四色和K色图着色问题的瞬态混沌神经网络解法

首先给出了用神经网络求解四色图着色问题的神经网络结构和能量函数 ,然后采用了具有瞬态混沌特性的神经网络 ( TCNN)来解四色图着色问题 .由于引入具有复杂动态特性的瞬态混沌使得该法具有很强的搜索全局最优解的能力 .仿真结果表明 ,用该法解四色图着色问题总能保证使能量函数收敛到最优解 ,有效避免了用传统的 Hopfield人工神经网络 ( HNN)解此问题时极易陷入局部极小的缺陷 ,并且收敛速度更快 .另外我们还用此法求解了属于 NP-完全问题的 K色图着色问题.     

平衡问题解的收敛性

利用集收敛、函数收敛建立了集值映射收敛的概念及其性质 ,并依此讨论了平衡问题解的收敛性 .     

一类集散货物路线问题的禁忌搜索算法设计

针对该类同时集散货物路线问题(VRPSDP)的特点,文章将配送中心车辆的固定费用和可变费用之和作为目标函数.然后,提出了一种SFC-TS算法:先应用分形理论中的空间填充曲线法(SpacefillingCurves,SFC)求解初始解,再用禁忌搜索法(Tabu Search Algorithm,TS)对初始解进行改进优化.最后,应用算例验证了SFC-TS算法的有效性,结果表明SFC-TS算法在求解小规模问题(20个点)时其性能总体优于已有的同类问题的算法.     

基于改进型能量函数和瞬态混沌神经网络的TSP问题研究

针对传统神经网络在搜索NP类问题的解时易陷于局部最优点的不足,提出了一种基于改进型能量函数(IEF)和瞬态混沌神经网络(TCNN)的优化模型,将此应用于旅行商问题(TSP)的求解,并和传统神经网络优化方法进行了比较。仿真研究结果表明,该论文所提出的方法在解的可行性以及全局最优解的获取能力方面都有很大优势,收敛速度和准确度也令人满意。     

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。     

模糊多目标主从冲突决策模型

应用模糊测试理论和模糊规划理论 ,针对决策约束条件的不确定性和目标的不确定性 ,研究了不确定性 Stackeberg冲突决策的数学模型 ,探讨了模糊平衡解与 Mash平衡解 (或 Nash平衡结局 )的关系 ,给出了解的一致性分析。经过模拟分析验证了模型与方法的可行性 ,为综合效能风险决策提供了实用而有效的决策方法     

求解群体多目标决策问题的一种方法

引进了群体多目标决策问题的一种新的最优解概念──s-最优平衡解,它的实际意义是对于每个决策者而言在每个目标下都给出一个让步值.证明了求解s-最优平衡解等价于求解一个对应的单目标优化问题,并在一定条件下s-最优平衡解总是存在的.讨论了具有不同让步值的s-最优平衡解.数值例子表明这个方法对解决群体多目标决策问题具有一定的有效性.     

三机床置换Flow-shop问题求解的一种新方法

对三机床置换How-shop问题(PFSP)进行了研究，得到一种下界算法，提出了一种评价函数用于求解时选择后续工件，求解时使用下界选择第1个加工工件可以大大减少计算量．改变第1个加工工件、评价函数中的参数后可能得到更好的解，实验结果表明：使用这种方法求得的解对应的总加工时间非常接近下界，求得的解基本是问题的最优解．与现有方法相比，这种方法得到的结果较好，计算量较少，求解n个工件的三机床PFSP的计算量相当于O(n^3)。     

基于大规模FSP问题Block性质的SA算法

对于大规模流水线调度问题(FSP),模拟退火算法(SA)中邻域候选解的被接受概率,因邻域增大和邻域中的劣解数的增多而大大降低,SA算法的性能因而大为降低。针对这一问题,提出一种基于FSP问题Block性质的SA算法。将邻域划分成若干个子邻域,用子邻域中的最好解作为候选解,以提高候选解被接受的概率。引入FSP问题的Block性质,减小邻域尺寸,将搜索集中在邻域中“最有希望”的区域,进一步增强算法性能。数值仿真实验表明,该算法能在较短时间内获得大规模FSP问题的近优解。     

一种针对开沟布线问题的混合遗传算法

开沟布线问题(CTP)可以看作最小生成树问题(MST)和最短路问题(SP)的组合而成的组合优化问题.提出适合软件包求解的整数非线性规划模型(INLP)和适合求解大规模问题的混合遗传模拟退火算法(hybrid algorithm,HA),并通过运算实例对两种优化方法的性能加以验证.对实例运算结果的分析,表明这两种新的优化方法可以在问题规模较小时快速找到最优解;规模较大时也可在较短的时间内得到较好的近似解(通过HA实现).     

ERBF network with immune clustering

Based on immune clustering and evolutionary programming(EP), a hybrid algorithm to train the RBF network is proposed. An immune fuzzy C-means clustering algorithm (IFCM) is used to adaptively specify the amount and initial positions of the RBF centers according to input data set; then the RBF network is trained with EP that tends to global optima. The application of the hybrid algorithm in multiuser detection problem demonstrates that the RBF network trained with the algorithm has simple network structure with good generalization ability.     

退火进化规划算法及其收敛性

基于排序的选择方式在一定程度上会导致种群搜索范围变窄,进化规划算法过早收敛。针对此问题,将退火概率与适应度结合的选择方式引入进化规划算法的选择操作,形成了退火进化规划算法(AEP)。然后利用非时齐Markov链对退火进化规划算法进行了描述,并证明了其全局收敛性。数值实验表明,退火进化规划算法能保证种群的全局收敛性,且收敛速度较快,可较好地避免早熟收敛和局部极值。     

Improved Evolutionary Programming Algorithm and Its Application Research on the Optimization of Ordering Plan

Evolutionary programming (EP) with Gauss mutation operator has premature convergence. The main reason is that mutation value produced by Gauss mutation operator is so small that every variable in individual and individual itself may not be mutation. This research improved EP algorithm in three aspects of mutation operator, computation of individual opponent value, and search space. First, Gauss mutation operator is replaced with the improved discrete cosine-transformation operator which can produce a large value of mutation. Application of the formula of dynamic and proportional mutation can adjust every component value dynamically in individual, and the strategy of multiindividual competition enlarges the number of searches greatly within the solution space. Second, a model of complicate ordering business is proposed. Finally, the ordering plan is optimized by using the improved EP algorithm, EP with Gauss mutation operator and random mutation operator in Matlab. The result of simulated experiment shows that precision of the solution using the improved algorithm is demonstrated better than other algorithms. As a result, the improved algorithm has effectively solved the problem of premature convergence.     

去蜂窝大规模MIMO系统功率控制算法

针对移动通信流量需求持续增长的需求, 同时考虑用户接入点选择和下行功率控制, 对去蜂窝大规模多输入多输出(multiple input multiple output, MIMO)系统的用户体验进行优化。基于最大信号干扰加噪声比, 为每个用户选择有效的服务接入点子集。在此基础上, 针对为不同优先级用户提供不同服务质量的目标, 建立长期功率约束下的下行链路加权功率控制优化问题模型。将该问题转化为凸优化问题, 求解得出一组优化的下行链路功率控制系数。算法经仿真验证, 能将去蜂窝大规模MIMO系统的95%用户频谱效率提升约11倍, 同时有效提升高优先级用户的体验, 对于去蜂窝大规模MIMO系统的研究具有一定参考意义。     

综合集成研讨厅问题求解过程中的问题分解研究

在综合集成研讨厅中进行复杂决策问题的求解时,需要将复杂问题进行分解.这方面,国内外问题分解方法的研究主要集中在工作流意义下的任务分解.在分析综合集成研讨厅问题分解的特殊性基础上,提出了综合集成研讨厅中复杂决策问题求解的问题分解自适应模型和算法,探讨了在专家小组内进行问题分解的数学模型.实践表明,该分解方法可避免大规模的修改,加速整个复杂决策问题的结构化进程.     

遗传算法中自适应伸缩搜索空间的方法

在求解优化问题时,与进化策略和进化规划不同,遗传算法依赖于所给定的搜索空间。但对于大多数实际问题,并不知道最优解所在的区域,因而无法给出适当的搜索空间,大大影响了遗传算法的性能。针对这一问题提出了一种自适应伸缩搜索空间的方法,它包括扩展阶段和收缩阶段。前者能够快速找到一个包含全局最优解但较为粗糙的搜索空间,后者则不断地细化这个空间。文中方法可以从任意初始空间出发并很快获得较为精确的上下界。同时,当应用到动态环境时,也能够迅速地适应新的适应度曲面。仿真实验证明了其优越性能。     

进化规划中防治早熟收敛的方法

对进化规划中容易出现的早熟收敛现象做了分析，定义了刻划早熟收敛现象的两个量，针对预防和处理早熟收敛现象，将小生境技术引入EP的竞争选择机制预防早熟收敛的发生，并使用重开始策略来解决早熟收敛发生后搜索如何继续有效进行的问题，引入这两种方法后的进化规划能够很好地克服早熟收敛带来的不利影响，性能得到明显提高，对典型函数的数值仿真实验证明了这两种方法的有效性。     

双目标进化算法求解图着色问题

根据图着色问题的特征,提出了求解图着色问题的双目标模型;设计的有效、简洁的杂交算子和变异算子,均直接产生可行的后代个体;理论分析表明算法以概率1收敛到问题的最优解集.对标准算例进行了仿真实验,结果表明,双目标进化算法可以获得问题高质量的解,即对图进行着色所使用的颜色接近图的色数.     

考虑维修车辆的公共自行车系统再平衡问题

城市公共自行车系统由于不均匀的需求分布,需要进行自行车再分配调度,并且随着系统的使用,待维修自行车的收集和运返也成为日常运营的重要活动.本文研究考虑了自行车运返维护的静态自行车再分配问题,是一种包含正常自行车和待维修自行车的双货物路径规划问题.针对问题建立整数规划模型,提出了基于动态规划的精确算法,并根据问题特性引入两条加速规则.基于多组随机生成算例进行实验计算,并且与CPLEX进行对比,此外还针对维修车辆的数量进行了敏感性分析.计算结果验证了两条加速规则的有效性,所提动态规划算法可以有效地求解该问题.     

求解大规模VCVRP问题的快速动态规划算法

车辆路径问题是一类典型的组合优化问题,大部分研究都只考虑车辆能力固定的情形,实际中受货物形状特性及客户需求变化,车辆的能力是受限变化的,针对能力受限变化的车辆路径问题(varied capacitated vehicle routing problem,VCVRP),基于动态规划理论,提出一种求解大规模VCVRP问题的快速动态规划算法.该算法以传统的最佳适应降序算法(best fit decreasing,BFD)和最小生成树(minimum spanning tree,MST)算法为基础,引入K步回溯,短途优先原则,实现了VCVRP中的货物装箱问题和路由选择问题的近似解耦.同时给出了该算法的优化目标车辆旅程的理论上界,短途优先原则的局部最小的理论分析与证明.最后以乘用车物流运输案例为背景,给出了计算实例,并从算法参数与算例规模多个角度进行求解质量与算法性能的分析.