基于DSM的复杂研发项目价值流优化

针对传统设计结构矩阵(DSM)优化研发项目的不足,本文采用基于价值要素的DSM价值流优化方法,提出了活动的"费用时间比"参数和返工因子DSM矩阵,以综合反映活动的费用、时间及返工风险等价值要素对复杂研发项目活动排序优化的影响。进一步,将活动的"费用时间比"参数和返工因子作为优化参数,构建了相应的DSM价值流优化目标函数。对某案例优化计算表明,与传统方法相比,采用本文提出的价值流优化方法能明显降低由于返工而引起的项目费用增加值。     

网络计划中资源均衡优化的研究

以凝聚函数为目标函数给出了网络计划中资源均衡优化的数学模型,设计了相应的遗传算法,提出了一种从“资源占用峰值区”往两则强制的修复算子。     

GP 在搜索技术中的应用

给出了基于遗传规划(GP) 的搜索方法, 设计了方向指标, 以此为基础定义了函数与自动定义函数集的终结点集与函数集, 证明了他们的封闭性. 本文还推导了普通图的矩阵表示的遗传规划算子的计算方法, 给出了相应的公式, 此项工作对在搜索技术中应用遗传规划方法,及使用普通高级语言实现遗传规划方法有重大意义.     

基于DSM的并行产品设计过程管理

缩短产品开发时间、推行成本管理和提高项目管理水平,对于赢得竞争优势是至关重要的.本文引入了一种新的研究工具--设计结构矩阵(Design Structure Matrix,DSM),并利用DSM来进行产品设计过程规划和活动排序.DSM提倡把主要精力集中于活动间信息传递的需要,以提高设计过程的并行程度,消除不必要的迭代过程,同时提高产品设计质量.     

投入产出分析的几种系数矩阵在管理和经济分析中的作用

综合评价投入产出分析的几种系数矩阵在经济指标分析、经济效益分析和经济预测中的作用。提出投资系数矩阵的近似构造法,改进了利润作为目标函数的优化模型和推广了数学增量模型,并通过矩阵变换法从一个投入产出分析系数矩阵生成另一个相似的投入产出分析系数矩阵。     

基于电商承诺送达机制的多目标低碳MDVRP优化研究

针对存在多配送站的电商物流配送问题,首先,考虑实际装载量对物流配送过程中车辆燃料消耗量的影响,建立燃料消耗量模型,并结合电商平台的承诺送达机制,构建配送延迟时间函数。随后,提出了以最小化物流成本和延迟收货时间的多目标多配送站车辆路径规划问题,建立该问题的混合整数规划模型。再次,采用基于分解的多目标遗传求解算法对问题进行求解。该算法采用矩阵编码的方式,设计了基于贪婪搜索策略的启发式初始化方法,考虑到贪婪搜索策略容易陷入局部最优的劣势,在算法迭代过程中,允许部分不可行解存在以扩大解空间的搜索范围,并进一步设计了遗传算法的交叉和变异算子。最后,以具体物流配送案例进行数值实验,实验结果表明所设计的算法对求解本文模型是有效的。     

模糊C-OWG算子及其在三角模糊数互反判断矩阵排序中的应用

本文研究了决策信息以三角模糊数互反判断矩阵形式给出的有限方案决策问题。首先定义了模糊C-OWG(FC-OWG)算子和期望模糊C-OWG(EFC-OWG)算子,并研究了它们的一些性质。基于FC-OWG算子和EFC-OWG算子,提出了方案偏好信息为三角模糊数互反判断矩阵的方案排序方法,根据决策者的偏好程度进行调节,并利用决策者的偏好程度对排序结果进行敏感性分析。实例表明,新方法计算简单、可行且有效。     

基于DSM的应急任务流程模块化设计研究

应急任务的流程化管理是通过计算机网络平台实现对应急预案处置操作的必要环节,论文借助于流程模块化管理的思想,采用统一建模语言（UML）对应急任务之间的依赖关系进行描述,并映射到设计结构矩阵（DSM）中,运用四点刻度法对活动之间的流依赖,和资源依赖中的角色依赖、设备依赖和设施依赖的关系强度进行度量,提出了依赖量指标的计算方法,在此基础上,以降低模块间的耦合程度和提高模块内的依赖程度为目标,建立了应急任务活动的聚类优化模型,并设计了相应的遗传算法进行求解,通过案例计算分析,验证所提方法可以获得具有高内聚和松散连接的流程模块。这种方法可以大大减少组织管理的复杂程度,并为实现模块任务的快速重组和功能整合创造了条件。     

一种新的梯形模糊数互补判断矩阵的排序方法

研究了决策信息以梯形模糊数互补判断矩阵形式给出的有限方案决策问题。首先利用COWA算子,引入期望值函数概念对梯形模糊数来排序,排序结果可以根据决策者的乐观程度进行调节,更加合理。然后基于期望值函数,把梯形模糊数互补判断矩阵转化期望值互补判断矩阵进行排序,并利用决策者的乐观程度对排序结果进行敏感性分析。最后通过算例说明了该方法的可行性和有效性。     

基于GATS混合策略的多目标优化算法

用遗传算法求解多目标优化问题的难点在于适应值函数难以定义.本文提出一种定义多目标优化问题适应值函数的方式,使遗传算法不仅满足于得到一个决策方案,而是以得到问题的全部非劣解为目标,最终的决策方案由决策人根据自己的偏好来决定.同时为避免提前收敛现象,本文根据遗传算法和Tabu Search算法自身的特点,通过对二者的优势和不足进行分析,提出一种将二者混合使用的求解多目标优化问题的策略.它以遗传算法为基础,用遗传算法作全局搜索,用Tabu Search算法作局部搜索,改进遗传算法的计算结果.     

计算模糊综合评价逆问题的一种方法

计算模糊综合评价的逆问题,有助于总结评价经验,具有普遍的应用价值。目前常用的方法是经验性枚举选优法,其计算结果与计算者的经验和枚举的次数有关。为此,该文中把该问题等价于一个以贴近度为目标函数、权重模糊集为优化变量、含有最大最小运算的非线性优化问题,并提出用加速遗传算法(AGA)来计算该问题的新方法。实例的结果说明,AGA简便、有效且具有通用性,其计算精度高于枚举选优法的相应结果,在模糊综合评价的理论与实践中具有一定价值。     

多性质多目标模糊指派模型在市政工程开发商选择中的应用

考虑了指派问题中涉及到多个目标要求的情况,包括定量目标和定性目标。首先,使用模糊数学的方法将定量目标下的效率值矩阵转化为优选决策矩阵,同时提出了定性目标的量化方法,并建立了定性目标的优选决策矩阵。然后,将各个目标要求下的优选决策矩阵进行了合成,考虑了综合效益对于“优”和“劣”之间多个等级的相对隶属度,建立了多性质、多目标模糊数学模型,得到了分级特征值矩阵。最后,与传统指派模型相结合形成了多性质、多目标模糊指派数学模型,使用匈牙利算法对该模型进行了求解,并结合市政工程在开发商之间分配的例子进行了分析说明。     

具有不确定信息的风险型多目标决策理论及应用

具有不确定信息的多目标决策问题是一类常见的决策问题。给出该决策问题指标的分类方法和指标值的规格化公式,建立方案的距优距劣综合加权距离为最小的目标函数,从而得到一类求解这一问题的数学模型,并给出了一种目标权重的确定方法,很适用于实际问题,为解决不确定性系统的多目标决策问题提供了一种思路和方法。最后将其应用到水资源系统风险决策的一个实例中,表明了方法的可行性。     

Discrete optimization with polynomially detectable boundaries and restricted level sets

The paper describes an optimization procedure for a class of discrete optimization problems which is defined by certain properties of the boundary of the feasible region and level sets of the objective function. It is shown that these properties are possessed, for example, by various scheduling problems, including a number of well known NP-hard problems which play an important role in scheduling theory. For one of these problems the presented optimization procedure is compared with a version of the branch-and-bound algorithm by means of computational experiments.     

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.     

非对称信息条件下实物期权最优投资问题研究

描述了实物期权投资者和经营者价值函数,分析了不同信息条件下实物期权的最优投 资决策. 在非对称信息条件下,实物期权经营者对于项目价值信息隐匿,这是一个具有逆向选 择的委托代理问题. 设计了以实物期权投资者利润数学期望最大为目标函数,以投资和数量折 扣作为状态方程的最优控制问题. 应用极大值原理推导了实物期权最优投资和数量折扣的求 解方案. 最后,进行了实物期权最优投资的仿真实验,验证了实物期权在项目投资问题上的分 析结果.     

Envelope Theorems for Arbitrary Choice Sets

The standard envelope theorems apply to choice sets with convex and topological structure, providing sufficient conditions for the value function to be differentiable in a parameter and characterizing its derivative. This paper studies optimization with arbitrary choice sets and shows that the traditional envelope formula holds at any differentiability point of the value function. We also provide conditions for the value function to be, variously, absolutely continuous, left‐ and right‐differentiable, or fully differentiable. These results are applied to mechanism design, convex programming, continuous optimization problems, saddle‐point problems, problems with parameterized constraints, and optimal stopping problems.     

An approximation algorithm for maximum internal spanning tree

Given a graph G, the maximum internal spanning tree problem (MIST for short) asks for computing a spanning tree T of G such that the number of internal vertices in T is maximized. MIST has possible applications in the design of cost-efficient communication networks and water supply networks and hence has been extensively studied in the literature. MIST is NP-hard and hence a number of polynomial-time approximation algorithms have been designed for MIST in the literature. The previously best polynomial-time approximation algorithm for MIST achieves a ratio of \(\frac{3}{4}\). In this paper, we first design a simpler algorithm that achieves the same ratio and the same time complexity as the previous best. We then refine the algorithm into a new approximation algorithm that achieves a better ratio (namely, \(\frac{13}{17}\)) with the same time complexity. Our new algorithm explores much deeper structure of the problem than the previous best. The discovered structure may be used to design even better approximation or parameterized algorithms for the problem in the future.