综合生产计划的随机最优化问题

探讨了产品价格及资源使用量为随机变量的情况下，使用有补偿二阶段模型进行综合生产计划制定的实用算法．     

二阶段补偿随机规划问题的一种次梯聚类近似算法

通过罚函数方法，把二阶段完备补偿随机规划问题转化为一个无约束级小极大优化问题，然后利用次梯度聚类方法，给出了一个近似算法，并证明了算法的收剑性。     

随机规划二阶段问题中目标函数的可微性

本文讨论了A、B、q不全为随机量时有固定补偿矩阵的随机规划二阶段问题目标函数的可微性,从而推广了文献[1]或[2]中目标函数可微性的定理。     

全局最优化问题的下降算法

本文研究了全局最优化问题的求解方法，给出了一种下降算法及数值例子。     

最优化参数逼近的自适应退避算法

为在不同网络规模下改善网络的拥塞状况并达到或逼近最佳的网络性能,提出了一种基于最优化参数逼近的自适应退避算法(SAOP)．根据理论最佳归一化发帧负载随站点数增加近似保持恒定的特性,周期性自适应调整自身的最小竞争窗口,使网络当前的归一化发帧负载(冲突和成功发送次数比值)逼近理论最佳值,从而使网络拥塞状况得到改善．仿真结果表明,该算法使802.11局域网的饱和吞吐量提高了48%,使时延减小了31%(Basic接入模式,网络规模80个站点),随网络规模变化的吞吐量平均达到理论最大值的98%．     

二阶段补偿随机规划问题的一种次梯度聚类近似算法

通过罚函数方法，把二阶段完备补偿随机规划问题转化为一个无约束极小极大优化问题，然后利用次梯度聚类方法，给出了一个近似算法，并证明了算法的收敛性．     

关于多目标最优化的算法实质问题

在假定函数值为Ｒ＾ｍ中的有界凸集时，给出了多目标最优化的实质算法，证明了其余算法均是此算法的特款。同时，文中在模型不存在有效解的前提下，给出了ε有效的存在性定理。     

求解随机线性互补问题的社会认知算法

针对传统算法求解随机线性互补问题时需要给定初始点、计算梯度,并且解不唯一时无法获得多个最优解的困难,提出了求解随机线性互补问题的社会认知算法.将随机线性互补问题转化为含有随机变量的约束优化问题,并通过平均抽样逼近该随机约束优化问题,利用社会认知算法求解该优化问题.数值试验结果表明社会认知算法是求解随机线性互补问题的有效算法.     

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.     

专家分配问题的KMP优化求解方法研究

专家分配问题是项目申报系统中评审环节(盲审)重点解决的问题.根据系统模型,针对项目和专家的多因素匹配问题,对专家分配问题进行研究,建立了专家分配问题的模型.应用KMP方法和索引顺序查找的求解方法,提出了基于多信息因素的专家分配优化求解方法.通过测试与应用表明,该系统的专家分配算法能实现专家与申请书的匹配,结果有较高的准确性和合理性,该方法将评审工作的效率提高了8~12倍,同时将传统人工操作过程中的出错概率降至0.15%~0%.     

求解随机互补问题的Levenberg-Marquardt方法

研究含有限样本的随机非线性互补问题的数值求解方法。在将问题等价转化为非线性方程组的基础上,给出一个光滑化Levenberg-Marquardt算法。该算法具有全局收敛性,并在局部误差界条件下,还拥有局部的二次收敛性质。所做的数值例子结果表明,所给算法具有较好的实际计算效果。     

用遗传算法求解多参量函数优化问题

针对简单遗传算法(SGA)的编码方式不适用于优化多参量函敷的弱点,介绍了一种基于多参级联编码方式的遗传算法,详细描述了该算法的各主要组成部分和工作原理,并通过仿真实验证明了该算法的有效性。     

求解复杂背包问题的一种贪婪算法

给出了求解背包问题的一种贪婪算法,引用了模函数对算法进行了讨论,从理论上证明了这一算法的性能保证,最后用此算法求解了一个背包问题.     

一种随机并行算法及其在VLSI布图中的应用

在ＶＬＳＩ布图中，有许多可以归结为组合优化的问题，用传统方法解决这类问题时，很容易陷入局部极值．利用一种随机并行算法－Ａｌｏｐｅｘ算法，通过将ＶＬＳＩ布图中的一些问题公式化，并选择适当的退火策略和参数值来寻找一个代价函数的全局极值以得到最佳结果．通过实例进行了验证，得到了比较好的结果．     

改进PSO算法及其在函数优化中的应用

针对微粒群算法PSO（Particle Swarm Optimization）应用于函数优化存在的问题,提出一种加入了梯度信息改进的微粒群算法。微粒群算法用于函数的优化,具有简单、效果好等优点。但是研究也表明该方法也存在着一些缺点,如计算时间较长、容易陷入局部最小等,这是由于算法本身的随机性决定的。梯度法是传统的优化方法,典型的特征是在确定优化解的方向时遵循梯度下降原则,因此在寻找优化值时方向比较确定,可以减少优化时间。为了克服PSO的缺点,在标准PSO优化策略中引入梯度原则,设计了一个具有梯度指导的PSO算法。现将改进的PSO算法应用于函数的优化,并与标准PSO算法的效果进行了比较。函数优化实验的结果表明,改进的PSO算法提高了标准PSO算法的收敛时间。