基于粒子群算法的大型网络计划资源优化

现有求解网络计划资源优化的方法中,解析法不能解决大型复杂网络优化问题,启发式方法过多依赖具体问题、求解效率低,遗传算法生成新一代优化解种群依据的三个算子的实现参数选择,大部分依靠经验并严重影响解的品质,粒子群算法存在大型网络计划资源优化计算量过大和缺少大型网络计划资源优化算例问题.借助设计网络计划时间参数的计算机算法、建立评价函数、设计进化方程等基础工作,选择与工作开始时间相关的变量作为粒子空间位置,用蒙特卡洛方法和限制条件优化初始粒子群,设置可行解范围,用二维动态数组解决大型网络计划资源优化运行image超限问题,通过粒子群算法进化,寻求大型网络计划资源优化解,算例表明基于粒子群算法的大型网络计划资源优化效果明显,粒子群算法参数分析表明:粒子群算法的参数会影响网络计划资源优化结果,而且初始粒子群限制条件和优化目标设置的影响程度较大.     

基于改进粒子群算法的学习路径优化方法

提出一种改进粒子群算法求解在线学习系统中的学习路径优化问题.在建模时综合考虑了学习者的学习目标、知识掌握水平、学习成本和资源相关度等因素;在寻优时采用局部邻域搜索与禁忌搜索相结合的方式,以改进标准粒子群方法的寻优性能.实验结果表明,该方法具有较高的实用性和准确性,是学习路径优化问题的一种有效求解算法.     

考虑零售商库存能力约束的供应链网络均衡模型研究

在考虑零售商库存能力约束情形下,研究了多个竞争的零售商与供应商组成的供应链网络均衡问题.通过对供应链各层级的供应商、零售商、消费市场最优性条件的分析,利用变分不等式构建了供应链网络均衡模型.最后,运用投影收缩算法对均衡模型进行求解,并仿真分析了零售商库存能力约束对网络成员及整个供应链网络的影响.     

基于双混沌优化搜索的改进粒子群算法及应用

针对现有算法在智能电阻箱动态误差校正方面存在的收敛速度慢、计算精度低,且易进入“局部最优”的陷阱等缺点,展开对智能电阻箱动态示数校正过程的重构及设计,并对动态误差校正优化算法进行研究.在双混沌优化系统中添加扰动因子与指数自适应学习方式改进搜索策略;在粒子群算法中将惯性权重因子修正为自适应权重因子,将学习因子修正为异步线性学习因子以优化算法,进而提出一种改进的粒子群优化算法(AL-DCPSO).利用8个经典函数对算法性能进行测试后,将这种算法应用在某型号智能电阻箱动态误差校正的过程中,研究结果表明:改进后的算法具有更高的计算精度(达到0.001)与更强的寻优能力,且在优化过程中呈现出较强的自适应学习能力,计算过程较为稳定,鲁棒性有效提升,耗时在阈值范围内有所增加.其创新性在于将双混沌优化机制的优点与粒子群算法相结合,应用到智能电阻箱动态误差校正的过程中,对动态误差校正方法进行了一定拓展,为粒子群优化算法在具体实际优化过程中的关键参数选取与策略设计,有效提升算法优化性能提供了一些借鉴.     

多重纳什均衡解的粒子群优化算法

提出了一种求解双矩阵对策多重纳什均衡解的粒子群优化算法。该算法通过随机初始点以及迭代粒子的归一化,保证粒子群始终保持在对策的可行策略空间内,避免了在随机搜索中产生无效的粒子,提高了粒子群优化算法求解纳什均衡解的计算性能。最后给出了几个数值例子,说明了粒子群优化算法的高效性。     

基于粒子群算法的大型网络计划费用优化

大型网络计划费用优化对科学有效地进行工程项目进度管理具有重要意义,但大型网络计划费用优化随工作个数增加而约束方程和计算量骤增,成为数学和计算机科学领域至今未解决的难题.借助建立评价函数、设计进化方程、设计网络计划时间参数的计算机算法等基础工作,选择工作持续时间作为粒子空间坐标并设置可行解范围,用蒙特卡洛方法和限制条件优化初始粒子群,用二维动态数组解决大型网络计划粒子群算法优化运行image超限问题,成功求解有61个工作的大型网络计划费用优化算例.因此,经过特定设计的粒子群算法是微机和有限的计算时间条件下求解大型网络计划费用优化问题的一个有效方法.     

超越方程的优化解法

针对粒子群算法局部搜索能力差,后期收敛速度慢等缺点,提出了一种改进的粒子群算法,该算法是在粒子群算法后期加入拟牛顿方法,充分发挥了粒子群算法的全局搜索性和拟牛顿法的局部精细搜索性,从而克服了粒子群算法的不足,把超越方程转化为函数优化的问题,利用该算法求解,数值实验结果表明,算法有较高的收敛速度和求解精度。     

基于改进二进制粒子群算法的个性化网络学习资源推荐方法

针对目前启发式算法用于解决个性化网络学习资源推荐问题时存在推荐速度较慢、不稳定等问题,文章提出基于改进二进制粒子群算法的个性化网络学习资源推荐方法(AsyBPSO-RA).该方法将个性化网络学习资源推荐问题建构为适应度函数,利用改进二进制粒子群算法(AsyBPSO)优化此适应度函数,生成推荐结果;AsyBPSO采用非对称映射函数,取代基本二进制粒子群算法中的S型映射函数,以更好地平衡算法的探索和开发阶段.通过五组实验结果对比分析发现,AsyBPSO收敛能力强,稳定性高,表明AsyBPSO-RA是较为有效的个性化网络学习资源推荐方法.     

非线性约束优化问题的混合粒子群算法

把处理约束条件的一个外点方法和改进的粒子群优化算法相结合,提出了一种求解非线性约束优化问题的混合粒子群优化算法.该方法兼顾了粒子群优化和外点法的优点,对算法迭代过程中出现不可行粒子,利用外点法处理后产生可行粒子.数值实验表明了提出的新算法具有有效性、通用性和稳健性.     

免疫粒子群优化算法在农业水资源优化配置中的应用

求解农业水资源优化配置模型(高维非线性优化模型),较常采用大系统分解协调原理和动态规划相结合的方法,这样减少了变量个数,便于优化求解,但协调的过程需要多次从低阶模型中返回信息,而且对于每层的寻优求解过程存在难以克服的矛盾.采用标准的粒子群优化算法则优化程度不易保证并容易陷入局部最优,优化结果对初始种群依赖性较强.因此应用免疫进化算法对标准粒子群优化算法进行改进并应用于灌区农业水资源优化配置模型的求解.算例分析表明,免疫粒子群算法为求解高维复杂的优化配置问题提供了新思路.     

混沌粒子群神经网络在上证指数预测中的应用

上证指数预测是一个非常复杂的非线性问题,为了提高对上证指数预测的准确性,本文采用基于混沌粒子群(CPSO)算法对BP神经网络算法改进的方法来进行预测.BP神经网络算法目前已经应用到预测、聚类、分类等许多领域,取得了不少的成果.但自身也有明显的缺点,比如易陷入局部极小值、收敛速度慢等.用混沌粒子群算法改进BP神经网络算法的基本思想是用混沌粒子群算法优化BP神经网络算法的权值和阈值,在粒子群算法中加入混沌元素,提高粒子群算法的全局搜索能力.对上证指数预测的结果表明改进后的预测方法,具有更好的准确性.     

基于游客年龄特征的旅游巴士定价研究

为旅游巴士设计合理的定价,对旅游公共交通的发展有着积极影响。通过对游客出行偏好的分析,考虑不同年龄阶段的游客在选择行为上有较大的差异,建立了上层以旅游巴士企业利润最大为目标,下层为多方式多人群弹性需求随机用户平衡的旅游巴士定价模型,并设计了改进粒子群算法求解问题。数值实验结果表明:1)年龄特征会影响最优定价策略,考虑游客年龄在选择行为上的差异得出的票价更优;2)舒适度敏感系数对定价有影响,且旅游巴士较常规公交,舒适度更好,一定程度上提高了旅游巴士企业的竞争力;3)改进粒子群算法较标准粒子群算法,有更好的求解性能和质量。     

Balanced fuzzy particle swarm optimization

In the present study an extension of particle swarm optimization (PSO) algorithm which is in conformity with actual nature is introduced for solving combinatorial optimization problems. Development of this algorithm is essentially based on balanced fuzzy sets theory. The classical fuzzy sets theory cannot distinguish differences between positive and negative information of membership functions, while in the new method both kinds of information “positive and negative” about membership function are equally important. The balanced fuzzy particle swarm optimization algorithm is used for fundamental optimization problem entitled traveling salesman problem (TSP). For convergence inspecting of new algorithm, method was used for TSP problems. Convergence curves were represented fast convergence in restricted and low iterations for balanced fuzzy particle swarm optimization algorithm (BF-PSO) comparison with fuzzy particle swarm optimization algorithm (F-PSO).     

A fuzzy goal programming and meta heuristic algorithms for solving integrated production: distribution planning problem

Integrated production–distribution planning is one of the most important issues in supply chain management (SCM). We consider a supply chain (SC) network to consist of a manufacturer, with multiple plants, products, distribution centers (DCs), retailers and customers. A multi-objective linear programming problem for integrating production–distribution, which considers various simultaneously conflicting objectives, is developed. The decision maker’s imprecise aspiration levels of goals are incorporated into the model using a fuzzy goal programming approach. Due to complexity of the considered problem we propose three meta-heuristics to tackle the problem. A simple genetic algorithm and a particle swarm optimization (PSO) algorithm with a new fitness function, and an improved hybrid genetic algorithm are developed. In order to show the efficiency of the proposed methods, two classes of problems are considered and their instances are solved using all methods. The obtained results show that the improved hybrid genetic algorithm gives us the best solutions in a reasonable computational time.     

整数规划的布谷鸟算法

布谷鸟搜索算法是一种新型的智能优化算法．本文采用截断取整的方法将基本布谷鸟搜索算法用于求解整数规划问题．通过对标准测试函数进行仿真实验并与粒子群算法进行比较,结果表明本文所提算法比粒子群算法拥有更好的性能和更强的全局寻优能力,可以作为一种实用方法用于求解整数规划问题．     

A hybrid of genetic algorithm and particle swarm optimization for solving bi-level linear programming problem – A case study on supply chain model

The main goal of supply chain management is to coordinate and collaborate the supply chain partners seamlessly. On the other hand, bi-level linear programming is a technique for modeling decentralized decision. It consists of the upper level and lower level objectives. Thus, this paper intends to apply bi-level linear programming to supply chain distribution problem and develop an efficient method based on hybrid of genetic algorithm (GA) and particle swarm optimization (PSO). The performance of the proposed method is ascertained by comparing the results with GA and PSO using four problems in the literature and a supply chain distribution model.     

混合变异粒子群优化算法及其应用

为改善粒子群优化算法在解决复杂优化问题时收敛质量不高的不足,提出了一种改进的粒子群优化算法,即混合变异粒子群优化算法(HMPSO).HMPSO算法采用了带有随机因子的惯性权重取值更新策略,降低了标准粒子群优化算法中由于粒子飞行速度过大而错过最优解的概率,从而加速了算法的收敛速度.此外,通过混合变异进化环节的引入,缓解了粒子种群在进化过程中的多样性与收敛性这一矛盾,使得算法的全局探索与局部开发得到有效平衡.利用经典的基准测试函数和平面冗余机械臂逆运动学问题的求解来验证提出算法的有效性,试验结果表明:与其他算法相比,HMPSO算法具有更快的收敛速度、更高的收敛精度、更强的收敛稳定性以及更低的计算成本.     

Competitive facility location on decentralized supply chains

This paper addresses a novel competitive facility location problem about a firm that intends to enter an existing decentralized supply chain comprised of three tiers of players with competition: manufacturers, retailers and consumers. It first proposes a variational inequality for the supply chain network equilibrium model with production capacity constraints, and then employs the logarithmic-quadratic proximal prediction–correction method as a solution algorithm. Based on this model, this paper develops a generic mathematical program with equilibrium constraints for the competitive facility location problem, which can simultaneously determine facility locations of the entering firm and the production levels of these facilities so as to optimize an objective. Subsequently, a hybrid genetic algorithm that incorporates with the logarithmic-quadratic proximal prediction–correction method is developed for solving the proposed mathematical program with an equilibrium constraint. Finally, this paper carries out some numerical examples to evaluate proposed models and solution algorithms.