水污染控制系统问题的随机机会约束规划模型及其混合智能算法

在水流量为随机变量且河流中工业污水含量标准给定的条件下,以极小化污水处理费用为目标,建立了水污染控制系统问题的随机机会约束规划模型.鉴于传统方法求解随机规划较为困难,给出了一个将随机模拟、神经元网络及遗传算法相结合的混合智能算法来求解该模型,并用算例进行了验证,结果表明该算法有较强的适应性.     

随机规划的合成机会约束模型

研究了当随机规划的约束为凸函数时，合成机会约束模型中可行域的性质，推广了线性约束函数的结论；通过实例对比了合成机会约束与机会约束的可行域，显示了前者的优越性；最后讨论了合成机会约束模型与补偿模型的联系，为进一步的”算法设计提供了理论支持．     

机型指派与飞机路线一体化建模及算法研究

通常航班计划都是分阶段完成的,即航班时刻表→机型指派→飞机排班→机组排班,每一个问题都相对独立的建模并求解;这样通常无法得到全局最优解甚或无解,对后续问题求解造成很大困难。为了克服这种困难及改善航班计划的次优性,本文将机型指派、飞机路线问题综合考虑,建立多机型的一体化飞机排班多商品网络流模型。为实现模型的有效求解,本文提出了基于约束编程的动态列生成算法;即用约束编程快速求解航班连线（航班串）并计算各航班串简约成本,动态选择列集并与限制主问题进行迭代。最后,利用国内某航空公司干线航班网络实际数据验证模型和算法的有效性,并与航空公司实际排班和分阶段优化情况进行比较研究。     

油田增产措施配置的随机相关机会规划模型

以最大化措施增油量高于规划措施增油量这一事件的机会函数为目标,兼顾成本、措施量等目标,建立了油田增产措施随机相关机会规划模型,并给出了模型的混合智能算法.实例表明,该模型理论基础严格,求解方法科学有效,并具有一定的智能性,为油田增产措施配置提供了新的决策依据.     

可追加订购报童问题的模糊机会约束规划模型

研究模糊环境下可追加订购的报童问题.假设需求量、追加定购的价格等均为模糊变量,在本金有限制的条件下,以极大化收益为目标,建立一个模糊机会约束规划,并将模糊随机模拟、神经元网络及遗传算法相结合,给出一个混合智能算法来求解该模型,从而得到最优订购量及追加的最大定购量.最后给出了数值例子.     

水资源系统不确定性决策机会约束模型法

针对多属性不确定性决策问题，提出了可用于研究方案排序的机会约束模型法。该方法既可恰当处理多属性区间值的不同随机分布假设，又可考虑决策者对综合评价值的期望水平，避免了对复杂的综合评价值随机分布的简单化处理，对于复杂的多随机变量机会约束模型，使用基于随机模拟的遗传算法可以有效地获得问题的解，且最终方案排序合理。     

山东省能源-经济-环境系统模糊机会约束目标规划模型

能源-经济-环境系统科学发展是区域可持续发展的关键。根据山东省“十二五”规划,选取目标参数与决策变量,视三次产业单位投资产值、主要污染物产生系数与单位治理投资去除量等参数为模糊变量,构建山东省能源-经济-环境系统模糊机会约束目标规划模型,应用混合智能算法进行求解。实证分析结果验证了模型的可行性与有效性,为山东省能源-经济-环境系统发展提供决策支持。     

有随机约束的混合回归模型，随机约束岭型估计

对有随机约束的混合回归模型加以改进，并提出了在此回归模型下，回归系数的一种有偏估计——随机约束岭型估计，证明了在一定条件下，在均方误差意义下优于随机约束最小二乘估计。     

机会约束随机非线性互补问题的一个光滑近似

随机非线性互补问题在很多领域有重要的应用价值,由于该类问题参数的不确定性,给数值计算带来很大困难.基于Fischer-Burmeister NCP函数,将随机非线性互补问题重构为随机方程组,在一定的置信水平下,将随机非线性互补问题转化为机会约束随机非线性互补问题,使之以极大的概率成立.该类问题通常是非凸非光滑的,基于C...     

不确定目标机会约束规划模型及在指派问题中的应用

基于不确定理论以及不确定规划模型,研究了目标函数在一定置信水平下取得最值的一类不确定目标机会约束规划模型,并研究了指派问题的不确定目标机会约束规划模型,给出求解此模型的算法.最后,给出应用实例说明模型的合理性及算法的有效性.     

基于混合遗传算法的叠前随机反演方法

针对常规随机反演方法计算效率低的问题,提出一种基于混合遗传算法的叠前随机反演方法。该方法充分利用测井资料中的高频信息,并以地震数据作为约束,首先通过快速傅里叶滑动平均(fast Fourier transform-moving average,FFT-MA)谱模拟算法进行随机模拟得到基于地质统计学的初始模型信息,随后结合提出的混合遗传算法对模拟结果进行快速优化,得到符合地下地质结构的反演剖面,实现对叠前弹性参数的反演。混合遗传算法避免了一般遗传算法常见问题,如收敛速度慢以及产生"早熟"现象,与模拟退火相结合能够快速收敛达到全局最优,保证了反演精度。数值试验结果表明,融入混合遗传算法的叠前随机反演方法,在充分利用叠前信息的同时可以保证反演结果有效收敛,并且与模型数据吻合较好,与传统的叠前反演方法相比具有较高的分辨率,在储层识别和油藏描述中起到了重要作用。     

基于同步扰动随机逼近的混合萤火虫算法

针对标准萤火虫算法(FA)中存在的种群过早收敛、容易陷入局部最优等不足,提出一种以memetic算法为框架、将同步扰动随机逼近和萤火虫算法相结合的混合算法(FA-SPSA),即首先使用萤火虫算法对种群进行全局寻优,然后使用同步扰动随机逼近算法对选出的部分最优个体进行局部搜索,从而增强萤火虫算法跳出局部最优解的能力。通过6个标准测试函数对FA-SPSA算法的性能进行检验,并与标准萤火虫算法、果蝇算法、改进的果蝇算法等其他4种算法进行比较,结果表明,FA-SPSA算法在寻优精度、收敛速度、鲁棒性等方面的性能总体上优于对比算法。     

一种随机调整控制参数的鲸鱼优化算法

针对标准鲸鱼优化算法在处理复杂优化问题时出现搜索精度低和易出现早熟收敛等缺点,提出一种随机调整控制参数的改进鲸鱼优化算法(EWOA)。受粒子群优化算法中惯性权重的启发,利用随机分布的方式调整控制参数,以平衡鲸鱼优化算法的全局搜索和局部搜索能力。对当前最优个体执行服从正态分布的变异扰动,以避免算法出现早熟收敛现象。此外,采取佳点集方法替代随机方法产生初始个体以提高算法的全局收敛速度。6个标准测试函数的仿真实验结果表明EWOA能有效处理高维复杂优化问题。     

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.     

基于Matlab的动态随机模型的计算与模拟

介绍了动态随机模型(DSM)及模型系数的求解方法,并推导了该模型的解及欧拉方程。利用Matlab计算和模拟单期生产力水平冲击对生产力、消费、就业、投资和收益的响应。结果表明:随着时间的推移这些变量的脉冲响应会缓慢趋于0,回到均衡状态;模型计算的速度和精度都达到了预期要求。     

基于经济模型的网格资源调度算法

建立了基于经济模型的网格作业调度系统,给出了相应的服务质量(QoS)资源调度算法.通过定义资源的多维QoS指标,实现了对计算网格中广域分布和异构资源的统一描述,能很好地适应网格资源的动态性和自治性.采用QoS偏好度排序和欧氏距离的优化策略搜索资源,将用户提出的具有个性化或总体服务需求的作业透明、动态地分配给最适应的资源,优化了资源的统一配置.采用仿真实验比较多种算法的性能,结果说明QoS算法可满足资源的自适应性,较好地实现全局资源调度的目标.     

基于广义最小二乘法的随机非线性系统自适应跟踪

运用基于估计的模块化设计思想,研究了受方差不确定Wiener噪声干扰的参数严格反馈形式非线性系统对已知信号的自适应跟踪问题.构造控制Lyapunov函数(control Lyapunovfunction,CLF),设计了具有鲁棒稳定特性的输入状态稳定(input-to-state stability,ISS)控制器,确保系统满足控制器-辨识器分离;运用Swapping技术设计辨识器模块,将动态参数模型转换成静态模型,考虑到方差不确定,采用广义最小二乘算法进行参数估计,讨论了系统方差的估计方法.     

基于同时扰动随机逼近的“动中通”步进跟踪算法

为了提高动中通系统的跟踪性能,在对动中通系统特性分析的基础上,借鉴参数优化的思想和方法提出了一种基于同时扰动随机逼近的步进跟踪算法,算法的核心思想是利用高效的同时扰动技术对跟踪的梯度进行估计,而且算法仅利用带噪声的信号强度的测量值对梯度进行估计。该算法能够同时驱动天线波束在方位面和俯仰面以接收信号的最陡上升方向即梯度方向跟踪目标卫星。计算机模拟分析结果表明该算法不仅是有效的,而且具有较强的鲁棒性。     

基于隐马尔科夫模型的基因预测算法

为更好地从DNA序列中识别蛋白质编码区,提高计算效率,将隐马尔科夫模型与前向算法相结合,提出一种生物基因的预测算法.理论证明,该隐马尔科夫模型与经过EM算法优化后的模型具有相同的参数,能够降低计算量,提高计算效率.利用该方法对DNA序列F56F11.4a的外显子进行识别的仿真结果表明,该算法是有效的.     

一种基于模型的强化学习算法

收敛速度是衡量机器学习算法的一个重要指标,在强化学习中,如果算法不充分利用从每次学习中获取的经验知识,算法的收敛速度则比较缓慢;为了提高强化学习的收敛速度,文章将环境模型的学习引入到强化学习过程中,首先学习环境模型,然后根据所得的新模型重新指导强化学习过程,在Linux下的RoboCup仿真平台上对该算法进行了验证,实验结果证明了其有效性.