可控提前期与服务水平联合约束的库存问题

提前期在库存管理中起着重要作用。对提前期可以控制调整与服务水平联合约束的库存问题进行研究．并提出一种算法．利用该算法可以寻找出在一定服务水平下，库存系统总成本最小的最优策略，实例计算表明．谈算法是有效的。     

基于非线性提前期成本的供需一体化库存模型

研究提前期成本服从非线性函数和存在顾客流失时,单一需求方和单一生产商一体化库存管理问题.同时决策最优订货量、订货点、提前期和运输批次使供需双方总库存成本最小,并给出有效的迭代算法求解最优解.通过实例计算分析了缩短提前期在库存管理中的作用.     

提前期敏感商品的销售商采购提前期压缩

研究提前期敏感商品的销售商采购提前期压缩与库存优化问题。分别假设单位采购成本函数为分段线性函数和光滑幂函数,应用国外研究关于销售提前期的结论,建立了销售商的最大利润函数数学模型。通过数学推导及证明的方法得到最优采购提前期,又通过问题的转化求解最优采购提前期下的最优价格和最大利润。最后通过数值实验的方法对销售商采购提前期及库存决策进行分析,数据分析得到了一些销售商提前期和库存最优决策的规律。     

基于批量折扣和支付时间折扣的多物品多阶段联合订购模型

假定系统运行在有限计划期的前提下,考虑了基于3种不同形式批量折扣及支付时间折扣的多物品多阶段联合订购问题.给出了在有限计划期内每个阶段寻求多种物品最优订购批量和最佳滞后(或提前)支付货款时间的算法.并针对基本订购费用为零时,提出了一个基于动态规划方法寻求多种物品最优订购策略的更有效算法,分析了基本订购费用取不同值和供货商提供不同批量折扣方式对销售商最优订购策略和总利润的影响.最后,利用数字实例说明模型的求解过程.     

分散搜索算法求解基于小流向平衡的合同计划问题

建立了基于小流向平衡的钢厂合同计划的整数规划模型,模型以提前/拖期惩罚、小流向平衡惩罚、合同取消惩罚总惩罚最小为目标;根据模型特点,构造了分散搜索(SS)算法进行求解,并针对非可行解设计了启发式修复策略。为了检验算法的效率与效果,同时采用了遗传算法对模型进行求解,并用某企业的实际合同数据进行实验,对比分析了两种算法的结果,验证了模型和SS算法的有效性;另外,仿真实验也对参数设置进行分析,确定了适合本问题的最佳参数组合。     

单供应商多零售商供应链中的最优提前订货折扣

零售商提前订货是一种供应链协调策略,即零售商向供应商订货时,订货提前期大于从供应商到零售商的正常的供货提前期.本文讨论一个由单一供应商和多个零售商组成的供应链,其中供应商采用基于提前订货时段的折扣方法引导零售商提前订货.通过建立相应的数学模型,分析了零售商如何确定提前订货的最佳时段,以及供应商如何确定最优的折扣方案.     

基于MTO-MTS的钢厂合同计划方法

建立了基于MTO-MTS的钢厂合同计划的整数规划模型,模型同时考虑库存余材匹配和生产计划,以提前/拖期惩罚、交货时间窗内拖后惩罚、生产费用、库存匹配费用、合同违约惩罚总额最小为目标.根据模型特点,构造了对非可行解进行启发式修复的改进粒子群算法求解策略.仿真实验首先对参数设置进行分析,然后对多组数据进行了结果分析,并在相同条件下,对比了本文模型与分阶段考虑库存匹配/合同计划方法的实验结果,验证了本文模型和算法的有效性.     

基于模糊软集的中药制药车间不确定调度模型和算法求解

为解决加工时间和交货期不确定状态下的中药制药车间调度问题，利用模糊软集的三角形模糊数和梯形模糊数来表征加工时间和交货期信息，并基于模糊数的运算规则定义了可能性测度和必然性测度，用拖期可信度来度量药品生产发生拖期的概率，建立以最小化药品生产平均拖期可信度为目标的混合整数规划模型。针对该模型，提出了一种混合模糊布谷鸟算法的求解方法，并以规模为10(3)×10的经典算例进行仿真测试。实验结果表明，给出的不确定调度模型能反映中药制药调度的真实场景，而且混合模糊布谷鸟算法能很好地对该模型进行求解，相比经典布谷鸟算法，该算法有更好的性能。     

Rollout及其并行求解算法在多类商品库存控制中的应用

Rollout算法是Bertsekas提出的求解马尔科夫决策过程(MDP)问题的一种仿真优化算法。文章研究Rollout算法求解多类商品库存控制问题,给出了基于性能势和神经元动态规划的Rollout优化算法。另外,为了降低运算时间,文章提出了两种Rollout并行求解算法,并讨论了这两种并行算法各自的适用场合。实验结果表明,Rollout算法能满足模型未知系统的优化要求,具有较好的并行性能。     

一种基于单亲遗传算法的petri网发射路径求解算法

给出了一种基于单亲遗传算法的petri网发射路径求解算法，提出了裂解和聚合两种新的单亲遗传算法算子。算法通过对染色体中的染色体片段进行裂解和聚合等操作，实现了发射序列的快速求解。仿真结果表明，本算法能够以较大的收敛概率快速地收敛，最终得到多个发射序列。进一步的研究表明，适当的选取样本空间的大小可以使本算法更加快速高效。     

基于混合遗传的粗集理论在工期目标实现中的应用

提出了一种基于混合遗传算法的相对约简算法,把模拟退火融入到遗传算法中形成混合遗传算法,提高了遗传算法的优化效率,并用这种混合遗传算法寻求最小条件属性集及最小属性值约简.并把该算法引入到工程管理中,提出若干条决策规则,工程管理人员按照这种决策规则进行施工过程的管理,确保在预定时间内完成工程任务.如果对整个施工过程的每道工序都提出决策规则,就可以实现施工过程的智能化管理.     

铁路运输网络资源配置与组织模式研究

通过对铁路运输资源配置模式和组织模式对系统中的扰动因素传递过程影响的定量研究，建立确定的组织模式下的运输系统附加费用模型，提出对组织模式和系统资源配置的优化模型。     

论大实践视野的信息理性与科学发展的系统思路

哲学的实践转向,根本上,就是实践观的时代性转轨.只有确立诸因素多维度、大时空、全方位的互为目的、手段、中介的大实践观,发掘实践信息的综合现实意义和多维交叉促动的超循环现实意蕴,才能超越形而上学的逻格斯思辨,摆脱资本与符号联盟的抽象发展黑洞.以信息的超循环实践特性、综合现实性取代资本的盲目扩张和分化、异化的抽象逻辑,已经成为时代发展的现实趋势.党的十七大,洞见这种时代趋势,对科学发展观做了深刻阐述,提倡经济社会又好又快全面发展,重视社会发展的全面、协调、可持续等综合特性,重视统筹兼顾的综合方法等,为我们的理论与实践创新提供了一种新的系统科学的思路.     

预测沪深股市市场波动性

研究目的在于:首先,检验和对比三种GARCH模型对于我国上海、深圳股市波动性的预测能力.其次,使用非对称的预测指标以体现对于预测误差高低的不同个体需求.在对于4个对称型的预测常规指标中,TGARCH对于2个市场波动的预测结果都是最佳的,而EGARCH的预测结果也要好于GARCH(1,1).这表明我国上海与深圳市场受坏消息的负面影响大于同等程度好消息的正面影响,而运用单边非对称的GARCH模型将更利于提高波动性预测的准确性.在非对称预测指标方面,研究认为EGARCH模型对于那些更愿意低估市场波动性的投资者而言较为有利,而GARCH(1,1)模型则相应满足了希望高估市场波动性的投资者的需求.这也表明投资者应根据自己的需要来选择相应的波动性预测模型.     

论现代企业文化结构之功能

社会经济系统在结构变革过程中，催生了“现代企业文化”，这一崭新的序参量，在企业的经济活动中，充分展现了参量系统三大要素的特殊功能，即科学文化的动力功能；道德文化的尽善功能；艺术文化的尽美功能。“真、善、美”的统一，是企业从“经济人”向“伦理人”提升的必经途径。     

基于DEA方法的供应链效能评估

针对目前对供应链的投入产出效能只能进行定性分析和简单定量计算的情况,把供应链看作一个具有输入输出的系统,以供应链不同阶段的投入为输入指标,以客户对供应链的满意度为输出指标,利用数据包络分析(DEA)方法,建立了供应链投入产出效能评估的数学模型.以企业内部供应链为例,通过MATLAB进行了仿真计算,根据计算结果给出了改进供应链效能的相关建议.     

超越启蒙时代精神

17—18世纪欧洲启蒙运动把人类从宗教迷信中解放出来,使理性大放光华,但也坠入理性崇拜之中兼有成就和缺失。片面的理性忽略人类的人性存在和用简单性思维方式看待事物,这造成近现代史上新的社会问题。所以我们现在需要超越启蒙时代精神,把理性与人类的人文精神价值结合起来,并建立起适应复杂世界的复杂性思维方式。     

从复杂性哲学看规律的复杂性

以往人们常常将所有认识问题化归为规律问题，而对规律的理解又过于简单化，而从复杂性哲学的角度看，结论可能完全不同。     

从整体与部分的辩证关系看系统论与还原论的适用范围

无论是系统论还是还原论，都是以整体与部分的关系作为客观基础的，都是整体与部分的辩证关系在方法论上的反映。还原论反映的是整体与部分的统一性，系统论反映的是整体与部分的对立性，还原论和系统论都只有局部真理性，应该将二者整合在一起，创立现代系统论，使其更好地为科学认识服务。     

考虑发车间隔与乘客人数关系的机场长途巴士时刻表优化设计

本文在考虑发车间隔与乘客人数间关系的基础上研究机场长途巴士时刻表的优化设计问题. 首先证明机场长途巴士时刻表是影响乘车人数和巴士运营成本的重要因素, 其次利用厂商均衡理论分析巴士时刻表与乘车人数之间的关系, 然后针对巴士发车间隔与乘车需求的关系, 建立使机场长途巴士利润最大的不固定发车间隔的时刻表优化模型, 并利用矩阵编码的遗传算法进行求解. 最终得到机场长途巴士各线路上应有的发车数和发车时刻.