基于资源时间因子的DSM项目群进度优化研究

在项目实践中,由于资源约束,从而会延长项目群的工期。为此,本文引入资源时间因子概念,采用设计结构矩阵(DSM),利用资源进入和退出时间因子矩阵描述了项目任务对资源的需求。提出了基于资源时间因子的遗传粒子群项目群进度优化方法。通过案例计算表明,该法可以有效缩短项目群工期,同时为项目决策者合理增加资源提供了新思路。     

不同支付方式下的多模式项目支付进度问题研究

本文首先明确了研究的假设条件并对多模式项目支付进度问题（MPPSP）进行了界定;随后从承包商和业主两个角度构建了MPPSP的基本优化模型;鉴于支付方式的不同,将基本优化模型扩展为基于进展、基于时间和基于费用的MPPSP优化模型;最后,通过对一个算例的计算分析,讨论了支付方式对最优支付进度安排及合同双方收益的影响.     

基于分阶段求优的IT项目进度计划方法

本文针对IT项目实施过程的不确定性和项目资源的动态性，提出了一种基于分阶段求优的IT项目进度计划方法。该方法根据关键路径法将项目划分为着干个阶段，每个阶段视为一个独立的任务，对每一个独立的任务建模并抽象化为一个马尔可夫决策过程，利用动态规划的方法对每一个任务求解最优调度策略，以最小化该阶段的期望费用，为制定IT项目进度计划提供依据。     

基于不同奖惩机制项目支付进度优化:双重视角

奖惩机制会对合同双方的收益产生重大影响,本文基于承包商和业主的双重视角,对不同奖惩机制下项目支付进度优化问题进行了研究。首先对所研究问题进行界定,并分别基于承包商和业主视角构建了不同奖惩机制下的优化模型;基于模型的属性设计了模拟退火启发式算法;最后通过一个实例对比了承包商和业主在四种不同奖惩机制下收益的优化结果,并对其中的关键参数进行了敏感性分析。结果显示:不同的奖惩机制对承包商和业主的收益有较大影响;不同的奖惩强度也会影响承包商和业主的收益。通过对奖惩机制类型及强度的分析,可以为项目中奖惩机制的设置提供定量化决策支持。     

带有活动重叠的项目调度问题新算法:分支定界法

在复杂产品研发项目中,通常采用活动重叠的方式来缩短工期,带有活动重叠的资源受限项目调度问题的求解多以启发式算法为主,该方法虽然具有收敛速度快、计算规模大等优点,但无法得到最优解,而精确算法是求解上述问题最优解的有效方法。基于此,本文在深入分析活动重叠对项目调度影响的基础上,设计了分支定界法以获得最优解。首先,从理论上证明了算法的最优性,一是对仅考虑最小延迟替代集即可得到最优解进行了证明;二是对割集支配规则与左移支配规则在剪枝操作中的应用进行了证明。其次,在算法设计上采用数据结构——栈对搜索树上的节点信息进行存储,并针对活动重叠约束,定义了新的决策时刻点和新的搜索树节点的表示方法。最后,通过大量的算例实验分析验证了算法的可行性和有效性。综上,本文提出的算法具备成熟的理论意义与精准的计算结果,具有较高的研究价值。     

基于粒子群优化的神经网络预测模型

BP学习算法多采用梯度下降法调整权值,针对其易陷入局部极小、收敛速度慢和易引起振荡的固有缺陷,提出了一种改进粒子群神经网络算法.其基本思想是:首先采用改进粒子群优化算法反复优化BP神经网络模型的权值参数组合,再用BP算法对得到的网络参数进一步精确优化,最后用得到精确的最优参数组合进行预测.实验结果表明,该算法在股指预测中的预测性能明显提高.     

基于邻域自适应粒子群优化算法的地表水源热泵机组优化调度

为提高湘潭城市中心区某地表水源热泵区域能源系统的运行效率,建立了系统优化调度模型,并提出了一种邻域自适应粒子群优化算法(NAPSO)求解所建模型.针对运行过程中可能出现不可行解的情况,提出了一种将不可行解调整为可行解的方法.实验结果表明,在夏季和冬季时,NAPSO算法求解结果比该系统目前所使用的调度方法每日分别可节省5...     

基于粒子群算法的水稻用水的优化配置

本文旨在实现水稻用水资源的优化配置.早稻、一季稻和晚稻等不同类型水稻的用水,以及同一类型的水稻在不同的生长阶段,均存在着用水优化配置的问题.粒子群优化算法比较容易操作,在计算方面具有效率和精度高的优点,可以应用于水稻用水的优化配置模型的求解.以衡阳县高炉村的水稻用水优化配置为具体算例,验证了算法的可行性.     

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.     

基于群智能算法的预防性维修周期优化

分析将蚁群优化算法应用于预防性维修周期工程寻优问题时遇到的算法参数选择困难等问题,提出将粒子群优化算法和空间划分方法引入该过程以改进原蚁群算法的寻优规则和历程.建立混合粒子群和蚁群算法的群智能优化策略:PS_ACO(Particle Swarm and Ant Colony Optimization),并将其应用于混联系统预防性维修周期优化过程中,以解决由于蚁群算法中参数选择不当和随机产生维修周期解值带来的求解精度差、寻优效率低等问题.算法的寻优结果对比分析表明:该PS_ACO算法应用于预防性维修周期优化问题,在寻优效率及寻优精度上有部分改进,且可相对削弱算法参数选择对优化结果的影响.     

粒子群优化的收敛分析及在广义预测控制中的应用

在进行粒子群优化的收敛性理论分析的基础上,推出了保证粒子群优化算法收敛性的参数设置区域,合理选择粒子群算法的关键参数,将粒子群优化与广义预测控制有机融合,用粒子群算法来解决广义预测控制的优化问题,提出基于粒子群优化的广义预测控制算法,通过工业过程对象的仿真并和传统的广义预测控制算法进行了对比分析,表明了该算法的有效性,特别是算法具有良好的输出跟踪精度和较强的鲁棒性.     

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ANP的装备质量管理风险评估模型

根据装备质量管理的特点对装备质量管理的风险因素进行了分析,依据指标体系的设计原则建立了装备质量管理风险评估的指标体系,并给出了基于网络层次分析法和粒子群优化算法的的装备质量管理风险评估指标权重值的确定方法.并给出了实例分析.     

季节调整的PSO-SVR模型及其在旅游客流量预测中的应用——以海南省三亚市为例

准确的旅游客流量预测对旅游目的地做好事前准备工作至关重要.然而旅游客流量具有明显的非线性和季节性特征,采取季节调整方法对样本数据进行预处理,消除季节性的影响,可以提高客流量预测的准确性.同时SVR(支持向量回归机)是一种良好的机器学习方法,非常适合预测研究,辅以PSO(粒子群算法)选取合适的回归参数可以获得更加精确的预测结果.提出了一种考虑季节影响并通过PSO优化SVR模型的旅游客流量预测模型,并以海南省三亚市为例进行了实证研究.研究结果表明,季节调整的PSO-SVR模型预测精度明显高于SVR、季节调整的SVR和PSO-SVR模型,是进行旅游客流量预测的有效工具.     

一个解非线性0-1整数规划问题基于罚函数的混合粒子群优化算法

利用罚函数思想把非线性0-1整数规划问题转化为无约束最优化问题,然后把粒子群优化和罚函数方法结合构造出一个基于罚函数的混合粒子群优化算法,数值结果表明所提出的算法是有效的.     

An improved particle swarm optimizer for parametric optimization of flexible satellite controller

Parametric optimization of flexible satellite controller is an essential for almost all modern satellites. Particle swarm algorithm is a global optimization algorithm but it suffers from two major shortcomings, that of, premature convergence and low searching accuracy. To solve these problems, this paper proposes an improved particle swarm optimization (IPSO) which substitute “poorly-fitted-particles” with a cross operation. Based on decision possibility, the cross operation can interchange local optima between three particles. Thereafter the swarm is split in two halves, and random number (s) get generated by crossing the dimension of particle from both halves. This produces a new swarm. Now the new swarm and old swarm are mixed, and based on relative fitness a half of the particles are selected for the next generation. As a result of the cross operation, IPSO can easily jump out of local optima, has improved searching accuracy and accelerates the convergence speed. Some test functions with different dimensions are used to analyze the performance of IPSO algorithm. Simulation results show that the IPSO has more advantages than standard PSO and Genetic Algorithm PSO (GAPSO). In that it has a more stable performance and lower level of complexity. Thus the IPSO is applied for parametric optimization of flexible satellite control, for a satellite having solar wings and antennae. Simulation results shows that the IPSO can effectively get the best controller parameters vis-a-vis the other optimization methods.     

Modeling of EDM responses by support vector machine regression with parameters selected by particle swarm optimization

Electrical discharge machining (EDM) is inherently a stochastic process. Predicting the output of such a process with reasonable accuracy is rather difficult. Modern learning based methodologies, being capable of reading the underlying unseen effect of control factors on responses, appear to be effective in this regard. In the present work, support vector machine (SVM), one of the supervised learning methods, is applied for developing the model of EDM process. Gaussian radial basis function and ε-insensitive loss function are used as kernel function and loss function respectively. Separate models of material removal rate (MRR) and average surface roughness parameter (Ra) are developed by minimizing the mean absolute percentage error (MAPE) of training data obtained for different set of SVM parameter combinations. Particle swarm optimization (PSO) is employed for the purpose of optimizing SVM parameter combinations. Models thus developed are then tested with disjoint testing data sets. Optimum parameter settings for maximum MRR and minimum Ra are further investigated applying PSO on the developed models.     

一种基于谱聚类分析的粒子群聚类算法

本文研究了谱聚类中NJW算法的样本最优划分问题.利用粒子群算法在聚类问题上搜索到的全局最优,获得了NJW算法对聚类样本的最优划分.推广了谱聚类算法在样本划分时的普适性和稳定性.实验对比验证该算法是有效的.