合作博弈下医药物流联盟节点决策模型及算法

以合作博弈为基础,分析医药物流网络需求特征,描述了一个包含药品生产企业、第三方物流企业、物流中心、销售终端在内的“三方四层”医药物流联盟结构体系,建立了合作博弈模式下的医药物流网络节点决策的双层规划模型,上层规划以联盟效益最大化为目标,下层规划考虑不同的情景状态,建立了合作博弈下的Shapley值为分配模式,并设计了问题求解的混合遗传算法。算例测试结果表明,该方法与算法具有较强的实践可操作性,可以作为物流节点选址决策的参考方法。     

考虑区间约束的物流网络双层规划模型及算法

考虑物流网络需求的不确定性,利用区间参数度量不确定性变量与参数,建立区间需求模式下的物流网络双层规划模型,设计了一种含区间参数与变量的递阶优化遗传算法,通过定义问题求解的风险系数与最大决策偏差,给出适合物流网络结构的区间运算准则,实现模型的确定性转化。以区间松弛变量与0-1决策变量定义初始种群,通过两阶遗传操作运算,求解不同情景下双层规划目标的区间最优解与节点决策方案。算例测试表明算法求解的可操作性更强,求解结果具有区间最优解与情景决策的优越性。     

改进的区间犹豫算子应用于物流企业选择决策

针对现有区间犹豫模糊Hamacher算子存在的缺陷，构建了一种基于改进的区间犹豫模糊Hamacher加权算子的群决策方法。在分析现有区间犹豫模糊Hamacher算子不能满足幂等性的基础上，定义新的区间犹豫模糊Hamacher四则运算；提出两种改进的区间犹豫模糊Hamacher加权算子，包括改进的区间犹豫模糊Hamacher有序加权平均（I-IVHFHOWA）算子和改进的区间犹豫模糊Hamacher有序加权几何（I-IVHFHOWG）算子，并详细探究它们的常用算子形式以及算子之间的内在联系；建立基于I-IVHFHOWA算子和I-IVHFHOWG算子的物流企业选择决策模型，并通过实例说明模型的有效性。     

基于区间—遗传算法求解非线性方程组

将非线性方程组的求解转化为函数优化问题,结合遗传算法的群体搜索、全局收敛的优点,及区间算法特有的解的存在性检验准则,提出了一种区间—遗传算法。在迭代计算过程中,区间算法为遗传算法搜索提供可靠区域,同时遗传算法为区间算法提供安全的初始区域。数值实验表明,该算法能够在较大范围的初始区间内快速,可靠地迭代得到高精度的区间解,是求解非线性方程组的一种有效的算法。     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

基于区间适应值灰度的交互式遗传算法

针对交互式遗传算法缺乏衡量评价的不确定性问题,采用区间数评价进化个体适应值,利用灰度衡量评价的不确定性。通过区间适应值的灰度分析,提取反映种群进化分布的信息,给出进化个体的自适应交叉和变异概率。应用于服装进化设计系统的分析结果表明,该算法可有效缓解人的疲劳,提高优化效率。     

基于模拟退火遗传算法的传感器节点优化部署

将模拟退火遗传算法应用于无线传感器网络的节点部署研究,构建节点的优化部署数学模型,将节点部署问题转化为优化问题,利用模拟退火遗传算法求解优化模型,最优解作为节点的最终配置位置,使节点在不断修复覆盖空洞的情况下最大可能的完全覆盖监测区域。通过仿真结果表明,该算法能够有效地提高无线传感器网络的覆盖率。     

基于区间直觉模糊集的模糊多目标群决策

为提高数据决策的准确性,结合区间直觉模糊集理论,对模糊多目标群决策算法进行优化。并针对部分权重信息并不一定完整的情况,利用迭代计算的方式向最优决策逐步逼近。实例显示,该算法具有时间复杂度低、便于计算机实现等特点,并说明了算法的有效性和准确性。     

存在未知时滞非线性系统的迭代变区间预测迭代学习控制

本文针对机理模型未知的非线性非仿射多入多出(multiple-input and multiple-output,MIMO)离散时间系统, 研究了系统同时存在未知时滞和迭代变化运行时间区间的预测迭代学习控制(predictive iterative learning control,PILC)问题. 首先利用未知时滞的上下界信息建立了一种新型的动态线性化(dynamic linearization,DL)模型, 理论分析表明该模型能够等价描述本文所考虑的存在未知时滞的未知非线性系统. 同时, 设计一种新的数据补偿机制用以处理由于系统运行时间区间迭代变化而引起的数据丢失问题. 基于所建立的DL模型和数据补偿机制, 设计了能够同时处理未知时滞和迭代变化运行时间区间的预测迭代学习控制方法. 通过严格的理论分析同时给出了建模误差和跟踪控制误差的收敛性质. 最后, 通过仿真进一步验证了所提方法的有效性.     

改进的区间值模糊集交互式遗传算法

区间值模糊集的交互式遗传算法,能有效缓解用户的疲劳,同时避免用户因一时无法给出确定值而浪费掉的时间,大大加快了收敛速度。首先采用区间值模糊集的方法表示对个体进行评价的适应度值,即为区间适应度值,然后对其进行排序,按照排序结果采用交互式遗传算法进行全局搜索。整个过程符合人的思维过程,能有效搜索到用户满意的个体。将该方法应用于图像检索系统中,结果表明该方法有效地提高了检索速度,并且取得了较好的检索结果。     

基于遗传算法的多属性模糊决策树的优化

决策树是数据挖掘中的一种高效方法,但是当训练数据的属性很多时,构建的决策树的规模会随属性个数增加而指数级增长,进而会产生海量的规则。针对该问题,提出了一种基于遗传算法的优化方法。首先根据信息增益利用轮盘赌方法选取若干组属性,构建多棵决策树,然后利用遗传算法对多棵决策树进行组合,并最终形成规则集。最后给出了实验结果,证明了该方法的可行性和有效性。     

基于遗传算法求解应急决策系统中的最优路径

提出了一种将模拟退火算法和遗传算法相结合的进化算法GASA,利用Boltzmann机制 接收交叉和变异后的个体,避免遗传算法中存在的早熟收敛问题,增强了算法的全局收敛性,并对遗 传算子(选择、交叉、变异算子)进行重构,引入新的交叉算子和变异算子能根据种群的进化情况动态 调整遗传算子,加速进化后期搜索效率。实验表明,将此算法用于应急决策系统的最优路径的求解中 与传统算法相比,能加速进化速度和全局寻优能力,提高应急决策效率。     

基于遗传算法的投资优化问题应用研究

遗传算法是模拟自然界生物进化过程的计算模型，文中讨论了遗传算法在企业投资规划中的应用，给出了遗传算法解决投资规划问题的计算机仿真实例。     

基于闭区间上的神经网络迭代计算模型与方法

迭代算法被广泛应用于代数方程求解中,但传统的迭代方法通常对初值的选取要求很高,在迭代过程中不能给出迭代误差,计算得到的单一近似解也具有一定的局限性.把区间迭代算法与神经网络相结合,提出了一种基于闭区间上神经网络迭代计算模型与方法,该方法与传统的迭代方法相比,具有收敛速度快、误差小等特点.最后,通过数值算例表明,该方法是有效的、可行的,能够快速地获得任意代数方程的根.     

基于小生境遗传算法的物流配送路径优化研究

通过对物流车辆配送过程的分析,建立了带时间窗约束的物流配送路径优化问题的数学模型。针对遗传算法具有早熟的缺点,将小生境技术引入遗传算法,构建小生境遗传算法。最后,将小生境遗传算法应用于所建立的物流配送路径优化模型的求解,实验结果表明小生境遗传算法在一定程度上可以避免标准遗传算法早熟现象的发生,提高了其求解物流配送路径优化问题的效率。     

Method for solving nonlinear goal programming with interval coefficients using genetic algorithm

Traditional formulations on reliability optimization problems have assumed that the coefficients of models are known as fixed quantities and reliability design problem is treated as deterministic optimization problems. Because that the optimal design of system reliability is resolved in the same stage of overall system design, model coefficients are highly uncertainty and imprecision during design phase and it is usually very difficult to determine the precise values for them. However, these coefficients can be roughly given as the intervals of confidence.

In this paper, we formulated reliability optimization problem as nonlinear goal programming with interval coefficients and develop a genetic algorithm to solve it. The key point is how to evaluate each solution with interval data. We give a new definition on deviation variables which take interval relation into account. Numerical example is given to demonstrate the efficiency of the proposed approach.     

Markov决策过程的蚁群规划算法

在智能规划问题上,寻找规划解都是NP甚至NP完全问题,如果动作的执行效果带有不确定性,如在Markov决策过程的规划问题中,规划的求解将会更加困难,现有的Markov决策过程的规划算法往往用一个整体状态节点来描述某个动作的实际执行效果,试图回避状态内部的复杂性,而现实中的大量动作往往都会产生多个命题效果,对应多个命题节点。为了能够处理和解决这个问题,提出了映像动作,映像路节和映像规划图等概念,并在其基础上提出了Markov决策过程的蚁群规划算法,从而解决了这一问题。并且证明了算法得到的解,即使在不确定的执行环境下,也具有不低于一定概率的可靠性。     

区间数型多式联运路线优化问题的混合遗传算法*

多式联运路线优化问题直接关系到货物运输的费用、时间和运输质量。首先分析了多式联运路线优化问题的数学模型及虚拟运输网络图;其次,将区间数排序的思想引入适应度函数的设计中,提出了一种求解区间数型多式联运路线优化问题的混合型遗传算法,给出了染色体编码、遗传算子设计、约束判断与调整及群体多样性控制的方法;最后用示例对算法的有效性进行了验证,算法的提出可为多式联运经营者的决策提供数据参考。