动态联盟中盟员选择的评价体系及优化决策研究

动态联盟是 2 1世纪信息社会生产的主流组织形式 ,选择和确定联盟伙伴是建立动态联盟伙伴是建立动态联盟的关键环节之一 .盟员的正确选择对提高联盟企业的总体竞争力有着极其重要的作用 .在构建动态联盟盟员的实施评价体系基础上 ,提出一个修正的AHP算法 ,并利有该算法对盟员的优化决策进行了定量研究 .     

基于Metropolis准则遗传算法的企业动态联盟生成模型

为了提高动态联盟中企业选择联盟伙伴和优化过程中的效率,提出一种基于Metropolis准则遗传算法的企业动态联盟生成模型.将模拟退火算法中的Metropolis准则与遗传算法相结合,提高企业选择联盟伙伴和优化过程中的效率.1 000次仿真实验表明,标准遗传算法SGA平均需要166次才能找到最优解,而基于Metropolis准则遗传算法(MGA)平均仅需要149次就可以找到最优解.企业选择联盟伙伴和优化时,基于Metropolis准则遗传算法(MGA)可以使企业高效找到最优联盟伙伴.     

承包商项目管理联盟合作伙伴的选择

联盟合作伙伴的优化选择是承包商工程项目管理联盟组建过程中的一个关键问题，它直接关系到动态联盟最终的成败．综合考虑影响建筑承包商联盟模式伙伴选择的诸多因素，兼顾各因素之间复杂的关系，提出适合我国现状的承包商工程项目管理联盟模式伙伴选择的3阶段模型．     

基于遗传算法的网络化制造伙伴选择与优化

在分析制造业面临的动态多变的竞争环境基础上,着重考虑了时间、成本、风险作为伙伴选择过程中的重要评价因素,结合项目本身存在的约束关系以及决策者的偏好,提出了基于遗传算法的合作伙伴选择的多目标优化模型·实例仿真结果验证了算法模型与求解过程的有效性与实用性,实现了网络化制造伙伴选择的定量分析,为开发网络联盟企业合作伙伴选择决策支持系统奠定了基础·     

基于可扩展算法库的多Agent社会体系结构

为解决虚拟企业创建过程中的伙伴企业选择的评价标准以及评价算法的应用问题，根据虚拟企业的构建过程中伙伴企业选择问题，以遗传算法为算法库模型算法，给出了一种基于可扩展算法库的多Agent社会体系结构，并举例简述了该体系结构的通信机制，最后给出了一种基于遗传算法的虚拟企业伙伴企业选择算法，该算法的作用是对伙伴选择进行优化。     

基于多层灰色关联度的知识联盟伙伴选择模型

针对企业在知识联盟伙伴选择过程中存在的主观性和盲目性问题，建立了基于多层次灰色关联度方法的知识联盟伙伴选择模型，构造了评价企业知识联盟潜在合作伙伴的指标体系，并对所提出的模型进行了例证分析．结果表明，该模型简单实用，能够使企业知识联盟伙伴选择的结果更具客观性和准确性，降低了企业在选择知识联盟的潜在合作伙伴时因主观、盲目而造成联盟伙伴选择不理想，从而最终导致知识联盟达不到预期效果或失败解体的风险．     

基于风险防范的企业动态联盟伙伴选择方法

在动态联盟的组建过程中,合作伙伴的选择关系到动态联盟的成败.针对以往研究未考虑伙伴选择的高风险性及预控的特点,提出了基于风险防范视角下的伙伴选择原则与标准;将企业核心能力、风险承受力和项目柔性等纳入伙伴选择评价过程中,给出了多阶段联盟伙伴选择的程序及方法.     

信息安全管理中协调代理的方案选择优化模型

根据网络动态信息安全管理的需求,提出了协调代理的方案选择优化数学模型。该模型从动态、整体的角度,说明了协调代理在信息安全管理中的作用。根据技术、成本、时间、负荷和质量等5个因素,对4个方案进行评估,从中选择最优方案。应用该算法,对一个实际算例,进行方案选择。该算法能够显示用定量方法无法得到的因素影响,是一种信息安全管理中清晰、简便和实用的方案选择优化方法。     

基于自适应遗传算法的网络化制造盟员选择研究

针对网络化制造中动态联盟盟员选择优化问题,分析了盟友的评价指标体系,建立了盟友选择的多目标优化模型,并在此基础上提出一种自适应遗传算法.该算法设计了自适应交叉和变异概率, 使其在遗传过程中根据适应度自动选择, 从而使群体中每个个体对环境的变化具有自适应调节能力.通过保持迭代过程的最优解, 加快了搜索速度, 并保证收敛于全局最优解.     

基于双层规划的虚拟物流企业联盟伙伴选择模型及求解算法

虚拟物流企业联盟是21世纪信息社会物流行业的主流组织形式,选择和确定联盟伙伴是建立虚拟物流企业联盟的关键环节之一,对提高联盟企业的总体竞争力有着极其重要的作用。在充分考虑联盟与客户双方利益的情况下,设计了基于双层规划的模型和求解算法来优选联盟伙伴,并且模型中在计算物流企业为客户服务的作业成本时,考虑了配送路线安排对作业成本的影响,更加符合实际情况,使计算结果更加准确。实例仿真说明了模型和算法的有效性。     

生命线工程网络抗震优化算法研究

以生命线工程网络系统造价为优化目标,网络拓扑结构为优化参数,网络节点抗震连通可靠度为约束条件,建立生命线工程网络系统的抗震拓扑优化模型.同时,介绍了利用递推分解算法来获得单元重要度的方法,进而利用遗传算法、模拟退火算法和遗传-模拟退火混合算法,进行了生命线网络系统的抗震拓扑优化分析.其中,遗传算法通过对种群选择、交叉和变异操作不断进化以获得优化解,模拟退火算法则通过扰动当前解产生新解来获得优化解,遗传-模拟退火混合算法则通过将遗传算法中的变异操作以模拟退火操作代替获得优化解.利用三种优化方法对两个算例进行生命线工程网络系统的抗震拓扑优化分析.计算结果对比表明,遗传-模拟退火混合算法具有最好的优化能力.     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

基于Web Service的多Agent虚拟企业伙伴选择方法研究

虚拟企业是未来企业生产经营和市场竞争的发展模式,在虚拟企业组建过程中,如何选择合作伙伴关系到虚拟企业的成败;该文论述了代表企业Agent的属性及代理间的交互协议,以及选择企业成员过程中使用的效用函数,给出了基于WebService的多Agent的虚拟企业组建模型,并通过应用实例予以验证.     

遗传算法在内燃机凸轮优化设计中的应用

引入一种基于自然选择和自然遗传学机理的全局搜索算法———遗传算法 ,并对基于遗传算法的优化过程进行了全面和简要的说明 ,同时根据内燃机凸轮优化设计的特点和难点 ,提出了基于遗传算法的凸轮优化设计方法 ,对遗传算法用于内燃机中的可能性进行了研究 .数值计算实例表明 :遗传算法用于内燃机的凸轮优化设计可获得比较满意的参数优化设计结果 ;与传统的优化方法相比 ,遗传算法具有一定的优越性     

基于NDP的遗传算法及其在JSP中的应用

遗传算法被广泛应用于求解车间作业调度问题(JSP),但遗传算法具有最优参数难以确定的问题。对此,该文提出了一种基于神经元动态规划(NDP)的遗传算法NDP-GA。该文将遗传算法用M arkov决策过程模型描述,建立了M arkov决策过程最优策略与遗传算法最优参数之间的联系。在此基础上,用神经元动态规划逼近M arkov决策过程的最优策略,并用学习到的策略指导遗传算法最优参数的选择。数值计算结果表明,该文提出的算法能自动收敛到最优遗传参数,并在求解JSP问题时能稳定地得到满意解。     

AHP法虚拟企业合作伙伴选择

针对虚拟企业合作伙伴选择问题，在选择的三阶段结构化模型的基础上提出了伙伴选择的评价指标体系，给出了一种基于层次分析法的多目标决策评价策略，结合具体虚拟企业进行了10个伙伴10项指标实例分析，筛选出8个可合作伙伴，并用这8个可合作伙伴的现状及发展前景，验证了层次分析法的多目标决策评价策略科学性和有效性。     

基因遗传算法在文本情感分类中的应用

本文以微博文本为主要实验对象,提出适合卷积神经网络进行自我优化的编码方式,分别将每一层看做是一个染色体,将每一层中的参数看做是一个基因片段,采用混合双重非数值编码的方式编码每个CNN框架,设计出适合于CNN网络的选择、交叉和变异的算法,并且把基因遗传算法(GA)和与卷积神经网络相结合,提出了基于情感分析算法的遗传算法(GA-CNN).通过对传统算法与GA-CNN的实验与对比分析,良好地展示了自我优化性.     

Bandwidth optimization of a Planar Inverted F Antenna using binary and real coded genetic algorithms

With the exponential development of mobile communications and the miniaturization of radio frequency transceivers, the need for small and low profile antennas at mobile frequencies is constantly growing. Therefore, new antennas should be developed to provide larger bandwidth and at the same time small dimensions. Although the gain in bandwidth performances of an antenna are directly related to its dimensions in relation to the wavelength, the aim is to keep the overall size of the antenna constant and from there, find the geometry and structure that give the best performance. The design and bandwidth optimization of a Planar InvertedF Antenna (PIFA) were introduced in order to achieve a larger bandwidth in the 2 GHz band, using two optimization techniques based upon genetic algorithms (GA), namely the Binary Coded GA (BCGA) and RealCoded GA (RCGA). During the optimization process, the different PIFA models were evaluated using the finitedifference time domain (FDTD) methoda technique belonging to the general class of differential time domain numerical modeling methods.     

Bandwidth optimization of a Planar Inverted-F Antenna using binary and real coded genetic algorithms

With the exponential development of mobile communications and the miniaturization of radio frequency transceivers, the need for small and low profile antennas at mobile frequencies is constantly growing. Therefore, new antennas should be developed to provide larger bandwidth and at the same time small dimensions. Although the gain in bandwidth performances of an antenna are directly related to its dimensions in relation to the wavelength, the aim is to keep the overall size of the antenna constant and from there, find the geometry and structure that give the best performance. The design and bandwidth optimization of a Planar Inverted-F Antenna (PIFA) were introduced in order to achieve a larger bandwidth in the 2 GHz band, using two optimization techniques based upon genetic algorithms (GA), namely the Binary Coded GA (BCGA) and Real-Coded GA (RCGA). During the optimization process, the different PIFA models were evaluated using the finite-difference time domain (FDTD) method-a technique belonging to the general class of differential time domain numerical modeling methods.     

Brillouin scattering spectrum character extraction based on genetic algorithm and seeker optimization algorithm

A new hybrid optimization method based on genetic algorithm(GA) and seeker optimization algorithm(SOA) is presented in this paper. The hybrid algorithm optimizes SOA by using crossover and mutation operations in GA in order to improve the global search ability of SOA. Four algorithms, i.e. particle swarm optimization(PSO), SOA, GA and quantum-behaved particle swarm optimization(GA-QPSO) and GA-SOA are used to process the simulation and experimental data of Brillouin scattering spectrum(BSS) at different temperatures. The results show that GA-SOA improves the accuracy of extracting the center frequency shift and the minimum center frequency of Brillouin scattering spectrum compared with other three algorithms. The shift error is 0.203 MHz. Therefore, GA-SOA can be applied to the accurate extraction of BSS characteristics.