基于混合遗传算法的物流车辆调度优化

针对遗传算法在求解车辆调度问题时容易出现早熟现象,导致求解精度不高的问题,本文用混合算法构建了物流配送总成本最小的目标函数。首先,定义了车辆调度问题的数学模型,在此基础上提出了一种遗传算法中对交叉和变异概率的自适应调整的方法。其次,通过局部搜索算法求得初始解,采用遗传算法初始解优化,并且在配送时刻改变以后,利用TS算法搜索最优解迅速的特点改进配送方案,最终求得配送时刻不断变化下的车辆调度方案。最后通过算例分析,得到本文提出的算法与单一局部搜索算法和单一TS算法相比,在求解精度、求解时间方面都具有更大的优越性。     

利用改进的遗传算法求解约束优化问题

利用一种改进的浮点数编码的遗传算法求解约束优化问题,算法包括三个方面的改进,一方面,通过改进的变异算子保证种群多样性;另一方面,用改进的终止准则和周期性的利用一种局部搜索算法改进种群最优个体的函数值,从而加快算法的收敛性;利用改进的遗传算法测试了两个优化问题并与算法C-SOMGA和DONLP2的测试结果进行比较,测试结果表明改进的遗传算法在平均值和标准差方面明显优于算法C-SOMGA和DONLP2。     

二层多目标随机规划逼近有效解集的上半收敛性

[目的]为了研究通过逼近方法求解二层多目标随机规划有效解集与精确的有效解集之间的相互关系,针对下层为单目标随机规划,上层为多目标随机规划的一类二层随机规划逼近问题,构建了二层多 目标随机规划逼近有效解集上半收敛性的理论框架.[方法]将多目标二层随机规划分解成多个单目标二层随机规划,利用每个单目标二层随机规划逼近最优解集的上半收敛性,借助于多目标二层随机规划有效解集可以表示为所有单目标二层随机规划最优解集的交集的结构特点,对二层多目标随机规划逼近问题的有效解集的收敛性结果进行了推断.[结果]建立了二层多目标随机规划逼近有效解集的上半收敛性.[结论]提供了利用逼近方法求解二层多目标随机规划有效解集可以近似替代精确的有效解集的理论依据.     

二层随机规划逼近解集的稳定性分析

以下层随机规划的最优值作为响应,反馈到上层的一类二层随机规划问题,可以放宽对下层随机规划需要提供唯一最优解的要求;首先讨论了下层随机规划逼近最优值的收敛性,然后将下层随机规划的最优值反馈到上层,得到了上层随机规划逼近最优解集序列的上半收敛性.     

利用改进的遗传算法求解非线性方程组

提出一种改进的求解非线性方程组的浮点遗传算法,算法通过把非线性方程组的求解问题转化为约束优化问题,然后将局部搜索信息引入遗传算法,通过改进的变异算子不断调整搜索区域,最终搜索到含有最优解的区域,再利用局部搜索信息提高解的精度.数值实验结果表明,改进后的浮点遗传算法具有较好的全局优化能力和局部搜索能力,且提高了求解的速度和解的精度.     

求二层线性规划最优解的极点方法

根据二层线性规划的最优解一定可以在约束集的极点找到这一理论,给出了求解二层线性规划的极点方法,通过上层目标函数值的排序,避免了盲目验证极点这一缺陷,最后通过算例描述了算法求解过程,并验证了算法的有效性.     

单目标机会约束规划逼近问题的稳定性分析

对机会约束规划逼近问题最优解集的上半收敛性进行了研究;在一定意义下,利用概率测度的收敛性,给出了逼近问题目标函数的连续收敛性,并通过上图收敛理论,得到了机会约束规划逼近问题的最优解集上半收敛于初始机会约束规划问题的最优解集.     

右连续强上(下)鞅关于F_(λ )的加强形式的停止定理

研究了右连续强上 (下 )鞅关于 Fλ 的加强形式的停止定理 ,推广了加强形式的停止定理 ,得到右连续强上 (下 )鞅的两个充要条件     

随机规划经验逼近问题ε-最优解集的几乎处处Huasdorff收敛性

对随机规划经验逼近问题ε-最优解集序列的几乎处处Hausdorff收敛性进行了研究。首先依据上图收敛性讨论了随机规划经验逼近问题最优值序列的几乎处处收敛性,其次给出了随机规划逼近问题ε-最优解集序列的几乎处处Hausdorff收敛性。     

二层随机规划逼近解集上半收敛性的一个充分条件

针对上、下层都含有目标函数和约束条件的一类二层随机规划逼近问题,首先在下层随机规划的目标函数和约束条件均为严格凸函数的情况下,给出了下层随机规划逼近问题的任意一个最优解序列连续收敛于下层随机规划的唯一最优解的一个充分条件;然后将下层随机规划的最优解反馈到上层随机规划的目标函数和约束条件,得到了上层随机规划逼近最优解集的上半收敛性.