基于改进遗传算法的物流配送中心选址研究

物流配送优化研究是一个既有理论和实践意义又富有挑战性的课题。对配送中心选址问题,文章提出了单点PMX交叉方法及有针对性变异的思想,并对传统精英个体保留策略进行了改进。通过性能比较可以看出,改进遗传算法的优势明显。     

指定与不指定备选点的配送中心选址-库存模型研究

针对物流企业经常遇到的配送中心只能在指定的备选点中选择的限制,将固定建设成本风险共担选址-库存问题扩展为不指定与指定备选点的可变建设成本配送中心选址-库存模型,构建了二次非线性0-1整数规划模型.结合粒子群算法的特点,分别设计J×J矩阵与I×J矩阵为不指定备选点和指定备选点的可变建设成本配送中心选址-库存模型的初始粒子.在粒子群算法思路、流程指导下,用C++编程,通过C++builder运算.采用Hakimi文章中算例计算,并对运输成本系数β、库存成本系数θ进行敏感性分析.     

基于混合整数规划法的农产品物流配送中心选址模型

物流配送是农产品销售业务的重要环节,也是业务成本的主要组成部分。考虑到农产品与其它农产品相比,具有更明显的弱质性,故以物流成本最小化为目标,基于混合整数规划法,构建农产品中心选址模型,并采用算例验证模型与算法的合理性与可行性。该物流选址方案可以有效地节省费用,降低运输成本,提高运输质量,保证物流系统的平衡发展,为进一步建立完善可行的农产品物流链,提供一定的借鉴与参考。     

基于粒子群优化算法的应急资源调度研究

科学合理地开展应急资源调度,最大限度地发挥有限的应急资源的价值,是应急管理中的一项重要工作.文章构建了多种应急资源需求约束、应急时间约束、应急救援成本约束等多约束条件下的突发事件应急资源调度模型,并运用粒子群优化算法对模型进行求解,从而实现应急救援资源的高效利用与合理调度.     

基于直觉模糊数的物流配送中心选址的评价方法

文章利用模糊数连续有序加权算子对直觉模糊数中的三角模糊数集结,给出一种直觉模糊数的简便比较规则;采用文献综述法和问卷调查法构建了物流配送中心选址评价指标体系,采用一种组合赋权法确定指标权重;针对物流选址评价过程中存在的不确定性和信息获取不完备性,构建了基于直觉模糊数的物流选址评价方法;最后实证分析了某企业物流配送中心选址的过程.     

“互联网+”时代物流配送中心选址优化模型构建

“互联网+”环境下,只有选对配送中心地址,才能保证生鲜产品快捷、保质送达至消费领域.文章立足生鲜农产品特质,通过线性规划理论,对“互联网+”时代农产品物流配送中心进行优化选址模型构建,并应用启发式算法持续逼近得以生成最优解,在此基础上选择若干主要物流配送中心地址展开算例分析.研究结果显示,该模型能够实现对配送中心选址优化,提高生鲜农产品物流配送效率,有效满足消费者对生鲜农产品新鲜度、品质度及配送时间窗的需求,降低了物流企业的配送成本.     

启发反馈式粒子群物流优化模型及其应用

文章提出了一种求解物流优化问题的带有启发反馈的粒子群混合优化方法.在该混合方法中,方案提升阶段由储存在父代个体中的知识库作为辅助.通过使用粒子群优化法,即每个粒子必须按照粒子群混合优化方法的基本原则来提升它们的物理移动,直到满足被选为父代的所有要求.每个父代的每份知识库,都有可能转移到它的子代以及全部人数的子代.当这些理念应用到物流优化问题时,得到了非常好的优化结果.     

改进粒子群算法优化灰色神经网络预测模型及其应用

文章针对神经网络存在局部最优、收敛速度慢以及大样本等缺点,将改进的粒子群算法、灰色模型和神经网络模型有机结合,构建了改进粒子群优化灰色神经网络预测模型(IPSO-GMNN).并与其他预测模型进行比较,实证结果表明:IPSO-GMNN预测模型能够克服神经网络预测模型的不足,更好地识别时间序列的非线性和突变性特征.在对我国专利授权数量的预测应用中,新模型对非线性时间数据预测表现出更好的预测精度和稳定性.     

连锁经营企业区域物流配送中心选址的两阶段模型

本文在提出配送中心吸引力指数的概念、建立以吸引力指数最大为目标函数的选址理论模型的基础上,求解出理论上的最优选址点;然后为了使模型解决具体问题时具有实用性,引入交通区位和地价两个权重因素,在理论最优选址点附近区域内有选择地挑选若干个点一起作为候选地址,对不同候选地址的吸引力指数用交通区位因素和地价因素两个权重进行加权,从而实现连锁经营企业区域物流配送中心的选址优化。     

带道路容量限制的多配送中心选址问题的数学模型与算法

文章研究了带道路容量限制的多配送中心选址问题,在综合考虑货物周转费用、运输费用、配送中心年固定费用的前提下,根据实际情况引入了运输道路容量限制,以总费用最低为目标建立了该问题的整数线性规划模型。然后给出了求解该模型的精确算法,又根据贪婪思想设计了求解该问题的启发式算法,并利用具体的实例进行了模拟计算,结果显示,其模型及算法具有很好的效果。     

基于生态位适宜度和主成分-TOPSIS法的配送中心选址模型研究

配送中心选址作为物流系统规划中的重要组成部分,已成为企业建立竞争优势的关键.文章在总结目前国内外配莲中心选址方面的研究成果和理论经验的基础上对配送中心选址相关问题采用生态位适宜度和主成分-TOPSIS法进行研究,先用生态适宜度对备选方案进行第一次基本前提条件的筛选,再采用主成分-TOPSIS法选出最优的备选方案.可以避免差中选好的现象,有一定的现实意义.     

改进粒子群优化算法及其在CVaR模型中的应用

文章基于CVaR模型进行投资组合优化,并利用粒子群算法对其进行求解.在具体应用过程中,为克服粒子群算法易陷入局部极值的缺陷,对算法进行了改进,并与标准粒子群算法(PSO)和遗传算法(GA)进行了比较,结果表明,改进后的算法应用于CVaR模型是行之有效的,且优于标准粒子群算法和遗传算法.     

基于粒子群训练的神经网络股票预测模型

文章将粒子群优化算法用于神经网络预测模型的学习训练,并且将这种方法用于股票预测中.实验结果表明,基于粒子群训练的神经网络学习算法更易于实现,且准确率较高.     

基于滑动平均和粒子群优化的GM(1,1)日前电价预测方法

在对美国PIM电力市场日前电价的变动规律综合分析的基础上,提出了一种基于粒子群优化(PSO)和灰色GM(1,1)模型的日前电价预测方法.该方法首先采用滑动平均法对原始电价序列进行处理,然后对处理后的电价序列建立等维新息GM(1,1)模型,并利用PSO最小化加权平均绝对百分比误差(MAPE),进一步优化GM(1,1)模型的灰色背景值.对PJM电力市场2007年7月到9月的历史数据的算例研究表明,相对于传统GM(1,1)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.     

粒子群算法在投资组合决策中的应用

投资组合决策面临现实证券市场中大量数据,传统算法很难解决这一问题。本文将具有智能化且易于实现的粒子群算法应用到投资组合决策中,并通过上海证券交易所的实际数据进行计算机模拟,结果表明该算法在组合决策中是有效的,且易于实现。     

一种求解基数约束投资组合优化的混合粒子群算法

如何有效求解基数约束投资组合优化问题,已成为金融学界近年来一直研究的热点.文章介绍了一种融合极值优化理论的混合粒子群优化算法(简称eo-PSO),利用极值优化方法(EO)以增强混合算法对搜索空间的挖掘能力,引入混沌变异算子提高粒子群(PSO)的探索能力.通过和其他一些智能计算方法对Markowitz基数约束投资组合优化目标函数的测试,以及应用风险范围理论的比较分析,结果显示混合粒子群算法具有良好的计算性能,其优化解也更具有效性.     

基于近邻规则和粒子群优化的半监督自标记方法

自标记方法能用少量有标记样本和大量无标记样本来训练给定分类模型。误标记是自标记方法中的主要挑战。尽管学者们用数据剪辑技术去识别和移除在自标记方法迭代过程中被误预测的样本,但是许多数据剪辑技术严重依赖于特定假设。为了克服误标记问题和相关解决方案中的缺陷,文章提出一种基于近邻规则和粒子群优化的自标记方法 SLM-NNPSO。首先,SLM-NNPSO用有标记集去训练一个给定的分类模型。其次,SLM-NNPSO用近邻规则来发现具有高置信度的无标记样本,并用被训练的分类模型来预测他们。再次,SLM-NNPSO用粒子优化来识别和移除被误预测的样本,并把被正确预测的样本加入有标记集中。上述过程不断迭代,直到SLM-NNPSO没有发现具有高置信度的无标记样本。最后,SLM-NNPSO输出在迭代过程中被训练的分类模型。经仿真实验证明,就训练k近邻分类器的平均分类正确率而言,在来自销售市场、医学检测、图像识别等领域的12个真实数据集上,SLM-NNPSO优于5个流行的自标记方法。     

物流配送中心选址的设计及评价模型

文章研究物流配送中心选址问题,运用运筹学原理建立方案设计模型,并结合不确定性多属性决策模型进行方案评估,优化整个选址过程,为物流中心的选址问题提供参考方案,寻求最佳经济效益。     

基于粒子群算法的关键链多项目调度管理

关键链在多项目环境中的应用能够改善多项目的执行环境,提升多项目的管理绩效。文章基于现有研究成果,探讨了单瓶颈资源约束下关键链在多项目中应用的基础与步骤,考虑不同项目的重要性及项目完工提前或滞后的奖惩,建立系统总收益最大化目标模型。引入粒子群算法,设计算法流程,对目标模型进行求解。最后,通过算例验证粒子群算法在解决关键链多项目调度管理问题的可行性和有效性。     

基于混合遗传算法的鲁棒双层规划求解

文章针对双层规划系数的不确定性问题提出了鲁棒双层规划模型,以上下两层决策者均需获得鲁棒解为前提假设,将模型转化为下层含有二阶锥约束的确定性问题;根据转化后模型特点,将基于单个牛顿方程的非内部连续化算法引入到遗传算法,设计了一种混合遗传算法对其进行求解,从而获得鲁棒解;最后通过算例验证了该算法的可行性及有效性。