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.     

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。     

虚拟企业风险管理的机会约束规划模型及算法

考虑虚拟企业的风险中的随机因素并将其描述为随机变量,提出了一个虚拟企业风险管理的机会约束 规划模型．此类模型可以比较好地描述管理者的风险偏好．针对该模型,设计了嵌入蒙特卡洛模拟的粒子群算法, 蒙特卡洛模拟是处理模型中随机变量的有效方法．仿真分析表明了该模型对于虚拟企业风险管理的重要作用以及该 算法的有效性．     

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。     

基于粒子群优化算法的模糊模拟

模糊模拟通常用于模糊规划中。该文提出了基于粒子群优化算法（PSO）的模糊模拟方法,通过这一方法,可以用来计算可能值以及临界值。PSO是一种演化算法,它能够有效地进行全局搜索。试验表明,基于PSO的模糊模拟有更好的性能。     

随机装卸工问题的新型混合粒子群算法

提出随机装卸工问题并将其转化为确定性问题,给出了其求解策略。针对粒子群算法简便实用但易过早收敛的问题,提出了一种结合人工免疫算法的新型混合粒子群算法,将该算法运用于求解随机装卸工问题。数值算例的计算结果表明：与基本粒子群算法相比,改进的粒子群算法在求解随机装卸工问题上表现出的求解精度和速度都十分理想。     

基于量子行为粒子群优化方法的随机规划算法

在不断变化的金融市场中,多阶段投资组合优化通过周期性地重组投资对象来追求回报最大,风险最小。提出了使用基于量子化行为的粒子群优化算法（Quantum-behaved Particle Swarm Optimization,QPSO）解决多阶段投资优化问题,并使用经典的利润风险函数作为目标函数,通过算法对标准普尔指数100的不同股票和现金进行投资组合的优化研究。根据实验得出的期望收益率与方差表明,QPSO算法在寻找全局最优解方面要优于粒子群算法（Particle Swarm Optimization,PSO）和遗传算法（Genetic Algorithm,GA）。     

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.     

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.     

具有随机惯性权重的PSO算法

微粒群算法（PSO算法）是模拟鸟类、鱼群等的群体智能行为的一种优化算法,当前,在相关领域内,倍受国内外学者关注。该文在分析基本PSO算法的速度进化方程的基础上,提出一种能更好描述微粒进化过程的速度方程,由其引出一种具有随机惯性权重的PSO算法;通过五个典型测试函数的仿真实验,验证了其可行性,同时也表明具有随机惯性权重的PSO算法较具有线性递减惯性权重的PSO算法在收敛速度和全局收敛性方面有明显提高。     

随机交叉粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,设计了一种随机交叉算子,提出了随机交叉粒子群优化算法。该算法在每次迭代中,对当前粒子和整个粒子群的最优粒子进行随机交叉,产生新的较优粒子并代替原来的粒子,从而加快了算法的收敛速度,增强了算法的寻优能力。仿真结果表明,该算法具有较高的优化性能。     

随机微粒群优化算法

微粒群优化算法是继蚁群算法之后又一种新的基于群体智能的启发式全局优化算法,其概念简单、易于实现,而且具有良好的优化性能,目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时,算法易陷入局部最优。该文结合模拟退火算法的思想,提出了一种改进的微粒群优化算法——随机微粒群优化算法,该算法在运行初期具有更强的探索能力,可以避免群体过早陷入局部极值点。基于典型高维复杂函数的仿真结果表明,与基本微粒群优化算法相比,该混合算法具有更好的优化性能。     

双群体随机微粒群算法

以保证全局收敛的随机微粒群算法为基础,文章提出了一种双群体随机微粒群算法——DB-SPSO。该方法采用两个群体同时进化,一个群体在进化过程中所出现的停止微粒由另一群体的微粒来代替,并和此群体中其余的微粒一起继续进化。通过对此算法的参数适用范围及收敛率进行讨论,给出了此算法的适用范围。其仿真结果表明:对于单峰函数和多峰函数,此算法都能够取得较好的优化效果。     

一种基于距离的自适应模糊粒子群优化算法

传统的粒子群优化算法((Particle Swarm Optimization,PSO )在更新粒子的速度时忽略了各粒子间的差异,在一次迭代中,各粒子采用相同的惯性权值来更新粒子的速度。为了体现各粒子的差异,提出了一种基于距离度量的自适应模糊粒子群优化算法(Distance-based Adaptive Fuzzy Particle Swarm Optimization, DAFPSO)。DAFPSO根据各粒子与最优粒子的差异,设计了相应的隶属函数来自适应地调整粒子的惯性权值。通过基准测试函数对算法进行了实验,从而验证了DAFPSO算法的有效性。     

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。     

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QPSO算法的模糊流水车间调度问题

实际生产过程中由于各种客观因素的影响,流水车间调度问题往往具有模糊不确定性。介绍了模糊流水车间调度问题,在此基础上提出了一种收敛速度快、全局性能好的量子微粒群算法来解决该问题。通过仿真实例对该算法进行了验证。结果表明,在求解模糊流水车间调度问题时,量子微粒群算法有很好的效果。