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.     

求解模糊线性规划问题的拟人化算法

提出一种求解模糊线性规划的拟人化算法．它模拟人的调节过程，将模糊控制思想嵌入到遗传算法的变异与交叉算子之中求解出一个模糊优解，取代了以往利用单纯形求解模糊线性规划问题的一个最优解．实验结果表明，算法有潜力解决实际的规划问题．     

区间线性双层规划的最好最优解

针对目标函数系数和约束条件系数均为区间数的线性双层规划问题,提出了区间线性双层规划的最好最优解和最好最优值的定义,提出了K次最好法来求解最好最优解,并分析了下层目标函数的系数的变动对最好最优解的影响,教值例子验证的该方法的有效性争可行性.     

一种多损失条件风险值的双层规划模型及应用

在两级供应链中制造商与零售商之间的多产品定价与订购问题, 是一个多损失的双层风险决策问题, 可以建立双层规划模型解决. 本文研究了一种多损失条件风险值的双层规划模型, 对于多个损失函数和对应的权值水平, 在给定的置信水平下, 定义了不超过给定损失值的最小风险值(即VaR值)和对应的累积期望损失值(即CVaR损失值) 概念, 然后建立了一个多损失条件风险值的双层规划模型, 该模型的目标是求上下层的多损失CVaR值达最小的最优策略, 我们证明了它可以通过另一个较容易求解的双层规划模型获得最优解. 最后, 给出了两级供应链中多产品的定价与订购的双层条件风险值模型, 通过对2种面包产品销售数据进行计算, 获得了面包制造商的最优批发价和最优回购策略, 及零售商最优订购量.     

求解TSP的改进人工鱼群算法

利用遗传算法的交叉算子,并引入去交叉策略,对人工鱼群算法进行了改进,提出了一种改进型人工鱼群算法,并将该算法用于求解旅行商问题(traveling salesman problem,TSP)这一经典的NP难问题。通过实验仿真与目前TSP已知最优解进行对比分析,结果表明,改进后的人工鱼群算法在种群规模较小,迭代次数较少的情况下也可以收敛到已知最优解。     

具有惩罚因子的模糊资源约束非线性规划问题的模型与方法

建立了一类连续型具有惩罚因子的模糊资源约束非线性规划问题的非对称模型ＰＮＬＰ－ＰＣ。基于模糊最优解集和最优决策集,提出了求解ＦＮＬＰ－ＰＣ模型的精确最优解和满意解的方法,并对一个实例进行了分析。     

考虑库存能力约束的批量问题与定价的联合决策

针对多周期离散时间情形,研究了库存能力约束下如何有效地协调定价决策与批量决策,使得企业利润最大化。建立了非线性混合整数规划模型。分析了最优解的特征,详细讨论了子问题的求解方法。提出了基于动态规划的精确算法,可以在多项式时间内求解出联合决策问题的最优定价与最优生产计划。实验结果分析了库存能力与最优利润、最优生产计划之间的关系。     

几类非线性双层规划问题的混合遗传算法

针对几类具有特殊下层结构的非线性双层规划问题,提出了一种混合遗传算法。首先利用单纯形法的思想设计了新的杂交算子,使杂交个体与种群中好的个体组杂交,从而产生尽可能好的杂交后代;其次对每个相对固定的上层变量值x,通过计算下层最优解y来提高种群个体的可行性,并分析了下层最优解的计算误差对算法性能的影响;最后对于下层存在多个最优解的情况,通过求解一个单层规划,给出了下层最优解的选择方法。数值结果表明该算法是有效的。     

M-限制合作对策的最小二乘解

在经典合作对策中,最小二乘解是使得联盟分配值与联盟收益的期望偏差最小的分配方案,众多单值解可以看作它的特例.为了拓展最小二乘解的适用范围,本文公理化研究M-限制合作对策的最小二乘解,这类对策的联盟收益是否已知仅与联盟中局中人的个数有关.首先,基于经典合作对策的最小二乘解定义了M-限制合作对策的最小二乘解.然后,利用拉格朗日乘子法得到了该最小二乘解的具体表达式及其等价形式,并以此重新解释了最小二乘解的现实意义.最后,为了说明最小二乘解的公平合理性,根据该值与ESL值的关系提出了它的公理体系.第一种公理体系是有效性、对称性、线性、非本质对策性、公平对待性.基于该公理体系,替换部分公理可得到其他的公理体系,比如:公平对待性可替换为联盟单调性或者联盟占优单调性;对称性可替换为基数无异性.另外,如果线性弱化为可加性且非本质对策性强化为策略等价性,则也可以公理化刻画最小二乘解.     

一类不可微规划及其应用

不可微Ｄ．Ｃ．规划是非凸不可微规划中重要的一类。本文利用ε次微分把［４］的最优性必要条件推广到充要条件，得到ε－最优解的几个充分条件和必要条件，并讨论了该规划的应用。     

二层线性规划的有效解

在容许集有界且二层线性规划存在最优解是相应双目标规划有效解的假设下,证明了有效最优解可在容许集的顶点达到。给出了二层线性规划的解的更为合理的有效化方法,并用算例对各种有效化方法所得的有效解进行了比较。     

THE COMPARISON-NUMBER METHOD FOR FINDING MAJOR OPTIMAL SOLUTIONS AND MAJOR EFFICIENT SOLUTIONS OF THE DISCRETE MULTIOBJECTIVE PROGRAMMING

In this paper, we introduce the comparison number for one feasible solutioncompared with another. With the help of it the comparison-number method for find-ing the major optimal solutions aud major efficient solutions to discrete multiobjectiveprogramming is given.     

多目标动态规划分层解法与Pareto最优解

本文指出了文[2]关于多目标动态规划分层解法结论的错误性, 证明了一个字典序最优解一定是Pareto最优解, 一个由分层解法得到的最优解一定为弱Pareto最优解, 并且可以通过修改分层解法得到的最优解集得到一个Pareto最优解集。     

伪凸二次规划的最优解集

寻找数学规划问题的多个最优解乃至最优解集是一项有理论价值和实践意义的工作,因为决策者可以从多个最优解中挑选其满意的最佳方案。然而,目前有关寻求非线性规划问题多个最优解的研究还比较少见且存在局限性。研究了伪凸目标函数的二次规划问题,首先提出和证明了最优解集的特征,然后借助于求解带有人工变量的辅助线性规划全部最优解的方法,提出了伪凸二次规划有唯一最优解的条件,并在不满足该条件的情况下,通过寻找辅助线性规划的最优解集以获得伪凸二次规划的最优解集。最后给出了两个算例以说明方法的有效性。     

求解随机规划问题新方法——优劣解法

随机规划最优化,即使随机规划的目标函数最优化,达到最优值。那么怎样求随机规划目标函数的最优值呢?设随机规划问题min z=c′x,C为n维随机列向量,x为n维列向量,D为约束域。求其在满足约束条件下随机目标函数的最优值z~*=c′x~*。而如何判断随机变量是最小的呢?下面就此讨论,从而提出比较随机变量的方法。     

Determining the Optimal Solution Set for Linear Fractional Programming

1 .ＩＮＴＲＯＤＵＣＴＩＯＮＬｉｎｅａｒｆｒａｃｔｉｏｎａｌｐｒｏｇｒａｍｍｉｎｇｒｅｆｅｒｓｔｏｎｏｎｌｉｎｅａｒｐｒｏｇｒａｍｍｉｎｇｐｒｏｂｌｅｍｓｏｆｏｐｔｉｍｉｚｉｎｇｔｈｅｒａｔｉｏｏｆｔｗｏｌｉｎｅａｒｆｕｎｃｔｉｏｎｓｉｎｔｈｅｐｒｅｓｅｎｃｅｏｆｌｉｎｅａｒｃｏｎｓｔｒａｉｎｔｓ .Ｉｎｇｅｎｅｒａｌ,ｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｏｆｔｈｅｍａｔｈｅｍａｔｉｃａｌｐｒｏｇｒａｍ ｍｉｎｇｆｏｒｍｅｄｉｎａｃｔｕａｌｂｕｓｉｎｅｓｓｍａｎａｇｅｍｅｎｔｓｉｔｕａｔｉｏｎｓｐｒ…     

含等式约束的全系数模糊线性规划

对全系数模糊线性规划当中具有等式约束条件的情况进行了讨论 .指出其等式约束不能象普通线性规划那样简单地转化为不等式约束条件 ,推广了不仅含有不等式约束而且含有等式约束的全系数模糊线性规划的求解方法 .同时 ,本文采用将模糊规划的最优解仍然定义成模糊集这种更为灵活和更为广泛的定义形式.     

CONVEXIFICATION AND CONCAVIFICATION METHODS FOR SOME GLOBAL OPTIMIZATION PROBLEMS

In this paper, firstly, we propose several convexification and concavification transformations to convert a strictly monotone function into a convex or concave function, then we propose several convexification and concavification transformations to convert a non-convex and non-concave objective function into a convex or concave function in the programming problems with convex or concave constraint functions, and propose several convexification and concavification transformations to convert a non-monotone objective function into a convex or concave function in some programming problems with strictly monotone constraint functions. Finally, we prove that the original programming problem can be converted into an equivalent concave minimization problem, or reverse convex programming problem or canonical D.C. programming problem. Then the global optimal solution of the original problem can be obtained by solving the converted concave minimization problem, or reverse convex programming problem or canonical D.C