基于元胞自动机的车间天车调度仿真模型

为了解决NP难问题的车间天车调度问题,基于元胞自动机方法建立了车间天车调度仿真模型.用工位、天车、物料、作业调度规则描述天车调度系统,将工位作为模型网络的固定节点、天车为移动节点、吊运的物料为运动粒子;根据车间生产的特点设定工位、天车和物料的属性,抽象出该模型的自组织演化机制.以攀钢板坯连铸车间天车调度为对象的仿真实验表明:根据微观动力学局域作用机制和自组织演化思想建立的天车调度仿真模型方法是可行的,能有效模拟车间天车运行情况.     

量子连续粒子群优化算法及其应用

提出了基于量子理论的连续粒子群优化(Continuous Particle Swarm Optimization based on Quantum Methodology, CPSO-QM)算法,主要是采用了量子理论中的叠加态特性和概率表达特性.其中,叠加态特性可以使单个粒子表达更多的状态,潜在地增加了种群的多样性;概率表达特性是将粒子的状态以一定的概率表达出来.在基准函数的实验测试中,对比其它常用算法,结果显示本文提出的算法性能较好.在实际应用中,以丙烯腈反应器作为建模研究对象,提出了三种进化策略,实验结果显示,这三种策略训练的神经网络软测量模型都可以较好地预测丙烯腈的收率.     

基于操作轨迹LPV模型的非线性辨识

提出一种基于操作轨迹LPV模型的非线性辨识方法:根据调度变量的操作轨迹,选取若干个典型工作点;在各个典型工作点,进行测试与辨识相应的线性模型;然后,根据工作点测试数据以及各工作点间的过渡数据,辨识出全局插值LPV模型.它降低了测试辨识成本,且算法简单可靠,仿真结果表明了该算法的有效性.     

基于CBR的水库洪水调度模式

由于水库洪水调度问题的复杂性和不确定性,单纯利用调度模型进行洪水调度在实际应用中往往存在一些问题.为了使理论研究尽可能与实际应用相结合,将人工智能中的基于事例推理(CBR)技术引入到水库洪水调度中,将以往的洪水调度事例作为历史事例以一定的结构和方式存储在事例库中,对于新的洪水调度问题,从事例库中寻找相似的事例,并根据其调度方案,确定新问题的解决方案.实际算例表明,对于水库洪水调度问题,基于事例推理的水库洪水调度能充分的将以往的调度经验和调度模型结合起来,使得调度结果更合理、可行, 具有较强的实用性.     

基于信息熵的公交线网优化方案余弦排序

针对公交线网优化方案的排序问题,在对公交线网的优化目标和约束条件进行量化处理的基础上,利用余弦公式,建立了公交线网优化方案的余弦排序模型。 该模型在定义指标线段和理想指标线段的基础上,通过对决策方案与理想方案中指标线段和理想指标线段之间夹角余弦值的大小比较,得到公交线网优化的最佳决策方案。应用结果表明该模型能够较好地反映城市公交线网的实际情况,解决优化目标的权重分配问题,是一种很有效的公交线网优化方案排序方法。     

基于鲁棒离散优化方法的ATIS路径诱导

针对ATIS下的路径诱导中路段旅行时间不确定的问题,提出一种鲁棒优化方法.把旅行时间看作不确定参数,通过鲁棒对等式的转换建立鲁棒离散优化模型.把不确定的0-1整数规划问题转化为确定的0-1混合整数规划问题.对模型中数据的不确定性得到的鲁棒解有较高的概率保证它是可行的,且转化后的鲁棒对等式模型具有容易处理的线性优点.仿真结果表明,该方法更加符合实际的路径诱导问题.     

动态投资组合风险控制策略

从股市上采集的大量股票收益率数据表明,前后相邻的股票收益率数据呈现出一定程度的依赖关系,即前期收益率呈现出大的波动幅度,紧接着后期收益率也呈现出大的波动幅度,这样的波动特点被称之为"波动聚集性","风险传染性",在金融计量上,通常用收益率的方差来定量刻画收益率的波动幅度的大小和相应收益率风险的大小,因此本文选用能准确拟合金融资产收益率方差的GARCH模型来刻画金融资产收益率的这种"风险传染性",在此基础上应用协同持续思想构建了投资组合的风险优化控制模型,并求得了相应最优投资组合权重.选取6支股票作了实证检验.检验结果表明,按该模型配王的投资组合收益率长期被控制在较小的风险范围,在统计上亦表现出较高的夏普比.     

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.     

基于进度优化的大型项目激励机制模型

在项目管理实践中,业主通常会设立激励机制以确保项目按期完成,而承包商则会根据业主设定的激励机制合理安排项目进度.本文讨论了大型项目的激励机制,研究了业主和承包商的决策问题,建立了以项目收益净现值最大化为目标函数的Stackelberg主从递阶决策模型.通过各子项目激励强度的设定对激励机制进行优化,协调业主和各承包商的利益关系,进而实现业主收益的最大化.     

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.