能力受限批量问题的启发式算法与CPLEX仿真优化

能力受限批量问题多数都是NP-hard问题,解决方法之一就是构造启发式算法获取尽量接近最优解的可行解。目前多数文献通过大规模计算分析来评价启发式算法的性能,但是这种评价方式只能表明该算法针对特定实例的适应性。利用商业优化软件求解同一实例并与算法计算结果进行对比分析,可以体现算法的有效性。针对一种运输能力外包且费用时变的多产品动态经济批量问题,建立混合整数规划模型,通过约束松弛与模型分解,设计出一个基于拉格朗日松弛理论的启发式算法进行模型求解。大量随机实验计算结果以及CPLEX仿真优化结果对比分析表明,在某些实例情况下,启发式算法获取的最优值与CPLEX获取的相当,但是求解时间要明显优于CPLEX,因此选择启发式算法求解此类实例是较优的。     

基于混合遗传算法的目标优化分配

根据防空作战目标分配的特点 ,在分析启发式方法和遗传算法基础上 ,将二者结合起来得到了求解目标优化分配问题的混合遗传算法 ,该算法具有全局收敛性.     

能力受限的应急抢修点选址问题的两阶段启发式算法

在研究能力受限的应急抢修点选址模型的基础上,通过分析该模型拉格朗日松弛对偶问题,设计了两阶段启发式算法。第1阶段,根据原问题拉格朗日松弛对偶问题近似最优解得到原问题的核心问题,降低了原问题的求解难度;第2阶段,设计了拉格朗日松弛启发式算法求解该核心问题,从而得到原问题的近似最优解。算例计算的结果表明,该算法得到的结果优于商业优化软件MOSEK的求解结果。     

基于匈牙利-模拟退火算法的多阶段武器目标分配方法

针对现代化战争中远程精确制导武器成本高昂以及武器发射平台数量有限的问题，研究了多阶段武器目标分配问题，以最小化武器成本为优化目标，建立了混合整数非线性规划模型。设计了一种集成匈牙利和模拟退火的混合智能搜索算法，首先根据待攻击目标的时空状态与毁伤特性确定打击阶段、标记可松弛性。在模拟退火的框架下，基于目标的松弛性调整攻击阶段，再通过匈牙利算法计算每个阶段武器和目标的精确匹配方案。通过启发式算法和精确求解技术的结合，在保证求解质量的前提下，极大减少了计算时间。通过计算实验，与变邻域搜索算法进行了对比分析，验证了该算法在求解多阶段武器目标分配问题的有效性。仿真结果表明，所提算法在计算时间和求解效果上优于变邻域搜索算法。     

解二维分配问题的行列启发式算法

二维 (2 D)分配算法在实际中具有广泛的应用 ,本文提出求解该问题的一种新的算法———行列启发式算法。该算法采用交替消去代价矩阵行与列中多余元素的方法得到分配问题的最优解。算法简单易懂 ,避免了其它 2 D分配算法中存在的算法实现难、处理速度慢的不足。给出相关原理的理论证明及算法的具体步骤 ,并通过实例验证了该算法的有效性     

元启发式数据关联的多目标跟踪方法

提出了一种元启发式数据关联的多目标跟踪方法。首先,该方法根据跟踪门逻辑确定目标的有效量测。然后,利用滤波信息的似然函数描述量测点与目标之间的关联关系,并建立约束条件下多目标数据关联模型。最后,对蚁群优化算法进行改进设计,引入量测剔除策略,将求解问题转化为无约束的组合优化形式,从而利用蚁群优化算法在离散空间的启发式机制搜索量测与目标的最佳关联。仿真结果表明,该方法可以有效实现多目标数据关联且计算量较小,具有一定的工程实用价值。     

一种新的优化方法:β算法

提出了一种新的求解全局最优问题的算法。该算法适合求解非线性、非凸、包含多个局部最优解的最优化问题,且对所求解的问题没有很强的前提条件,适用范围宽广,该算法利用了目标函数超曲面在可行域中的起伏,对可行域进行分割压缩,并最终收敛于某个全局最优解。最后通过实例与模拟退火算法进行了比较,检验了其优异的鲁棒性和收敛速度。     

具有恶化效应的新工件到达生产调度干扰管理

在工件加工时间具有恶化效应的单机环境下,研究初始计划执行中计划外多个新工件到达的干扰管理问题.将加工成本作为初始目标,将工件相对于初始完工时间的延迟作为扰动目标,构建多目标干扰管理模型.结合归档式多目标模拟退火算法在全局寻优方面的优势,与非支配排序遗传算法在快速收敛到Pareto有效前沿的局部搜索优势,设计了混合元启发式算法在全局搜索和局部搜索之间进行平衡.通过分析问题Pareto最优解特性,可以进一步有效降低混合元启发式算法的搜索空间,提高收敛速度和输出有效前沿的质量.最后,通过随机生成算例进行数值实验,验证混合算法对求解干扰管理问题的有效性和Pareto最优解特性对于算法性能的改进.     

基于多维分配的多基地声纳目标数据关联

建立了多基地多目标航迹关联的多维分配模型,利用基于辅助量最小二乘方法对目标状态进行位置估计,建立多基地被动目标关联多维分配模型,将位置估计模型的结果结合到求解多维分配问题的拉格朗日松弛算法求解中,提高了多维分配的关联准确率.在不同声纳精度下对多目标关联问题进行了比较,给出算法时间和关联准确率.     

非线性盲源分离的多目标进化算法

针对在非线性混叠盲源分离中代价函数往往具有许多局部最优解,求解其全局最优解非常困难的问题。设计了多目标进化算法来求解代价函数的全局最优解,提出了非线性盲源分离的多目标进化算法。该多目标进化算法根据带权极小极大策略构造了一个同进化代数有关的变适应值函数,使种群中的容许解逐渐增多和保持个体的多样性,避免算法陷于局部最优。数值仿真表明算法是有效的。     

New multi-layer data correlation algorithm for multi-passive-sensor location system

Under the scenario of dense targets in clutter, a multi-layer optimal data correlation algorithm is proposed. This algorithm eliminates a large number of false location points from the assignment process by rough correlations before we calculate the correlation cost, so it avoids the operations for the target state estimate and the calculation of the correlation cost for the false correlation sets. In the meantime, with the elimination of these points in the rough correlation, the disturbance from the false correlations in the assignment process is decreased, so the data correlation accuracy is improved correspondingly. Complexity analyses of the new multi-layer optimal algorithm and the traditional optimal assignment algorithm are given. Simulation results show that the new algorithm is feasible and effective.     

Troubleshooting algorithm for solving assignment problem and its applications

A new troubleshooting algorithm for solving assignment problem based on existing algorithms is proposed, and an analysis on the related theory is given. By applying the new troubleshooting algorithm to the Lagrange relaxation algorithm of the multi-dimensional assignment problem of data association for multi-passive-sensor multi-target location systems, and comparing the simulation results with that of the Hungarian algorithm which is the classical optimal solving algorithm, and the multi-layer ordersearching algorithm which is a sub-optimal solving algorithm, the performance and applying conditions of the new algorithm are summarized. Theory analysis and simulation results prove the effectiveness and superiority of the new algorithm.     

有约束多目标系统的模糊匈牙利决策及其应用

首先将指标值矩阵转化为模糊关系合成矩阵,再将模糊关系合成矩阵与解决指派问题的匈牙利方法结合起来,提出了有约束多目标系统的一种新决策方法——模糊匈牙利法,并建立其模型,该模型可用著名的匈牙利算法来求解。最后应用该法于文献［1～3］中的实例,通过比较,方法简便,效果很好     

基于三维模型的多传感车辆定位与识别研究

车辆的定位与识别是智能车研究的重要环节。针对二维算法及单传感的不足,提出了一种基于三维模型的多传感车辆定位与识别算法。定位系统中,通过将雷达的位置估计和图像的灰度信息进行融合来获得位移参数,并将改进的Hausdorff距离和模拟退火算法相结合得到旋转参数。在此基础上,识别系统计算每个模型与目标车辆的匹配值,根据其在采样时段内的平均值确定车辆类型。实验证明,该方法能有效地实现目标车辆的定位和识别。     

分布式多传感器系统航迹关联算法研究

针对三局部节点的航迹关联算法，提出基于关联检验与最优分配相结合的新算法。该方法利用各局部节点关于目标的状态估计确定关联检验的门限，避免了一些来自不同航迹关联对的关联代价的计算，减轻了系统的计算负担。且由于关联检验过程排除了部分来自不同航迹但代价较低的关联对，减小了系统误差，进而降低了错关联概率。仿真试验表明，该算法省时、有效，是一种具有自适应优化能力的航迹关联算法。     

基于模糊指派的多目标多工程选址决策

提出了一种新的多个工程选址的多目标决策方法 .运用模糊关系合成矩阵将各种情况下的多目标工程选址问题转化为模糊指派或模糊广义指派问题 ,并用传统的匈牙利算法来求解 .最后给出一个应用实例.     

防空C3I目标分配问题的ACO-SA混合优化策略研究

防空C3I系统的目标分配已成为现代防空作战指挥不可缺少的决策支持,针对这一问题,提出了蚁群-模拟退火(ACO-SA)混合优化策略。在该策略中,蚁群系统的一次周游过程中的最优路线作为模拟退火算法的初始解,在每个退火温度上进行抽样准则检验并产生新解,然后更新新解对应路径上的信息素,蚁群算法(ACO)再根据新的信息素分布进行并行搜索。实验表明,与单一ACO和SA算法相比,这种ACO-SA混合优化策略在解决同一防空C3I系统的目标分配问题上有较强的寻优能力和较快的收敛速度。     

基于归纳法的同构资源目标分配算法

针对传统目标分配算法不能求解大规模资源目标分配的组合规划难题,提出了一种基于数学归纳法的资源目标分配算法。建立了资源相同条件下的目标分配数学模型。通过逐步增加资源和资源预分配的方法,不断从每次迭代的预分配方案中选择最优的分配方案,极大地降低了分配问题的搜索解空间和计算复杂度。以无人机协同区域搜索为典型应用案例,分别设计了对比实验和性能实验。仿真实验结果表明,该算法可以保证得到目标分配问题的全局最优解,并且在大规模资源分配中具有很好的实时性。     

An adaptive Lagrangian algorithm for optimal portfolio deleveraging with cross-impact

This paper considers the problem of optimal portfolio deleveraging, which is a crucial problem in finance. Taking the permanent and temporary price cross-impact into account, the authors establish a quadratic program with box constraints and a singly quadratic constraint. Under some assumptions, the authors give an optimal trading priority and show that the optimal solution must be achieved when the quadratic constraint is active. Further, the authors propose an adaptive Lagrangian algorithm for the model, where a piecewise quadratic root-finding method is used to find the Lagrangian multiplier. The convergence of the algorithm is established. The authors also present some numerical results, which show the usefulness of the algorithm and validate the optimal trading priority.     

求解无容量设施选址问题的拉格朗日狼群算法及其应用

无容量设施选址问题(UFL)是应用于诸多领域的经典组合优化难题。首先,结合UFL问题的具体特征,重新定义了狼群算法中狼群协作捕食的智能行为,提出了求解该问题的狼群优化算法;其次,将狼群算法与拉格朗日松弛相结合,设计了一种求解UFL问题的拉格朗日狼群算法;最后,将本文提出的狼群智能优化算法及拉格朗日狼群算法用于UFL基准问题库中部分算例的求解,并将其求解结果与混合蚁群算法、半拉格朗日松弛方法以及优化软件CPLEX的求解结果进行比较。结果表明：拉格朗日狼群算法较狼群优化算法、混合蚁群算法及半拉格朗日松弛方法具有更好的求解效果,而且在一定程度上缓解了CPLEX求解时间长,消耗内存大的缺点,拥有良好的求解性能。