扰动库存系统优化模型

针对随机扰动造成的企业库存系统缺货、库存水平增加和订货波动增大的问题,提出一种基于自抗扰控制（ADRC）的随机扰动库存系统优化模型。首先,根据进销存产品流和信息流的运营管理逻辑,通过拉普拉斯变换得到了库存系统的传递函数并将其转换成一类二阶状态空间标准式;然后,设计了一种包括跟踪微分器、扩张状态观测器和非线性状态误差反馈控制率的基于ADRC的随机扰动库存系统优化模型,从而在保证系统稳定的前提下,控制补偿随机扰动对库存系统的影响;最后,利用行业数据进行仿真实验,以验证ADRC优化模型对随机扰动库存系统优化的有效性。仿真实验结果表明,与无ADRC的库存反馈控制模型相比,基于ADRC的随机扰动库存系统优化模型可减少40%的库存剩余,减小47.4%的订货量均值,降低39.3%的订货量波动,并极大地改善随机扰动下企业库存系统的缺货现象。由此可见,基于ADRC的随机扰动库存系统优化模型能够指导企业合理订货,降低企业库存水平,从动态的角度提高库存系统的稳定性,为企业的实际生产运营提供科学的理论借鉴和应对方法。     

A metamodel-based Monte Carlo simulation approach for responsive production planning of manufacturing systems

Production planning is concerned with finding a release plan of jobs into a manufacturing system so that its actual outputs over time match the customer demand with the least cost. For a given release plan, the system outputs, work in process inventory (WIP) levels and job completions, are non-stationary bivariate time series that interact with time series representing customer demand, resulting in the fulfillment/non-fulfillment of demand and the holding cost of both WIP and finished-goods inventory. The relationship between a release plan and its resulting performance metrics (typically, mean/variance of the total cost and the fill rate) has proven difficult to quantify. This work develops a metamodel-based Monte Carlo simulation (MCS) method to accurately capture the dynamic, stochastic behavior of a manufacturing system, and to allow real-time evaluation of a release plan's performance metrics. This evaluation capability is then embedded in a multi-objective optimization framework to search for near-optimal release plans. The proposed method has been applied to a scaled-down semiconductor fabrication system to demonstrate the quality of the metamodel-based MCS evaluation and the results of plan optimization.     

基于仿真的优化方法综述

针对难以用数学模型表达的优化问题或带有随机性的优化问题,基于仿真的优化方法是其惟一的选择.因此,综述了基于仿真的优化方法的研究情况,介绍了仿真用于策略验证、基于仿真的Genetic Algorithm(GA)、基于仿真的Simulated Annealing(SA)、基于仿真的Particle Swarm Optimization(PSO)和仿真用于获取随机参数或函数等方法的实现.概括了基于仿真的优化方法在各领域的应用,并结合国内外的研究情况,对基于仿真的优化方法的难点进行了总结,并对其发展方向作了分析.     

Analyzing a lost-sale stochastic inventory model with Markov-modulated demands: A simulation-based optimization study

A consumer demand that presents auto-correlated components is a class of demand commonly found in competitive markets in which consumers may develop preferences for certain products which influence their willingness to purchase them again. This behavior may be observed in inventory systems whose products are subject to promotion plans in which mechanisms that incentivize the demand are implemented. Inventory systems that ignore these dependency components may severely impair their performance. This paper analyzes a stochastic inventory model where the control review system is periodic, is categorized as a lost-sale case, and is exposed to this class of auto-correlated demand pattern. The demand for products is characterized as a discrete Markov-modulated demand in which product quantities of the same item may relate to one another according to an empirical probability distribution. A simulation-based optimization that combines simulated annealing, pattern search, and ranking and selection (SAPS&RS) methods to approximate near-optimal solutions to this problem is employed. Lower and upper bounds for a range of near-optimal solutions are determined by the pattern search step enhanced by ranking and selection—indifferent zone. Results indicate that inventory performance significantly declines as the autocorrelation increases and is disregarded.     

仿真优化研究进展

仿真优化研究基于仿真的目标优化问题，具有很强的工程背景，但存在随机性、计算费时和NP—hard等难点。目前，仿真优化已成为国际上系统仿真和运筹学等领域共同关注的热点和前沿课题，尤其是在离散事件动态系统领域。因此在分析仿真优化特点的基础上，对仿真优化算法进行了综述，介绍了仿真优化的若干改进、应用和软件，并指出了仿真优化的进一步研究内容和方向。