双层规划问题的粒子群算法研究

提出一种求解一般双层规划问题的层次粒子群算法.和传统的针对特定类型的问题或者基于特定假定假设条件所设计的算法不同,所提出的算法是一个层次算法框架,它通过模拟双层规划的决策过程来直接求解一般双层规划问题.层次粒子群算法将求解一般双层规划问题转化为通过两个变形粒子群算法的交互迭代来求解上下两层规划问题.同其它算法的实验结果比较表明层次粒子群算法是一个有效的求解一般双层规划问题的方法.     

SDN供需流的两阶段及其优化分析——基于木地板生产企业的视角

在传统企业向供需网企业转变过程中,作为SDN的一个供需流,其核心集中在对车间生产调度及物流配送的优化上.针对这两个问题,基于木地板生产企业的现状,本文引入了量子粒子群与模拟退火相结合的混合算法,以及一种求解物流系统的整合优化模型与求解的启发式算法分别对其进行研究,具有一定的实用价值.     

粒子群优化灰色模型在负荷预测中的应用

针对电力系统负荷特性,分析灰色模型GM(1,1)的应用局限性,引入向量α改进灰色模型背景值序列的计算公式,从而构建了适应性更强的GM(1,1,α)模型。应用粒子群优化算法非线性全局寻优能力来求解最优α值,提出了基于粒子群优化算法的灰色模型PSOGM,并给出了电力负荷预测的应用实例。实例证明PSOGM模型具有较高的预测精度和较广的应用范围。     

改进粒子群优化算法在电源规划中的应用

电源规划是一类复杂、非线性组合优化问题.传统的方法随着规划期的延长,考虑因素的增多,难以有效的进行优化,在实际应用中作用有限.首先,对电源规划优化问题进行了建模.然后,对于粒子群(PSO)的迭代策略进行改进,在此基础上,运用遗传粒子群(GPHA)混合优化算法进行了优化尝试.考虑到电源规划中相关参数众多,在优化过程中引入了虚拟变量对电源规划中的问题进行了简化描述;GHPA算法的适应度评价函数设计中,运用了罚函数的思想,以提高算法优化的效果.最后本文使用某省实际负荷预测和系统负荷实际数据,进行了电源规划方案优化,得到了优化后的电源规划方案,并与普通的遗传算法、粒子群算法以及传统的动态规划算法得到的结果进行了比较.比较的结果显示出了本文提出的算法在优化结果和速度方面具有明显效果.     

基于改进粒子群优化方法的供应商优选与订货量分配模型

研究了随机性需求环境下的供应商优选与订货量分配问题,构建了以质量、成本、交货期3个准则为目标函数、以其他目标为约束条件的多目标随机约束规划模型;借助于加权法和罚函数法,将多目标随机约束规划模型转化为单目标优化模型;进而设计了带惯性因子和收缩因子的粒子群优化求解算法对所建模型进行求解,并与常用的遗传算法求解方法进行对比分析,实例验证了粒子群优化算法解决此类优化问题的可行性和有效性.     

基于约束的离散粒子群算法求解大规模指派问题

针对现有进化算法在求解传统指派问题时因取整而影响优化效果的问题,采用了一种基于AllDifferent约束的置换离散粒子群优化算法,该算法针对指派问题中各变量不能重复取值的特点,改进了算法的迭代方式,并引入了模拟退火的差解接受准则以提高优化效果,仿真算例表明改进后的算法在质量上和时间上更具有效性.     

基于约束的多目标投资组合优化研究

在金融市场上,投资组合决策是一个多目标优化问题,基于传统的方法并不能很好的解决该问题。本文提出了基于多目标粒子群算法(MOPSO)的优化解决方案,实现了对多目标优化问题的非劣最优解集的搜索,实验结果证明了算法的有效性。     

粒子群算法在VRP中的应用

物流配送车辆路径问题(VRP)属于NP—hard问题。谈文针对粒子群算法的局限性,引入了一种动态改变惯性权重的粒子群算法,在优化迭代过程中,惯性权重随粒子的位置和目标函数的性质而变化。实验结果表明,改进后的算法能使收敛速度显著加快,而且不容易陷入局部最优。     

BAB算法中集成CPT求解job-shop调度问题

CSP(constraintsatisfactoryproblem)的优势在于能够处理复杂约束,获得一个满足约束的解,但难以保证解的质量.OR(operationresearch)的优点是获得最优解或近优解,但它求解复杂约束的优化问题非常困难.CPT(constraintpropagationtechnique)是CSP的主要搜索技术,BAB(branch_and_bound)是OR常用的优化算法.提出了一种将CPT集成于BAB中的混合算法,从一个新的角度解决具有一般性与挑战性的job shop调度问题.其主要特点是,通过在BAB算法中嵌入动态可调的时间窗口约束和加强一致性CPT搜索方法,融合BAB的优化能力和CPT处理复杂约束的能力,提高BAB的优化性能及实际应用能力.实验结果令人满意,证明了算法的有效性.     

基于PI的企业动态库存补货模型与算法

PI(physical internet)环境下的物流网络具有互联、开放和共享的特点,缺货的PI-枢纽或零售商可根据货源选择策略动态选择为其补货的供应商或PI-枢纽。为解决PI环境下库存补货问题,提出了IB-EB(installation-echelon)混合补货策略。以最小化库存补货成本为目标,补货量和再订购点为决策变量,构建了PI环境下的动态库存补货模型。针对该混合整数非线性规划模型,应用粒子群优化算法求解出多个补货预案,再将其带入仿真环境循环优化求解。最后,以中国航空器材进出口公司为例,验证了模型可解性及算法的可行性。结果表明PI环境下货源策略的选择对库存补货成本和补货策略具有十分重要的影响,为企业在不同补货条件下选择货源提供了参考依据。