考虑板坯设计的组炉优化模型

针对炼钢生产中的组炉优化问题,建立了一种考虑板坯设计的混合整数规划模型,并提出了一种基于非二分图匹配算法、二分图匹配算法、装箱算法、网络最大流算法的启发式求解算法。该算法首先使用非二分图匹配算法确定炉次,然后使用二分图匹配算法和装箱算法将剩余合同匹配到已有炉次中,最后使用网络最大流算法调整炉次中合同对应的板坯重量。实验结果表明利用该算法可以在较短的时间内给出较优的组炉方案,为计划员提供足够的决策支持。     

炼钢组炉问题优化模型及其动态规划算法

针对炼钢组炉计划编制中的集约优化问题,建立了各优化目标下的数学模型,并利用动态规划法,对该优化问题进行了求解.经算法时间复杂性分析和实际生产数据仿真演算,结果表明在一定的生产条件下,该算法能在合理的时间范围内给出一批合同最优的组炉方案,使得生产余材最小,可显著降低组炉计划余材量,经济效益非常显著.     

基于层次网络的最大流求解方法

针对最大流问题的研究现状,提出了分层求解最大流的简单方法,并给出了该方法可行的严格证明。该方法首先求得层次网络的阻塞流,进而最终求得一个最大流。另外,该方法还针对有向流网络的特点,将算法中涉及的流网络、剩余网络和层次网络共用一个网络结构,既有效地降低了算法的空间复杂度,还大大提高了算法的执行效率。     

多Agent系统中的任务可调度问题

为了将Agent方法应用于应急系统等新领域,在对该类系统研究的基础上提炼出它们的公共特征,根据这些特征设计出一种MAS系统模型,并在该模型的基础上定义了相应的任务可调度问题.利用网络流模型对可调度问题进行了建模,证明了最大流算法可以求解该可调度问题,由此说明该问题是可多项式时间求解的.并且对于给定该问题的一个可调度实例,利用最大流算法还可在系统中找到一组Agent完成所有任务.通过对该网络流模型的进一步分析,得出并且证明了任务可调度判定的充分必要条件,利用这个结论可以快速判断当前任务是否可调度.     

基于生成树的无线Mesh网络数据流负载均衡

针对统一链路容量的无线Mesh网络的数据流负载均衡问题,提出了基于最大剩余流生成树算法.首先利用近似最大流算法求解每条链路上的碎片流量,然后利用最大剩余流生成树将多径路由转化为单径路由,最后将原始流量在每条单独路径上进行缩放.所提算法可以保持用户公平性前提下尽可能提高网络吞吐量.该算法最初思想来源于ROUND算法,但是...     

最大一致流问题的一个逼近算法

通过建构辅助网络，以K0ne和Vygen于2000年所给出的一个求最大多种物资网络流问题的逼近解的完全多项式算法作为子程序进行二分搜索，给出了一个新的求解最大一致流问题的逼近算法．然后，进行算法分析，说明了所建立的算法是拟多项式算法，并且给出与证明了一个有关输出的流与输入问题的解之间的逼近关系．该项工作表明从一个多种物资网络流问题的算法出发通过变换求解其他有关问题是可行的，并且为研究网络流问题提供了一种新的方法．     

最小费用最大流维度拓展及其在反洗钱中的应用研究

本文借助最小费用最大流理论对时间压力下最小风险最大流问题进行了研究,分析了最小风险、最大流路径下的最短时间,构建了基于时间压力条件下的最小风险最大流模型,利用多目标规划方法给出了求解该模型的算法,最后通过实例验证了该方法的有效性.     

最小费用最大流新方法及Lingo实现

给出了利用矩阵的表示法来求解网络最小费用最大流的新方法.从先选取最小费用的第一条初始流,后面根据费用最小的原理,不断地增加初始点到终点有向流,直到无法增加为止,所得到的流即为最小费用最大流.通过举例介绍方法的应用,简单易懂.同时,给出Lingo代码进行验证其正确性.该方法对研究网络最小费用最大流有一定的推动作用.     

基于标号法求解网络最大流算法的研究

近年来,随着各种网络的飞速发展,对最大流问题的研究也取得了很大的进展.本文简述了网络最大流问题的现状,提出了一种求解网络最大流与最小截问题的算法.此算法使得计算网络最大流变得简便,且具有很强的实用性.     

连铸组中间包问题的MTSP模型及混合优化算法

针对连铸计划中的组中间包问题,建立了多旅行商问题(MTSP)模型,提出了一种结合启发式、k-opt邻域搜索和EDA进化的混合优化算法.该算法首先利用启发式规则确定虚拟炉次的个数,从而确定染色体编码长度,每个染色体代表一种中包组合方案,然后设计了基于概率矩阵模型的EDA进化算法对染色体进行全局寻优,并使用k-opt邻域搜索进行局部优化.EDA算法不需要设计如遗传算法(GA)那样的交叉算子,避免了交叉导致的编码非法性问题.通过对企业实际生产数据进行仿真计算,其结果表明了算法具有良好的优化性能和实用性.     

基于PBIL的多QoS约束选播路由算法

为了满足时延、时延抖动、带宽、丢包率多个服务质量约束下以最小代价选播路由,针对使用常规算法很难求得最优解,提出一种基于种群的增量学习(Population-Based Incremental Learning,PBIL)方法的多约束选播路由算法,该算法有效结合了遗传算法和竞争学习的优点,以更新概率向量为主要的快速进化手段,使得算法更加易于操作,同时对标准PBIL算法中的概率向量更新机制进行了改进,使用两个最优个体代替传统的仅使用单个最优个体,增加了更多优秀个体被选择保存到下一代的机会.最后给出了基于PBIL的选播路由算法和基于遗传优化的选播路由算法随机网络拓扑上的仿真比较,结果表明:算法在最优解的精确度上、成功率上以及执行速度上明显优于遗传算法求解.     

基于遗传算法的复杂网络节点匹配问题

为提高已知匹配节点较少情况下的网络节点匹配精度,提出一种基于遗传算法的复杂网络节点匹配方法。该方法根据网络结构以及已知的部分节点匹配信息,计算节点相似度矩阵,再由遗传算法求得网络间相似度之和最大的节点匹配方案。将其应用于EA随机网络、WS小世界网络和BA无标度网络,结果表明,三种复杂网络的匹配精度均有提高。该结果验证了文中方法的有效性。     

用最小费用流的允许边算法求解指派问题

构造指派问题的最小费用最大流模型,并将基于对偶原理的允许边算法用于该模型,提出了求解指派问题的一种新算法。该算法按照互补松驰条件,通过修改已标号节点的势,在容量-费用网络中逐步扩大允许网络,并在其中增广流量,直至求得容量-费用网络的最小费用最大流,此最大流中的非0流边即对应于指派问题的最优指派。在迭代过程中,后续迭代充分利用了上一迭代的信息,有效节省了计算量。对于非标准指派问题,可以直接求解,而不需要先将其转化为标准形式。     

钢铁企业合同匹配多目标优化模型与算法

针对钢铁企业中存在的合同对库存余材的优化匹配问题,建立了实现余材利用量最大化和匹配损失费用最小化的多目标0-1规划模型·采用模糊决策方法处理两个目标函数,尝试基于群体的增量学习(Population BasedIncreasedLearning,简称PBIL)算法进行求解·结合模型的特点,利用自然数编码表示合同的匹配结果,按照学习概率大小修复不可行个体·通过对应用实例的计算,以及与遗传算法结果的比较,证明该模型和算法是解决合同优化匹配问题较为理想的方式·     

回转支承内、外圈装配中的选配模型

在对回转支承的内、外圈进行装配时 ,为了获得最优装配组合 ,运用网络流规划将该问题转化为网络最大流问题 ,并建立了一种选配模型。通过合理定义模型网络的中间点、弧的容量和方向以及模型的一般约束条件 ,应用有效算法求出了模型网络的最大流 ,最终获得了内、外圈的最优装配组合。同时 ,基于该模型开发了用于选配回转支承内、外圈的软件模块 ,并在实际生产中得到了应用     

适合中文的双向比较模式匹配算法

分析了几种常用的模式匹配算法,提出一种适合于中文的基于KMP的改进算法,即双向比较模式匹配算法.该算法以KMP算法为基础,引入特征数组以记录模式串尾字符在模式串中出现的位置信息,从而获得模式串在匹配过程中的最大移动距离和最少比较次数.实验结果表明,双向比较模式匹配算法可有效降低匹配次数.     

基于网络最大流的立体匹配算法

为得到立体图像对的全局最优匹配,将视差搜索范围离散化,与图像坐标一起构成三维空间网络。恰当定义网络各边的容量,使之兼顾立体匹配的相容性和光滑性约束,将立体匹配转化为网络优化问题。通过求解网络的最大流和最小切割,获得全局最优的视差分布数据。实验表明,算法生成的视差数据不仅连续稠密而且保留了细节信息。     

节点环流网络中的最大流算法

为了求出节点有容量并有存储功能的网络中的最大流,提出使用改进的带有节点环流的网络模型。在改进的网络模型中,网络节点改由新的结构代替,即节点分为入点和出点,增加中转弧和节点环。提出了进出节点的配平算法,使用了改进的流量守恒约束,通过虚拟源、虚拟汇进行配平,使用最大流算法求出由节点环流调节过的最大流。在配平算法中,遇到入流容量小于出流容量,要判断节点环流量的大小;遇到入流容量大于出流容量,要判断节点环流的残容量大小。算法应用于流的分配或流的汇聚。     

基于Adaboost学习的lCN自适应缓存算法

针对信息中心网络(ICN)中缓存内容优化放置的问题,提出一种基于Adaboost学习的自适应缓存算法ACAL.该算法首先将提取的节点和内容数据流作为网络资源,然后利用集成学习算法Adaboost对数据流进行分析挖掘,利用挖掘出的状态属性与缓存匹配之间的函数映射关系对未来时间段内的节点与内容间的匹配关系进行预测,该预测结果用于指导缓存的部署.实验结果表明,ACAL在延时、缓存命中率和链路利用率等指标方面,与CEE策略、LCD策略、prob0.5策略和OPP策略相比有显著的优势.