基于文化遗传算法的资源受限项目调度

资源受限项目调度问题作为一类典型的组合优化问题,理论上属于NP难题.本文结合文化算法和自适应遗传算法的优点,提出一种新的智能优化算法--文化遗传算法来求解资源受限项目调度问题.算法设王了两类空间:群体空间和信仰空间.各空间采用不同的自适应遗传算法进行独立进化,进化过程中利用同步式传输方式定期通过接受操作和影响操作来更新信仰空间和群体空间.为避免各空间的局部收敛同题,文中使用正弦函教和余弦函数自适应控制交叉概率和变异概率以保证群体的多样性.通过对标准数据库PSPLIB中的多个问题的仿真,结果表明:此算法在解决资源受限项目调度问题时不仅具有全局收敛性,而且在一定程度上具有较好的收敛速度.     

基于免疫蛙跳算法的梯级水库群优化调度

针对混洗蛙跳算法存在的问题,结合克隆选择算法和混洗蛙跳算法各自优势,提出了一种免疫蛙跳算法(ISFLA),并将其应用于梯级水库群优化调度中. ISFLA将克隆选择算法嵌入到混洗蛙跳算法框架中,对整个群体循环进行分组进化与混合,在混合之后构造子群体执行克隆选择操作, 以提高算法的局部搜索能力.通过实际工程验证了该算法的可行性与高效性,从而为梯级水库群发电调度问题的求解提供了一种新的途径.     

共享免疫微粒群算法

将共享机制引入微粒群算法,把群体的粒子适应度更新为共享适应度,对共享适应度高的粒子进行处罚,保留低适应值的粒子为记忆粒子,当全局最好值连续进化若干代无变化时,用记忆粒子和克隆选择来更新粒子.这样既增加了群体的多样性,同时又保存了群体中最好的粒子,从而有效克服了由于微粒群算法多样性差而造成的易陷于局部最优和对多峰值函数搜索效果不佳的缺点,仿真实验验证了该算法的有效性.     

基于深度学习的RCPSP调度优先规则实时动态选择算法

针对资源受限项目调度问题,以最小化项目完成时间为目标,设计基于深度学习的调度优先规则实时动态选择算法,在每个调度阶段实时选择优先规则进行活动安排.通过构建深度神经网络模型,确定已调度项目在各阶段的项目状态与最佳优先规则之间的映射关系,再据此为待调度项目实时动态选择优先规则,结合串行调度机制生成最终调度计划.实验研究表明:实时动态选择优先规则算法表现优于文中所涉及的单一优先规则算法及混合优先规则算法,且具有更好的泛化性;此外,与元启发式算法相比该算法具有更高的求解效率.     

基于免疫选择和自组织临界变异的进化算法

维持群体多样性是提高进化算法性能的一个主要出发点。本文提出了一种基于免疫选择和自组织临界变异的进化算法。其中,利用免疫浓度调节设计的选择算子使算法在开发新解时能选到多样性的个体;基于自组织临界思想的变异算子使算法在探测新解时能在合理的模型指导下进行。针对几种典型的复杂函数优化问题的求解实验表明该算法在收敛速度和全局收敛性方面都较好。     

一体化集货和配送车辆路径问题的混合遗传启发式算法

为满足电子商务客户多样化和个性化的需求,建立多约束条件的一体化集货和配送车辆调度模型.针对模型特点,采用混合遗传启发式算法求解.首先,采用自然数编码,可以使问题变得更简洁;用最佳保留选择法,以保证群体的多样性;用改进的顺序交叉算子避免优良基因片断在顺序交叉时被破坏,保证算法能够收敛到全局最优;其次,对混合遗传算法求得的精英种群进行禁忌搜索求解.通过实例计算表明,该算法好于单独使用遗传算法或是禁忌搜索算法.     

资源受限项目组合选择及调度的双层决策方法

在资源受限条件下,综合考虑项目选择与项目调度,以最大化项目组合收益为目标函数,建立了一般化的资源受限项目组合选择及调度问题的数学模型。针对问题特性,设计了双层决策方法用于求解该问题。上层决策采用改进的蚁群优化算法求解项目组合选择问题,下层决策则采用基于优先规则的多项目调度启发式算法。采用实验设计方法系统生成24个项目组合选择与调度问题实例,对算法效果进行了对比检验。结果表明:所设计的双层决策方法对于项目组合选择及调度问题具有较好的求解效果;所建立的数学模型与解决方案能够为决策者提供平均收益更高的项目组合。     

一种改进的自适应免疫进化规划方法及其应用

结合免疫系统的机理和进化规划原理,对免疫进化规划进行改进。即引入多样性函数和群体局部退化相结合的方法,对克隆细胞进行选择和更新,增强群体信息的多样性,克服近亲细胞过度繁殖而引起早熟收敛;利用双曲正切函数,无须区分亲和度界限,决定个体细胞的变异率,实现细胞群的自适应变异;选择亲和度高的一半细胞作为记忆细胞,利用其替换原始细胞群亲和度低的细胞。对各部分改进的原因和优点进行了分析,给出了算法的主要步骤,并对自适应免疫进化规划的收敛性进行了说明。最后用不同的测试函数进行仿真实验,结果表明了方法的有效性。     

能力受限批量问题的启发式算法与CPLEX仿真优化

能力受限批量问题多数都是NP-hard问题,解决方法之一就是构造启发式算法获取尽量接近最优解的可行解。目前多数文献通过大规模计算分析来评价启发式算法的性能,但是这种评价方式只能表明该算法针对特定实例的适应性。利用商业优化软件求解同一实例并与算法计算结果进行对比分析,可以体现算法的有效性。针对一种运输能力外包且费用时变的多产品动态经济批量问题,建立混合整数规划模型,通过约束松弛与模型分解,设计出一个基于拉格朗日松弛理论的启发式算法进行模型求解。大量随机实验计算结果以及CPLEX仿真优化结果对比分析表明,在某些实例情况下,启发式算法获取的最优值与CPLEX获取的相当,但是求解时间要明显优于CPLEX,因此选择启发式算法求解此类实例是较优的。     

一类多资源作业车间混合优化调度方法

针对多资源作业车间调度问题,结合启发式算法和遗传算法的特点,提出了混合优化调度方法,建立了多资源约束的车间优化调度模型.根据启发式算法中调度优先规则对调度目标的影响程度,设计了新的编码规则.采用正弦函数作为改进遗传算法中的自适应因子,使交叉概率和变异概率随群体的适应度自动改变,提高了运算的效率.通过实例仿真并与其他算法比较结果表明,该混合调度算法可以进行作业车间在机床、刀具等多种生产资源约束下的优化调度,并在评价指标上较其他算法更优.     

多值故障字典的测点选择与序测试设计

序贯测试问题是目前的一个研究热点。由于时间复杂度太高,传统的序贯测试算法对于测点数大于12的系统无能为力。为此,将序贯测试问题拆分为测点选择与序测试设计两个问题。测点选择问题用A^*算法解决:运用M进制编码规则,首先给出了启发函数的计算方法,然后给出了能够得到所有最小测点集的改进的A^*算法。序测试设计问题用AO^*算法解决:对二值哈夫曼编码规则进行推广得到了多值编码规则,根据此规则给出了AO^*算法启发函数的计算方法。提出的方法更符合可测性设计的设计流程,试验和复杂度分析表明该方法能显著降低传统方法的时间复杂度。     

基于配载约束的配送优化问题及其求解算法

车辆配载与配送是两个相互联系与相互影响的子问题,考虑了货物的易损性、装载的稳定性、物品不可倒置、车辆平衡性、先下后装等配载约束,构建了车辆配载与配送联合优化的混合整数规划模型,基于问题自身的特点开发了由配载启发式算法和基于节约值的蚁群算法有机结合的交互式混合算法,采用基准实验问题(benchmarkproblems)进行了一系列对比试验,结果显示了所提出的模型及算法的有效性与实用性.     

洪灾被困人员搜救问题的集成优化研究

为保障洪灾被困人员搜救效果,分析了救援过程的特性,考虑救援时间的紧迫性、救援过程的不确定性、及救援船只反复出救的情形,建立了一个搜救时间模糊、带时间窗的定位-路径问题优化模型,并提出了一种含有启发式规则的混合遗传算法,算法采取三段式实数编码,其中染色体编码代表船只在被搜救点间的搜救顺序,启发式规则在编码基础上确定避难所的选择.最后对模型和算法进行了算例分析,验证了模型和算法的合理性及可行性.     

基于预测风险最小化的模型选择理论与方法研究

阐述基于预测风险最小化的模型选择问题，提出基于经验风险最小化原则的模型选择一致收敛性定理，解决有限样本下利用经验风险来最小化预测风险的问题，并分析模型选择欠学习或过学习问题的根源，给出一种模型选择的次优迭代算法。最后通过具体实例验证上述理论和方法的可行性和优越性。     

考虑信息成本的委托资产组合管理合同研究

在管理者获取信息存在成本的前提下研究了基于相对缋效的线性报酬结构对管理者资产组合选择．的影响覆其激励作用，建立基于基准组合的投资者与管理者之间的委托代理模型，分析当投资者向管理者提供基于基准组合的线性合同时管理者和投资者之间的风险收益最优分享规则。     

基于改进DP算法的具有优先序的变速机最小化成本调度

研究了工件具有任意标准优先序、一台机器在同一时间只可加工一个工件、最小化工件加工成本与机器使用成本之和的变速机调度问题.为该问题建立了DP模型,通过启发式规则和常规动态规划方法相结合、引入工件完工时间界限并保存每一步函数值,得到改进的DP算法,数值实验显示该算法具有较强的寻优能力和稳定性.     

基于蚁群算法和禁忌搜索的部队机动路径选择

新形势下的部队作战规划对机动路径选择这个问题提出了新要求,需要同时达到机动时效和机动分散的双重指标.针对问题建立了数学模型,引入信息熵理论作为目标评价准则,借助改进的蚁群算法和禁忌搜索算法相结合的启发式方法对问题进行求解,给出了该方法的具体计算步骤.对仿真结果的分析表明,算法是切实有效的.     

具有不对称风险交互效应的R＆D项目组合选择方法

研究具有不对称风险交互效应的R＆D项目组合选择问题.通过风险关联度来刻画风险交互效应,给出了项目在组合中的风险计量方法,并建立了具有资源约束的双目标规划模型.设计了以最大化组合期望收益为主、最小化组合风险为辅的一种启发式算法.通过实验分析,指出了算法在运行时间与执行效果上的有效性.     

基于免疫算法自调节变异率的FNNC参数优化及其应用

针对复杂钢坯加热过程，提出了一种自调节变异率的免疫进化模糊神经网络控制（IE—FNNC）算法。首先根据现场样本数据建立过程神经网络模型；然后基于该模型，采用规则优化算法，确定模糊神经网络控制器（FNNC）的最佳规则数；最后由FNNC的规则优化所得参数构造初始种群的一个解，采用自调节变异率的免疫进化（IE）算法对FNNC参数优化。该算法具有全局寻优和局部求精能力，仿真结果证实了其有效性。