价格波动下钢铁企业原材料采购多期优化模型

考虑钢铁企业原材料需求、采购提前期及价格波动的影响,建立原材料采购的多期优化模型,最小化单位采购成本并保证原材料的供应。由于模型求解困难,将其分解为多个子模型,并采用改进的粒子群算法进行求解。最后以某钢铁企业铁矿石采购优化为案例,表明多期优化决策比单期最优经济采购决策和以补充库存为目的的采购策略更优。     

多序列比对问题的粒子群优化算法求解

文章提出了一新的算法,利用粒子群优化算法求解多序列比对的问题,这是粒子群优化算法在生物信息学方面的一个新的应用。文章从粒子群算法的原理和多序列比对问题模型入手,来提出怎样改造粒子群优化算法使其可以解决多序列比对问题,最后给出利用粒子群优化算法求解多序列比对的算法,及其测试结果。     

基于改进粒子群的双层规划求解算法

提出一种采用粒子群优化算法求解双层规划模型的算法。首先对粒子群优化算法作了改进,然后用改进后的算法求解双层规划模型,通过两个粒子群优化算法之间的协同迭代,同步优化双层规划的上下层,最终求得双层规划模型的最优解。此算法将求解一般双层规划问题转化为通过两个粒子群优化算法的交互迭代来求解上下两层规划问题。通过对几种典型函数的测试,验证了此算法的有效性。     

一种求解生产计划问题的改进量子粒子群算法

在生产计划优化过程中,针对流程工业生产计划模型的求解算法易陷入局部最优的问题,为了获得全局最优提出了一种改进的量子粒子群算法.根据生产计划模型的约束条件动态计算粒子的上下限,对粒子进行边界修正,并引入了基于概率分布的变异操作,从而增加了种群的多样性,改善了算法摆脱局部极值点的能力.最后仿真实验对改进算法和基本量子粒子群算法、遗传算法等方法进行了仿真比较,结果表明改进算法在全局搜索能力有了明显的提高,是一种求解生产计划问题的有效方法.     

改进粒子群算法在单体型重构问题中的应用

结合单体型装配问题的计算模型—最少错误纠正模型（MEC）的特定知识,提出了一种求解单体型装配问题的改进粒子群算法。应用改进粒子群算法对真实数据和模拟数据进行数值计算,并且与基础粒子群算法和遗传算法进行比较,数值结果表明所设计的改进粒子群算法在单体型重构率上优于基础粒子群算法和遗传算法。     

基于改进混沌粒子群优化算法的聚丙烯生产调优

通过算法混合提出了一种改进混沌粒子群优化算法。将混沌搜索融入到粒子群优化算法中,建立了早熟收敛判断和处理机制,显著提高了优化算法的局部搜索效率和全局搜索性能。将改进混沌粒子群优化算法应用于聚丙烯生产调优中,首先建立了聚丙烯最优牌号切换模型,然后采用改进混沌粒子群优化算法求解该最优牌号切换模型。优化结果:表明,与常规混沌粒子群优化算法相比,改进混沌粒子群优化算法具有更佳的优化效率和全局性能。     

基于岛屿群体模型的并行粒子群优化算法

为改善粒子群优化算法对大规模多变量求解的性能,提出了基于岛屿群体模型的并行粒子群优化算法．对粒子群优化算法机理和本质并行性进行分析,设计和实现了一种并行粒子群优化算法．实验结果表明,基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率,而且改善了早收敛现象,算法的性能比经典粒子群优化算法有了很大提高．     

基于分层克隆粒子群算法的航空发动机性能仿真

针对传统的迭代算法在求解航空发动机非线性模型存在的受初值影响不易收敛问题,引入粒子群算法进行求解,并针对粒子群算法的局部收敛现象对其进行改进,设计一种分层克隆粒子群算法:将种群分为顶层和底层两个种群,通过对顶层粒子的克隆选择和底层粒子的混沌变异,分别提高算法的局部搜索能力和全局搜索能力,有效避免了出现局部收敛等问题。对测试函数求解的结果表明改进算法性能较遗传算法和粒子群算法有显著提高。将改进算法应用于某型混合排气涡扇发动机性能仿真,也得到满意的结果。     

求解均值-CVaR投资组合模型的改进粒子群算法

针对粒子群算法易跳过全局极值,且只能求解连续性问题的缺点,提出离散复形法局部搜索的思想,来有效提高粒子群算法在离散型问题中的搜索性能。针对粒子群算法易陷入局部极小的缺点,引入自适应粒子迁徙操作保证粒子的多样性,有效避免陷入局部收敛。对采用CVaR度量风险、构建有交易费用和限制证券比例的均值-CVaR投资组合模型进行仿真实验,实验结果验证了算法的有效性。将改进的粒子群算法应用到求解均值-CVaR模型的投资组合问题,与其他算法相比,该方法精度更高、性能更稳定。     

基于广义遗传粒子群优化算法的供应链优化求解

供应链优化研究是供应链管理中的一个重要问题,也是一个难题,首先提出了一个新型供应链优化模型,针对该优化问题的求解,构造了融入特殊自然演化规则的广义遗传算法(GA),并且与粒子群优化结合,得到了广义遗传粒子群优化算法,克服了粒子群优化算法局部收敛的缺陷,提高了其全局收敛的能力。实验表明,对供应链优化问题的求解,广义遗传粒子群优化算法优于传统的遗传算法、粒子群优化算法和分枝界定法。     

考虑复杂约束的鲁棒均值-CVaR投资组合模型及粒子群算法

投资组合模型中期望收益等参数的估计误差对最优投资组合策略的稳定性产生重要影响. 在提出考虑复杂约束和交易成本的鲁棒均值-CVaR投资组合模型的基础上, 设计改进粒子群算法来求解该模型. 应用实际交易数据对所提出的模型和算法进行数值实验和比较, 结果表明改进粒子群算法能有效地求解该模型, 产生更稳定的最优投资策略, 从而能够更好地适合实际投资环境.     

模糊需求下转运联盟车辆路径及混沌粒子群优化

建立了基于模糊需求的企业间转运联盟车辆路径问题,并基于模糊结构元理论将模糊需求问题转化为清晰需求问题．针对该模型,提出了一种混沌粒子群算法,该算法在经典粒子群算法的基础上融入了两次混沌变换,有效的利用了粒子群算法和混沌算法各自的优势．     

基于改进粒子群算法的投资组合选择模型

研究了在实际投资决策中存在交易成本(税收和交易费用)和投资数量约束下的投资组合选择问题,并进一步设计了一种求解该问题的改进粒子群算法.最后,给出了一个数值例子,说明该模型和方法的有效性.     

A class of multi-period semi-variance portfolio for petroleum exploration and development

Variance is substituted by semi-variance in Markowitz's portfolio selection model. For dynamic valuation on exploration and development projects, one period portfolio selection is extended to multi-period. In this article, a class of multi-period semi-variance exploration and development portfolio model is formulated originally. Besides, a hybrid genetic algorithm, which makes use of the position displacement strategy of the particle swarm optimiser as a mutation operation, is applied to solve the multi-period semi-variance model. For this class of portfolio model, numerical results show that the mode is effective and feasible.     

带有补偿的模糊产销计划模型及其混合算法

基于两阶段模糊优化方法建立一类带有补偿的模糊产销计划期望值模型,并设计含有逼近方法和粒子群优化算法的混合算法对提出的模型进行求解。给出一个实例表明模型和算法的有效性。通过改变粒子群优化算法的粒子数和迭代次数对最优解和目标函数值进行算法分析。     

基于PSO的考虑完整费用的证券组合优化研究

通过分析中国证券市场证券交易不可拆分、不能卖空的特点以及现存的各种交易费用,建立一个考虑完整交易费用的证券投资组合优化模型,同时给出一个应用粒子群算法(PSO)求解的实例。结果证明该证券投资组合优化模型的完整性和有效性,也表明PSO算法可以快速准确地求解证券投资组合优化问题。     

A new Chance-Variance optimization criterion for portfolio selection in uncertain decision systems

The Markowitz’s mean-variance (M-V) model has received widespread acceptance as a practical tool for portfolio optimization, and his seminal work has been widely extended in the literature. The aim of this article is to extend the M-V method in hybrid decision systems. We suggest a new Chance-Variance (C-V) criterion to model the returns characterized by fuzzy random variables. For this purpose, we develop two types of C-V models for portfolio selection problems in hybrid uncertain decision systems. Type I C-V model is to minimize the variance of total expected return rate subject to chance constraint; while type II C-V model is to maximize the chance of achieving a prescribed return level subject to variance constraint. Hence the two types of C-V models reflect investors’ different attitudes toward risk. The issues about the computation of variance and chance distribution are considered. For general fuzzy random returns, we suggest an approximation method of computing variance and chance distribution so that C-V models can be turned into their approximating models. When the returns are characterized by trapezoidal fuzzy random variables, we employ the variance and chance distribution formulas to turn C-V models into their equivalent stochastic programming problems. Since the equivalent stochastic programming problems include a number of probability distribution functions in their objective and constraint functions, conventional solution methods cannot be used to solve them directly. In this paper, we design a heuristic algorithm to solve them. The developed algorithm combines Monte Carlo (MC) method and particle swarm optimization (PSO) algorithm, in which MC method is used to compute probability distribution functions, and PSO algorithm is used to solve stochastic programming problems. Finally, we present one portfolio selection problem to demonstrate the developed modeling ideas and the effectiveness of the designed algorithm. We also compare the proposed C-V method with M-V one for our portfolio selection problem via numerical experiments.     

二次分配问题的改进粒子群优化算法

粒子群优化算法已经成功地应用于求解连续域问题,但是对于离散域问题的求解,尤其涉及组合优化问题的研究和应用还很少。二次分配问题本身是一个离散域问题,因此,使用粒子群算法求解二次分配问题是一个新的研究方向。文章引入交叉策略和变异策略对粒子群优化算法进行改造,使得粒子群优化算法可以用来解决二次分配问题。     

基于粒子群优化支持向量机的石油需求预测

在能源问题的研究中,石油需求的准确预测对于我国经济管理部门制定石油生产与进口计划、安排相关行业生产计划以及调整产业结构具有非常重要意义。为了实现石油需求准确预测,采用实时准确算法,提出基于粒子群优化支持向量机(PSO-SVM)的石油需求预测方法,PSO-SVM中采用粒子群优化算法优化SVM参数,以获得较优的SVM预测模型。并以我国1990~2007年石油需求数据进行测试与分析,计算实验结果表明,在石油需求预测中,PSO-SVM比BP有着更高的预测精度,为实际需求提供依据。