基于粒子群优化算法的库存不确定性分析

库存不确定性问题是供应链不确定性研究的重点之一.利用粒子群优化算法快速搜寻最优解的优点对库存不确定性问题进行仿真分析,得出了库存不确定性环境下的最优解,这说明了粒子群优化算法能够辅助供应链管理者在不确定性环境下对供应链进行优化设计和决策分析.     

基于似无关回归的多元稳健损失函数方法

针对多响应参数优化问题,考虑响应间相关性和可控因子波动的影响,提出了一种基于似无关回归的多元稳健损失函数方法。首先采用似无关回归对模型拟合和过程优化中的相关参数进行估计,更有效地利用响应间相关性信息;然后利用给定点处梯度信息来估计可控因子波动对过程稳健性的影响。算例表明,当响应间存在相关性时,与最小二乘方法相比,采用似无关回归拟合的响应曲面模型精度更高;与传统质量损失函数相比,在采用相同质量成本矩阵时,采用稳健损失函数方法得到的最优解处期望质量损失更小。     

基于单纯形方法的双层线性规划全局优化算法

通过分析双层线性规划可行域的结构特征和全局最优解在约束域的极点上达到这一特性,对单纯形方法中进基变量的选取法则进行适当修改后,给出了一个求解双层线性规划局部最优解方法,然后引进上层目标函数对应的一种割平面约束来修正当前局部最优解,直到求得双层线性规划的全局最优解.提出的算法具有全局收敛性,并通过算例说明了算法的求解过程.     

基于量子粒子群算法的电力系统负荷多目标优化分配

针对电力系统经济负荷优化分配问题,提出了一种基于量子粒子群的多目标优化算法.该算法通过将改进后的量子进化算法融合到粒子群中,采用量子位对粒子的当前位置进行编码,用量子旋转门实现对粒子最优位置的搜索,用量子非门实现粒子位置的变异以避免早熟收敛.这种搜索机制能够遍历解空间,增强种群的多样性,并能用量子位的概率幅将最优解表述为解空间中的多种表述形式,从而增强全局最优的可能性.最后,通过算例进行仿真分析,结果表明算法的搜索能力和优化效率均优于普通粒子群算法.     

基于蒙特卡洛方法的网络计划资源优化

蒙特卡洛方法由计算机产生伪随机数而生成试验点,根据约束条件找到优化解,据此编制C语言程序,可以成功求解网络计划的工期固定-资源均衡优化、资源有限-工期最短优化和资源有限-工期最短-资源均衡优化,并给出蒙特卡洛方法得到最优解的概率.算例结果表明:相同条件下,基于蒙特卡洛方法的工期固定-资源均衡优化方案资源方差较粒子群算法小,基于蒙特卡洛方法的资源有限-工期最短优化方案工期较遗传算法短,基于蒙特卡洛方法的资源有限-工期最短-资源均衡优化方案工期较遗传算法短.     

求解一类逆鲁棒优化问题的牛顿型扰动方法

逆优化问题是指通过调整目标函数和约束中的某些参数使得已知的一个解成为参数调整后的优化问题的最优解.本文考虑求解一类逆鲁棒优化问题.首先,我们将该问题转化为带有一个线性等式约束,一个二阶锥互补约束和一个线性互补约束的极小化问题;其次,通过一类扰动方法来对转化后的极小化问题进行求解,然后利用带Armijo线搜索的非精确牛顿法求解每一个扰动问题.最后,通过数值实验验证该方法行之有效.     

基于通货膨胀和最低保障的DC养老金最优投资

主要研究了通货膨胀和最低保障下的DC养老金的最优投资问题。 首先, 应用伊藤公式得到通胀折现后真实股票价格的微分方程。 然后, 在DC养老金终端财富外部保障约束下, 引入欧式看涨期权, 考虑随机通胀环境下的退休时刻终端财富期望效用最大化问题, 应用鞅方法推导退休时刻以及退休前任意时刻DC养老金最优投资策略的显式解。 最后, 应用蒙特卡洛方法对结果进行数值分析, 分析最低保障对DC养老金最优投资策略的影响。     

一阶自相关结构下椭球线性混合效应模型的约束推断（英文）

本文在椭球分布族下研究一阶自相关线性混合效应模型的约束极大似然估计问题.分别考虑位置参数在等式和不等式线性约束这两种情况下的极大似然估计值.同时对约束条件下的兴趣参数给出三种渐近等价的检验方法.蒙特卡洛模拟说明本文方法的有效性和稳健性.本文结合模型对Framingham心脏研究中的胆固醇水平进行了分析.     

总体最小二乘准则下非线性EV模型的参数拟合方法

在非线性回归模型参数拟合问题中,当数据中的每个变量都存在不可忽略的误差时,在普通的最小二乘准则下拟合出的参数不是最优的.按照总体最小二乘准则,以观测点到拟合曲线或拟合曲面垂直距离平方和为目标函数,然后用最优化方法搜索出使目标函数值取最小值的参数和数据点估计,从而给出求最优模型参数的算法,最后,通过计算机仿真和与文献比较,验证了提出方法的正确性.     

基于种群分类排序的约束优化遗传算法

针对约束优化问题,提出了一类将种群中的个体分类排序的思想.算法的特点在于:先将种群中的解分为可行解和不可行解两类,然后分别按照不同的标准排序.由于很多约束优化问题的最优解位于可行域的边界上或附近,所以排序时并不认为可行解一定优于不可行解.基于此分类排队思想,特别设计了只允许同等级个体进行交叉的新的交叉算子,称之为同等级交叉算子,以及基于一维搜索的变异算子.算法同时采用了保证固定比例不可行解的自适应策略.4个标准测试函数的数值仿真结果验证了算法的有效性.     

非正态条件下过程能力指数的仿真研究

研究基于各类计算非正态条件下过程能力指数方法的有效性,采用蒙特卡洛方法,通过建立各方法的仿真模型,模拟仿真并比较各方法的性能优劣.仿真结果显示,Johnson转换法较Box-Cox转换法具有更加广泛的适用范围,并在绝大多数参数取值范围内具有优越性.偏态过程能力指数Cs由于不受数据分布类型的影响,在实际生产中具有较高的应用范围.最后利用研究对焊机关键质量特性进行实证分析,并验证了方法的有效性与可行性.     

求解箱式约束全局优化问题的降维算法

本文利用有限区间降维方法,将带箱式约束的多维优化问题转化为一维优化问题.然后利用一种加速方法对一维优化问题求全局最优解,并证明该最优解是原问题的近似解.最后给出算法和数值算例结果.     

约束粒子群算法求解自融资投资组合模型研究

在马克维茨投资组合的均值-方差模型框架下,给出限制投资数量的自融资投资组合优化模型.在金融市场上有广泛应用,为了有效地求解此类问题的最优解,采用一种基于广义学习策略的约束粒子群算法(CPSO).CPSO算法具有广义的学习策略,极大地提升了种群的多样性,进而提升种群跳出局部最优解的能力.在基准函数测试中,结果显示CPSO算法有较好的运行结果.在自融资投资组合优化模型上,优化结果表明CPSO算法是可行的,有效的,并有较好的优化结果.     

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.     

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.     

基于二次函数光滑化逼近的修正低阶罚函数

针对不等式约束优化问题, 给出了通过二次函数对低阶精确罚函数进行光滑化逼近的两种函数形式, 得到修正的光滑罚函数. 证明了在一定条件下, 当罚参数充分大, 修正的光滑罚问题的全局最优解是原优化问题的全局最优解. 给出的两个数值例子说明了所提出的光滑化方法的有效性.     

灰色Verhulst模型的改进及其应用

针对灰色Verhulst模型的不足,讨论了灰色Verhulst模型的参数优化问题.首先,利用最小二乘原理给出了一种初值优化的改进模型.其次,在平均相对误差最小准则下,将Verhulst模型的参数优化转化为线性规划问题,然后利用粒子群优化算法估计Verhulst模型中的参数,得到另外一种改进模型.最后,给出了一个仿真实例,结果表明灰色Verhulst模型的改进方法是可行的和有效的,而且具有较高的拟合和预测精度.     

非线性参数规划问题ε-最优解集集值映射的连续性

对非线性参数规划问题ε-最优解集集值映射的连续性条件进行了研究.首先在可行集集值映射局部有界且正则的条件下,讨论了非线性参数规划问题最优值函数的连续性,然后针对ε-最优解集集值映射的结构特征并利用此结果和集值分析理论,给出了非线性参数规划问题ε-最优解集集值映射连续的一个充分条件.     

非线性参数规划问题$\varepsilon$-最优解集集值映射的连续性

对非线性参数规划问题$\varepsilon$-最优解集集值映射的连续性条件进行了研究.首先在可行集集值映射局部有界且正则的条件下,讨论了非线性参数规划问题最优值函数的连续性,然后针对$\varepsilon$-最优解集集值映射的结构特征并利用此结果和集值分析理论,给出了非线性参数规划问题$\varepsilon$-最优解集集值映射连续的一个充分条件.     

一种改进的粒子群优化算法及其算法测试

粒子群算法原理简单、参数少、易于实现,但有时容易陷入局部最优解,收敛速度慢.本文在粒子群算法理论研究的基础上,对算法的初始值选取、惯性权重取值、算法结构进行了改进:首先采用线性惯性递减权重调整,平衡全局搜索和局部搜索的能力;然后通过logistic映射将混沌状态引入到优化变量中,增强搜索空间的遍历性;最后引入遗传算法中的选择、交叉、变异保持了种群的多样性,使其具有不易陷入局部最优的能力.采用六种典型的测试函数,对惯性权重和算法进行了测试和对比分析.结果表明,算法在收敛速度和精度上都有所提高.