基于Hopfield网络的极小值问题学习算法

针对 Hopfield神经网络 (HNN )所存在的极小值问题及缺乏学习能力的问题 ,提出了一种学习算法。将决定约束条件权值大小的系数作为学习参数 ,在参数空间里使参数向着 HNN能量上升最快的方向学习 ,使网络状态能够有效地从可能陷入的极小值状态中逃脱出来。对于在状态空间里陷入极小值状态的 HNN,首先在参数空间里修正参数 ,然后再返回到状态空间里进行状态更新 ,如此反复 ,直至找到最优解或满意解。算法的有效性通过仿真实验进行了验证。该算法分别被应用于 10城市和 2 0城市的旅行商问题 ,结果能够以很高的比率收敛于最优解     

不完全信息多属性群体决策方法

考虑到决策过程中信息的不完全性,对一类不完全信息的多属性群体决策问题进行了研究。在此基础上,建立一组线性规划模型,得到个体对每一个方案的效用区间数,并利用区间数可能度的定义对两个方案进行比较,从而得到个体对方案的排序。在偏好集结过程中,考虑了决策成员对方案给出的排序指标值,同时也考虑了决策成员权重的不完全信息。最后利用一个算例说明了在不完全信息条件下提出的方法能够作出比较合理的决策。     

基于Hopfield网络学习的多城市旅行商问题的解法

针对Hopfield神经网络(HNN) 学习算法难以求解大规模组合优化问题的不足，提出了基于HNN学习的多城市旅行商问题的示解算法。它是把HNN学习算法作基本算子，对城市群体按一定的规则进行有效的分割、计算攻连接，来寻找巡回路径的最优解或满意解。并以100城市的旅行商问题为例进行了仿真实验，骓证了算法的有效性。该算法不受求解问题的规模限制；还可通过并列运算实现高速化；同时因自满法简明，易于硬件实现。     

基于客户满意的层级供应链优化模型及算法

基于客户满意度和企业利润这对矛盾,建立了一个层级供应链0-1混合整数规划模型。模型以供应链各相邻层节点之间的供需量和客户对各种产品的期望满意度为决策变量,以供应链总利润最大为目标。模型存在着两级优化问题,首先要从候选节点企业选中部分加入供应链网络,然后再确定相邻层节点企业之间的供需量和客户对产品的期望满意度。给出求解模型的混合遗传算法,并进行了数值实验,验证了优化模型的正确性和算法的有效性。     

非稳态拓扑下的机会网络分层模型

为了解决在消息敏感的机会网络中社团划分结果不可重用的问题,提出了一种与消息类型相匹配的机会网络分层模型.首先,将机会网络的物理节点集映射为与消息类型匹配的虚拟节点集,并以此为基础建立虚拟机会网络层;然后,在虚拟机会网络层上,建立虚拟节点集的社会关系;最后,对虚拟节点集的社会关系进行社团划分.实验结果表明:在消息数量相同的条件下,当消息序列中相邻位置消息的类型差异度分别为40%和100%时,在虚拟层上进行社团划分的时间与在物理机会网络上直接进行社团划分的时间相比分别减少约58%和89%;基于分层模型的社团划分的运行次数仅依赖于消息类型的数量,而不会随消息数量或消息序列中不同类型消息交错方式的变化而变化.     

分销配送网络优化模型及其求解算法

为了优化网络结构 ,寻求最佳配送策略 ,最终找出成本最小的供应链 ,针对需求拖动式供应链中 ,多供应商、多产品、多客户分销配送网络的优化设计问题 ,在考虑需求分配的情况下 ,提出了分销配送网络的优化模型。为了求解优化模型 ,提出了基于混合遗传算法求解混合 0 - 1整数规划问题的算法 ,它是用遗传算法搜索 0 - 1变量的最优解 ,将其他算法融入遗传算法中 ,对非 0 - 1变量进行求解的一种算法。最后通过两个算例进行了仿真实验 ,验证了优化模型的正确性和算法的有效性。模型简明、客观 ,算法易于扩展并具有鲁棒性、通用性