联合补充库存问题的模型及算法

对确定性需求的联合补充问题，有多种算法，这些算法或不能保证最优解或计算复杂性大，因此提出将模拟退火思想引入遗传算法，应用遗传模拟退火算法求解，阐明了该算法的具体实现过程，并通过算例表明该算法可以更有效地解决此类问题。     

随机型联合补充问题的混合遗传算法的研究

随机型联合补充问题是一种需求为随机的多种物品联合补充,目标是得到最小的总成本.针对这一问题使用了定周期检查策略进行分析,并建立了期望值模型,求出使整个库存系统的单位时间总期望费用最小的基本订购周期、各物品订购周期和最大库存量,并要满足一定的服务水平.对此模型采用了随机模拟算法和遗传算法的混合来进行解决,该算法可以得出问题的近似最优解,并用实例对算法进行了验证.     

供应链环境下联合库存管理的库存成本模型

研究了供应链环境下的联合库存管理策略.在前人研究的基础上结合实际情况,考虑了有初始库存、允许库存短缺、缺货需立即补充的情况,建立合理的联合库存成本模型与利润模型,并定量地分析联合库存管理的库存成本模型较传统的库存成本模型在节约成本上的优势.     

时齐库存系统的最优动态存储和定价问题研究

针对存储和定价决策问题．以连续时间确定性时齐库存系统为研究对象．建立了有限时段动态存储／定价联合决策模型，分析了最优策略下相邻订货周期之间的关系．证明了在确定性时齐库存系统中．最优存储策略是等时间间隔订货，并且各周期的价格相同．在此基础上提出求解最优存储／定价策略的方法．并通过数值算例进行求解和分析．     

基于距离测度的实数编码自适应遗传退火算法

提出一种基于距离测度的实数编码自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.空间距离密集度越高的个体,其交叉概率和变异概率也越高.算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明该算法有效.     

适合汽车制造业的货存需方联合库存管理策略

针对汽车制造业供应链的不确定性问题,提出了基于订单式管理的货存需方的联合库存管理策略。阐述了实施货存需方联合库存管理策略的条件和效果。     

随机性多产品联合补充问题的优化

多产品联合补充问题研究中通常采用批发价格机制,批发价格机制常导致制造商和零售商的利益冲突。目前的商业环境中充满着各种不确定性,制造企业要进行有效竞争,就需要发展灵活应对市场变化的能力。期权机制是一个可行地实现一个高效的供应链的协同机制。期权合约机制可以有效地协调制造企业和销售商之间关系,避免产品生产过剩或不足的弊端。已有的资源约束的联合补充问题研究文献中没有涉及到这一点。因此,将期权合约机制引入到资源约束的联合补充问题研究中,基于间接成组策略方法,建立相关的总成本最小优化模型,并采用遗传算法进行模型的优化求解。最后,算例验证优化模型和算法的正确性。     

改进拉格朗日松弛算法的机组组合研究

为提高计算效率,并针对传统拉格朗日松弛算法(LR)在优化过程中存在对偶间隙不能收敛的问题,提出了一种改进的拉格朗日松弛算法(LR-CMSCA)以优化大规模机组组合问题。首先通过正弦余弦算法(SCA)优化拉格朗日乘子的更新路径,以缓解振荡现象;然后在SCA中引入柯西变异算子对当前粒子进行干扰,尽可能避免陷入局部最优,并引入自适应权重更新策略,使粒子更快逼近最优解;最后利用不同机组规模的电力系统进行仿真计算,并将计算结果与其他算法进行比较。结果表明,该方法在计算结果上具有优势,且有实际应用价值。     

一种用于BN结构学习的自适应遗传退火算法

模拟退火算法（SAA）和遗传算法（GA）作为智能算法是结构学习的重要方法．针对两种典型算法存在收敛速度慢或过早陷入局部最优的问题,利用GA进行选择,通过SAA进行搜索并利用独立性测试信息自适应引导算法的进化,提出一种自适应遗传模拟退火算法（AGSAA）,应用于贝叶斯网络（BN）结构学习．仿真结果表明AGSAA在学习的准确性和运行效率上均要优于SAA．     

双链基因的退火算法用于激光切割路径优化

为了缩短激光切割路径中的空行程,提高加工效率,同时避免在切割过程中损坏设备,本文分析了切割图元及其数学描述,将切割路径优化问题归结为广义旅行商问题,并提出了一种基于切割路径双链基因表示的模拟退火算法,MATLAB仿真结果表明该方法可以有效地解决上述问题。最后将优化路径和计算机辅助制造里自带优化软件规划的路径作比较,证明本方法可明显缩短激光头的空行程长度,并有效避免了打刀现象。     

单纯形—模拟退火算法

在简要介绍单纯形法基础上,针对模拟退火算法存在收敛慢、费机时较多的缺陷,将单纯形法与模拟退火算法有机地结合起来,形成一种新的改进造型的优化算法－单纯形－模拟退火算法,以加快速敛速度,提高解的质量,是单纯形法与模拟退火算法各自特点的综合,并通过算例进行了验证。     

模拟退火算法求解指派问题新探

模拟退火算法是一种随机搜索算法,能渐进地收敛于全局最优解.指派问题是组合优化问题中的一种,可用模拟退火算法来解此问题.模拟退火算法解决指派问题时,需要考虑实现此算法的技术问题,例如解的形式、初始温度的计算等.实验结果表明,该方法能够以一定的概率跳出局部最优,从而实现全局寻优.     

基于模拟退火算法旅行商问题的并行实现

旅行商问题属于ＮＰ难题，不存在多项式时间的算法。提出一个基于模拟退火算法求解旅行商问题的算法，并在并行设计环境Ｍｕｌｔｉ－ｐａｓｃａｌ中加以实现。     

模拟退火与蚁群混合并行算法解旅行商问题

求解TSP问题的智能优化算法主要包括蚁群算法和模拟退火算法等,这些算法求解TSP问题的速度比传统的精确求解算法有很大改进,但在问题的求解空间逐渐增加时,串行执行速度往往还是无法满足人们的需求.针对此问题,研究了蚁群算法、模拟退火算法以及两者的混合算法的并行实现方法,建立了PC机群实验平台,基于MPI环境对蚁群算法、模拟退火算法以及混合算法的并行算法进行了测试.根据理论研究和实际测试的结果,比较了并行算法和传统串行算法的性能差异,总结了利用PC机群系统求解旅行商问题的并行求解的可行性,得出了关于并行效率等方面的一些有意义的结论.     

基于遗传模拟退火算法的QoS组播路由问题求解

提出了一种基于遗传模拟退火算法的带宽时延约束费用最小组播路由选择方法,该方法针对遗传算法的局限性,采用基于备选路径集的整数序列编码机制,对适应度函数进行了调整,改进了交叉和变异操作,并结合了模拟退火算法.实验表明,该算法能够有效地提高收敛速度,避免早熟收敛,能够满足多媒体网络对相应QoS的需求.     

基于遗传算法和模拟退火算法的混合算法

结合离散时间系统最优控制问题,提出一种新的混合算法.该算法是在遗传操作中嵌入模拟退火算子,有效地结合了遗传算法隐含并行与模拟退火算法全局寻优的特点,同时用罚函数方法处理约束条件,设计了专门的遗传操作算子,构造了相应的适应度函数,实现了离散时间系统的最优控制.实验结果表明,新算法既具有较快的收敛速度,又能够收敛到最优解.     

用小生境模拟退火算法求解热轧调度问题

建立了特殊生产工艺约束下热轧调度问题的非对称旅行商问题的数学模型,采用小生境模拟退火算法求解该模型,提出用小生境邻域构造法构造搜索子空间,以提高模拟退火算法的效率。实验结果表明小生境模拟退火算法能够更快地找到更好的解,并优于局部搜索算法和传统模拟退火算法。     

基于模拟退火的全局混合反演方法及其应用

为了增强模拟退火算法的局部搜索性能,将局部搜索能力较强的单纯形法和鲍威尔法引入模拟退火算法当中,形成了基于模拟退火的全局混合反演方法。给出了模拟退火算法与单纯形法的镶嵌式结合方式以及模拟退火算法与鲍威尔法的串行式结合方式,并对其结合步骤进行了详细的阐述,以便于编程实现。分别对模拟和实测的直流激电测深曲线进行了反演试算:对于不具有等值性的激电测深曲线,反演效果很好,模型参数的相对误差基本控制在1%以内;对于等值性较严重或含有观测误差的激电测深曲线,全局混合反演方法也不能完全克服多解性,但可以通过改变模型参数空间和算法参数进行多次反演,最终可给出合理的解估计。