运输能力受限与费用时变批量问题的拉格朗日松弛启发式算法

在多产品、多周期动态批量问题中引入产品的运输成本,每个周期采购的产品通过同一类型的运输工具运输.单位运输工具运载能力受限,每个周期可以使用的运输工具数量有限且单位使用费用时变.根据初始假定建立混合整数规划模型,运用拉格朗日松弛理论,通过约束松弛与模型分解,设计一个启发式算法进行模型求解.通过随机产生的大量实例从计算效果与效率两方面来评价启发式算法.     

求解二层线性规划问题的混合粒子群算法

结合粒子群优化方法和单纯形法为二层线性规划构造了一个混合粒子群优化算法.算法具有两层结构,其中粒子群算法用以求解上层规划问题,单纯形法用以求解下层规划问题.设计的粒子群在上层决策变量的可行城内搜索最优解,同时通过单纯形法求解下层规划问题得到每个粒子相应的下层规划问题的解.算法通过初始种群可行化,以及步长控制、不可行粒子淘汰等技巧避免了使用罚函数处理约束带来的困难,提高了粒子群优化算法的计算性能.最后,我们给出算法的数值例子并对该算法的计算性能加以分析.     

资源受限多项目选择计划模型及其免疫优化决策方案

针对资源受限多项目选择计划问题探讨其数学模型,利用改进的克隆选择算法对其进行求解.算法设计中,利用启发式规则生成初始抗体群;利用变异算子改善进化群体的质量和增强进化群体的多样性;在群体更新中,基于启发式规则,插入新的成员微调进化群体的多样性.数值实验结果说明了模型设计的合理性,以及改进的克隆选择算法的有效性,获得了所建模型的较好决策方案.     

基于粒子群算法的资源均衡

提出了将粒子群算法运用到型号研制项目资源均衡优化问题中的构想,建立了适用于资源均衡优化问题的粒子群算法模型,设计了基于非关键活动动态时差的资源均衡优化粒子群,构建了基于资源强度和活动实际开始时间的评价函数,给出了算法流程,并通过算例的计算分析,应用该算法得到的资源强度比初始方案的降低了88.38%,比P3软件及Project2002的结果分别降低了58.42%、74.48%,验证了该算法的可行性与有效性,同时还获得了若干个次优方案.     

面向社团结构划分的最短路径相异性指数算法

用最短路径距离取代网络中用布朗微粒衡量的两节点之间的距离,在此基础上提出了基于最短路径的相异性指数算法.对算法实现过程进行描述,并将算法应用于存在的研究算法分析实例上,说明该算法可行性.把该算法应用于本文构造的虚拟企业网络的社团划分上,划分结果与预期相符.     

基于改进粒子群优化算法的虚拟企业伙伴选择

在分析基本粒子群优化算法和建立虚拟企业伙伴选择多目标决策模型的基础上,提出了一种求解供应链联盟伙伴选择的优化问题的改进粒子群算法.在优化过程中,该算法以优良适应值粒子取代部分不良适应值粒子,使算法具有过滤能力,加快了搜索速度,并保证了收敛于全局最优解.实验结果用基本粒子群算法进行了验证和比较,表明该改进粒子群算法具有较好的性能和简单快速准确等特点.     

基于自适应初始搜索点预测的目标跟踪算法

为了得到恰当的初始搜索点以使得目标跟踪算法避开背景干扰并缩短搜索距离,提出了一种自适应初始搜索点预测的算法。该算法通过对坐标变换参数的变化率进行Kalman滤波来更好地预测初始搜索点;更重要的是,该算法有效地在线估计Kalman滤波器中的模型噪声功率,而非先验地对它们的取值做出假设,因而能够在没有任何人工干预的情况下动态地根据不同的目标运动状况和搜索精度进行实时调整。大量实景视频流上的实验结果均证实了该算法显著提高了跟踪稳定性,并且大幅降低了计算量。     

一种基于EMD和ANC技术的自适应降噪方法

为了提高分析信号的信噪比,基于经验模态分解和自适应噪声抵消技术,提出了一种新的信号去噪方法。该方法首先对信号进行自适应噪声抵消,然后进行经验模态分解,得到不同尺度上的固有模态函数,再对不同尺度上的固有模态函数进行噪声属性判定,如果不是噪声则选用不同的滤波参数,进行自适应噪声抵消,最后对各尺度上噪声抵消后的信号进行重构,得到去噪后的信号。结果表明,该方法比基于最小均方误差准则的自适应噪声抵消方法更能有效地消除信号中的噪声。     

极值理论(EVT)方法用于受险价值(VaR)计算的实证比较与分析

讨论了根据极值理论 ( EVT)计算受险价值 ( Va R)的两类不同的方法 :基于矩估计的“两次子样试算法”和极大似然估计法 ,并给出了各自理论推导过程和计算步骤 .同时 ,把这两类方法与正态分布和经验分布的结果进行了比较 .应用四种汇率历史数据进行的实证计算表明 ,在极端条件下 ,用极值理论方法估计 Va R具有很高的准确性 ,而矩估计法的结果又优于极大似然估计法 .     

基于神经网络威胁判断模型

将神经网络理论应用于防空指挥控制系统中 ,研究了威胁判断模型 ,实例表明该方法是可行的 .