多目标0-1规划问题的元胞狼群优化算法研究

针对多目标0-1规划问题,首先基于元胞自动机原理和人工狼群智能算法,提出一种元胞狼群优化算法,该算法将元胞机的演化规则与嚎叫信息素更新规则、人工狼群更新规则进行组合,采用元胞及其邻居来增强搜索过程的多样性和分布性,使人工头狼在元胞空间搜索的过程中,增强了人工狼群算法的全局搜索能力,并获得更多的全局非劣解;其次结合多目标0-1规划模型对元胞狼群算法进行了详细的数学描述,定义了人工狼群搜索空间、移动算子、元胞演化规则和非劣解集更新规则,并给出了元胞狼群算法的具体实现步骤;最后通过MATLAB软件对3个典型的多目标0-1规划问题算例进行解算,并将解算结果与其它人工智能算法的结果进行比较,结果表明:元胞狼群算法在多目标0-1规划问题求解方面可获得更多的非劣解集和更优的非劣解,并具有较快的收敛速度和较好的全局寻优能力。     

一种改进的GDF多目标优化算法

本文提出一种交互式非线性多目标优化算法，该算法是ＧＤＦ多目标优化算法的改进，具有这样的特点：算法采用了既约设计空间策略，具有良好的收敛性；算法生成的迭代点是有效解；算法具有多种一维搜索准则；对于线性多目标问题，算法只需一次交互迭代即可示出多目标问题的最优解。     

基于元胞自动机模型的图像分割算法

针对图像处理中的图像分割任务,我们提出了一个基于模糊元胞自动机模型的图像分割算法.将元胞自动机原理中的演化规则换为模糊规则建立模糊元胞自动机模型,使图像中灰度水平介于目标和背景之间的像素得以更好地归类,从而得到较好的图像分割结果.     

多目标装配线平衡的优化算法

在生产制造系统中，装配线的平衡需要针对多个目标，传统的装配线平衡问题，优化单一目标，忽略了目标之间的联系。优化一个目标的同时，劣化了另外一个目标。章研究了多目标装配线平衡问题，探讨了这些目标之间的联系，设计了禁忌搜索算法求解多目标装配线的平衡问题。章从生产管理系统的角度优化多目标装配线平衡，与单一目标相比，具有显的改进。     

基于遗传算法的多目标可靠性优化

在元件的体积、重量和造价的共同约束下的多级串并联系统的可靠性优化问题是一个具有多局部极值的、非线性的、同时具有整数和实数变量的混合优化问题.将遗传算法和多目标可靠性分配问题相结合,对可靠性分配问题进行求解,得到较好效果,从而得出结论,遗传算法在求解多目标可靠性优化问题中是一种行之有效的方法.     

基于Vague粗糙集信息熵的属性约简算法

针对复杂系统分析中的数据信息冗余问题,提出一种基于Vague粗糙集信息熵的属性约简算法。首先,对Vague粗糙集相关概念进行拓展,提出Vague粗糙集的扩展信息熵和广义信息熵的模型;其次,对基于信息熵的属性重要性度量和属性约简原理进行研究,进而提出了一种基于Vague粗糙集信息熵的监督式属性约简算法;最后,选取UCI数据库对算法性能进行验证,计算结果表明该算法实用有效。     

基于MATLAB仿真的浴缸水温控制策略分析

一个合理的加水策略,既能使浴缸中的水长时间保持恒定的舒适温度,又能尽可能节约水.综合考虑影响浴缸水温的各种因素,通过浴缸热传导模型和多目标规划模型,求解包含加水时间、流速等信息的最优加水策略.     

绿色建筑前期设计阶段的多目标优化及多属性决策模型

综合考虑建筑物的体型参数、围护结构参数和功能布局的影响,运用层次分析法将描述性的功能目标转化为定量值,建立绿色建筑前期设计阶段的能耗、成本和功能的多目标优化模型。针对模型变量的离散性,以邻域拓扑结构改进粒子群算法,防止陷入局部最优,得到绿色建筑方案的Pareto解集。在绿色建筑多属性决策中引入马氏距离与组合赋权方法,对最优方案进行排序决策。通过案例分析验证该模型的效果,在保证一定功能的前提下,可获得较低的能耗和成本,实现绿色建筑设计理念。     

基于模拟退火算法的城市物流多目标配送车辆路径优化研究

基于传统模拟退火算法,通过引入记忆函数、结合GIS手段,运用SPSS聚类分析来确定初始化状态种群、多种群并行机制和新状态的产生.依据种群规模采用不同产生算法来改进算法,并将改进算法应用于城市物流中确定的多目标车辆路径优化问题,验证了算法的可行性与实用价值.此外,改进算法分别与传统模拟退火算法和GIS图解法相比较,优化效率和准确率都得到了很大的提高.     

基于多目标属性权重优化的犹豫模糊语言TOPSIS决策方法

犹豫模糊语言术语集作为一种有效的信息表达形式,能够很好的反映出人们的定性且犹豫的决策信息。传统的距离测度会导致犹豫模糊语言信息的流失,因此,本文首先提出了一种新的犹豫模糊语言距离测度,并研究了该距离测度的性质。其次,针对属性权重完全未知的犹豫模糊语言多属性决策问题,考虑方案和属性两个层面,构建了多目标优化的属性权重确定模型。进而,基于多目标权重优化模型和犹豫模糊语言距离测度,提出了一种改进的犹豫模糊语言TOPSIS法。最后通过实例说明了所提出的TOPSIS法的实用性和有效性,并进行了灵敏度和比较分析。     

基于多目标优化算法的系泊系统设计

系泊系统设计对近浅海观测网的信息传输起到了至关重要的作用.针对存在风力和水流力的多成分系泊系统,建立了计算锚链形状、钢桶和钢管的倾斜角度、浮标的吃水深度和游动区域为主的多参数多目标优化模型.结合力与力矩的平衡方程,分析了各参数的约束条件.以吃水深度、最大游动距离和钢桶倾角作为目标函数,并根据多目标遗传算法求解得到最优设计方案.最后通过模型检验,验证了方案的可行性.     

基于混沌粒子群优化算法的灰色GM(1,1)模型在地下水埋深预测中的应用

将混沌优化算法与粒子群优化算法相结合,形成新的混沌粒子群优化算法.利用混沌运动的遍历性,避免陷入局部最优.同时,粒子群算法能加快混沌优化算法的收敛速度,使搜索效率得到提高.用混沌粒子群优化算法优化灰色GM(1,1)模型中的参数,通过横向和纵向比较,优化效果良好,模型预测精度得到了提高.运用该模型对三江平原地下水埋深进行动态预测,预测结果可为有关决策部门提供参考.     

基于粗糙集的突发事件属性约简方法

针对突发事件不完备信息系统中的原始数据存在大量属性冗余的问题,提出一种基于粗糙集的不完备信息系统属性约简方法,以剔除冗余属性,提高知识清晰度。首先对缺失、冗余、噪声以及连续型数据进行预处理;然后进行属性分类,将属性分为条件属性与决策属性,进而建立决策表;最后根据决策表的特征,结合有序加权平均算子的思想,提出一种基于属性重要度的启发式属性约简算法。文末,通过实例验证了方法的正确性与有效性,并利用该方法实现了火灾数据的属性约简。     

汽车租赁调度多目标优化模型

本文考虑一个周期的汽车租赁调度问题,在直接调运的前提下,首先以汽车租赁公司的总收益最大和总短缺损失最小为目标,建立多目标优化模型;然后提出了基于启发式的双层排序综合择优算法;最后对汽车租赁案例进行了实证研究。     

基于离散型荧火虫算法的高校智能排课的研究

针对传统排课方法排课效率低、成功率低、冲突率高等无法满足现代高校教务管理要求的现状,提出一种基于离散型荧火虫算法的智能排课模型.首先,根据教师、班级、课程、教室及授课时间要求建立一个多目标、多约束的排课数学模型,采用二分图完美匹配操作初始可行排课方案;然后,利用离散型荧火虫优化算法在可行方案中寻找最优排课方案;最后,通过Matlab仿真实验验证其可行性与有效性.     

基于粗集与概念格的属性简约讨论

概念格的属性简约是在形式背景下解决复杂问题的重要途径,通过对概念格、粗糙集的讨论,将两者有效结合,并借助粗糙集上(下)近似的方法,得出了一个对概念格属性简约的方法,方法将二维的概念格属性简约转化为一维的一种对象格的简约,避免了形式背景下的概念的计算和进一步的可辨识矩阵的计算,方法简便,算法简单易实现,是概念格属性简约有效的算法.     

基于粗糙模糊度属性约简的教学质量评价

教师教学质量评价对提高教学质量具有积极意义和重要作用.教师教学质量评价指标的科学性及合理性是对教师的教学质量进行客观公正评价的重要前提,本文利用粗糙模糊度属性约简方法对教师教学评价指标进行分析、约简.所得结果对教师提高教学水平和教学质量,简化教学测评具有一定的指导意义.     

基于CUDA的边界变异量子粒子群优化算法

针对量子粒子群优化算法面对复杂优化问题时,临近最优解的搜索阶段存在收敛速度慢、在边界附近全局搜索性差的问题,提出了基于CUDA的边界变异量子粒子群优化算法.GPU(图形处理器)以多颗密集的计算核心模拟粒子的搜索过程,利用并发的优势提升粒子搜索速度;边界变异则通过以随机概率将边界粒子扩散到更大的搜索域,增加种群的多样性,提升粒子群的全局搜索性.对若干优化算法的仿真实验表明,所提出方法具有较好的全局收敛性,且同等目标精度下,取得了较高的有效加速比.     

Stochastic Comparison Algorithm for Discrete Optimization with Estimation of Time-Varying Objective Functions

In this paper, the optimization of time-varying objective functions, known only through estimates, is considered. Recent research defined algorithms for static optimization problems. Based on one of these algorithms, we derive an optimization scheme for the time-varying case. In stochastic optimization problems, convergence of an algorithm to the optimum prevents the algorithm from being efficiently adaptive to changes of the objective function if it is time-varying. So, convergence cannot be required in a time-varying scenario. Rather, we require convergence to the optimum with high probability together with a satisfactory dynamical behavior. Analytical and simulative results illustrate the performance of the proposed algorithm compared with other optimization techniques.