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。     

求解随机机会约束规划的混合智能算法及应用

为更有效地求解随机机会约束规划问题,提出一种基于克隆选择算法(CSA)、随机模拟技术及神经网络的混合智能算法。采用随机模拟技术产生随机变量样本矩阵训练反向传播(BP)网络以逼近不确定函数,之后在CSA中利用神经网络检验个体的可行性、计算适应度,从而得到优化问题的最优解。为保证算法搜索的快速性和有效性,CSA采用双克隆和双变异策略。仿真结果表明,与已有算法相比,混合智能算法在500代时已取得比较满意的结果,且其精度在单目标优化问题中提高了2.2%,在多目标优化问题中提高了65%;将该算法应用于求解水库优化调度的难题上,结果也表明所建立的模型及算法的可行性和有效性。     

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。     

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.     

求解随机相关机会规划的有效算法

随机相关机会规划作为一类重要的随机规划,存在于许多领域中.为了寻找更为有效的求解随机相关机会规划的算法,采用随机仿真来逼近机会函数,在微粒群算法中利用随机仿真估计适应值,提出一种将随机仿真与微粒群算法相结合的随机相关机会规划算法.通过实例仿真测试该算法的性能,并与遗传算法进行比较,结果表明本算法具有一定的优势.     

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。     

随机规划ICC(β)模型的混合智能算法

讨论了当随机规划的随机变量服从离散分布时,合成机会约束模型(ICC(β))中约束集合的结构;利用适合全局搜索的遗传算法以及局部搜索能力很强的爬山算法,结合逐次增加约束方法,给出了计算该模型的混合智能算法;实例验证了该算法的有效性。该算法也可作为含连续随机变量的(ICC(β))的逼近算法。     

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。     

产品开发方案优化的模糊机会约束规划模型及求解

为解决项目网络计划中产品开发方案的时间、成本、质量的不确定优化问题,在模糊机会约束规划的框架下分别建立了基于关键路线的项目周期优化模型、基于资源使用的项目周期-成本优化模型和基于质量功能展开(QFD)的产品周期-质量优化模型,在此基础上构建了项目周期-成本-质量多目标优化模型;在使用模糊模拟技术处理3个目标函数约束的过程中,构建了一个基于遗憾度的适应度函数,然后利用离散微粒群算法对多目标优化模型进行求解.最后,以滚珠丝杆副产品开发项目的方案优化为例验证了文中模型的合理性和算法的有效性;实验结果表明,周期-成本-质量多目标优化模型的求解得到的方案能够取得时间、成本和质量的平衡优化,为产品开发项目的规划提供了定量、可靠的决策依据.     

随机性优化算法有效性定量对比评价方法

针对随机性优化算法寻优结果不可重复的特点,为该类优化算法提供了一种定量对比评价算法有效性的方法。该方法针对单个或一组测试函数的多次优化结果进行统计分析,得到一个能够在概率意义上定量表征不同随机性算法求解单个或一组测试函数的有效性优劣关系的因子。利用该方法,对采用同步或异步全局最优粒子信息更新模式的两种标准粒子群优化算法（PSO）版本进行有效性对比评价,给出了同步和异步模式PSO算法求解无约束单目标连续变量优化问题的有效性优劣关系。     

求多目标优化问题的粒子群优化算法

将粒子群优化算法应用于求解多目标优化问题,提出一种双向搜索机制,指导粒子向着搜索空间中非劣目标区域以及粒子分布最为稀疏的区域这两个方向进行寻优,进而提出了求解多目标优化问题的基于粒子群优化算法的双向搜索法,该算法对粒子全局最优经验的选择策略以及粒子群的状态更新机制进行了改进。实验研究表明,该算法不仅能快速有效地获得多目标优化问题的非劣最优解集,而且求出的解集具有良好的分布性。     

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。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

自适应约束优化混合粒子群算法

提出一种混合粒子群优化算法用于求解约束优化问题。新算法的主要特点是：在搜索机制方面,利用混沌初始化种群以提高初始群体的质量。为了扩大粒子的搜索范围,引入柯西变异算子。利用单形交叉算子对种群进行局部搜索。在约束处理技术方面,根据当前种群中可行解比例自适应地选择不同的个体比较准则。数值实验结果表明了该算法的有效性。     

结合文化算法的多种群协同变异PSO算法

粒子群算法是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。结合文化算法和高斯变异的思想,提出一种基于文化算法和高斯变异的多群协同粒子群算法。该算法可以摆脱局部最优解对微粒的吸引,基于典型高维复杂函数的仿真结果表明,与多种群粒子群优化算法相比,该混合算法具有更好的优化性能。     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

多维异步随机扰动的粒子群优化算法

针对粒子群优化算法存在易陷入局部最优和在多维空间中搜索效率降低的问题,结合惯性权重凹函数递减策略,提出了随机扰动和多维异步策略。该策略不仅能提高算法的全局搜索能力,而且还能改善维数的束缚。通过对四个典型基准函数的实验表明,该改进算法能够兼顾局部和全局搜索,使得搜索达优率得到较大提高,所得结果精度较高。     

一种求解约束优化问题的信赖域微粒群算法

提出了一种改进型信赖域微粒群算法来求解带有不等式约束优化问题。粒子群每一次进化后,对所有粒子执行信赖域搜索,寻找更优个体,从而增加了微粒群算法的局部搜索能力。把算法应用于供应商补货优化,实验结果表明,该方案能够有效地减少供应商的补货成本,具有较好的应用价值。