求解模糊相关机会规划模型的混合差分进化算法

针对不确定规划领域中存在的模糊相关机会规划模型,基于群体智能的差分进化算法,设计一种新的求解模糊相关机会规划模型的混合智能算法．该算法基于粒子群优化算法对差分进化算法进行改进,并运用模糊模拟技术对模糊相关机会规划模型进行分析和数值求解,无需像传统的基于遗传算法的混合智能算法需要很长时间并经过复杂的计算才能得到合理的结果．最后,通过实例表明了所提混合智能算法的合理性和有效性．     

基于XML技术的Web数据集成模型研究

随着互连网的迅速发展和网上数据量的增加,越来越多的应用迫切需要通过网络来交换数据,服务于决策。然而,目前Web数据结构的差异和平台差异给数据的集成带来了实现上的困难。基于此,该文提出了一种基于XML的Web数据集成模型,讨论了该模型的结构和集成方法,及其相对于传统方法的优点。     

连续生产模式下的备件重要性等级评判模型

科学合理地确定备件重要性等级是确定其最佳存储量的重要前提。在深入分析备件重要性等级影响因素的基础上,从模糊数学和灰色理论的角度,提出了备件重要性等级评判的一种方法,并用实例验证了其科学性和可行性。     

基于DE和PSO的混合智能算法及其在模糊EOQ模型中的应用*

设计了融合差分进化和PSO算法优点的混合智能优化算法DEPSO,通过在粒子迭代过程中,随机选择一定数量的粒子进行差分进化操作,增加粒子的多样性,使陷入局部极小的粒子逃出,以保证DEPSO的全局收敛性能,并采用典型测试函数验证了DEPSO的性能。针对模糊相关机会规划EOQ模型求解难题,设计了基于模糊模拟方法和DEPSO的智能求解算法来计算模糊事件的可信性,从而得到了使库存费用不超过预算水平的可信度最大的最优订货量,算例证实了此求解算法的有效性。     

基于数据挖掘的市场营销智能决策支持系统设计

针对现行市场营销决策支持系统在数据集成、历史数据方面、查询功能以及数据分析方面存在的不足，本文分析了市场营销决策特点，讨论了数据仓库、OLAP和数据挖掘技术在市场营销决策支持系统上的应用，并结合XML技术和ROLAP数据模式设计的思想，详细设计了营销智能决策支持系统的体系结构和功能结构。     

资源约束情况下随机性联合采购模型的差分进化算法

针对贴近库存管理实践的随机性联合采购研究严重不足的现状,构建了可用资金和存储空间约束条件下的随机性联合采购模型,该模型属于NP-hard问题,目前缺乏稳定高效的全局优化求解算法.在对标准差分进化算法进行改进并通过典型测试函数进行性能测试后,设计了一种可靠的适用于多约束随机性联合采购问题的自适应混合差分进化算法,并通过一个算例验证了求解算法的科学合理性.通过六个算例的对比分析,验证了所提求解算法的通用性和全局优化能力.     

基于遗传和差分进化算法的备件库存协同控制模型

分析了基于供应成本优化的备件协同控制库存决策模型,为获得全局收敛能力强、速度快,尤其是稳定可靠的新算法,设计了基于遗传和差分进化算法的混合智能求解算法,并通过两个实例与遗传算法、标准的差分进化算法进行了性能对比,显示出了所提算法的优势.基于所设计的算法,分别对用户需求、运输成本和最晚供应到达时间等参数进行了敏感性分析,讨论了数据不确定性对库存协同控制的影响程度,进而给出了不同环境下的供应方式优化建议.     

联合补货策略下的供应商选择和订货量分配协同优化

分析基于联合补货策略的供应商选择与商品订货量分配协同决策问题,设计一种有效的改进差分进化算法(Improved differential evolution,IDE)进行求解.在考虑商品异质性带来的分组约束基础上,构建一种拓展的供应商选择与订货量分配协同决策新模型.对比算例分析表明,IDE在求解此问题及其扩展问题时优于标准差分进化算法和模拟退火算法,随机生成的大规模算例进一步验证了IDE求解此类复杂问题的优越性.     

基于模拟退火的混合差分进化算法及其在联合补货-配送集成优化中的应用

针对差分进化 (Differential evolution, DE)算法搜索效率较低和容易陷入局部最优的缺点,设计了基于SA的混合差分进化算法(SA-based Hybrid DE, SAHDE),以提高DE算法的全局寻优能力。该算法采用自适应变异算子和交叉算子,并结合模拟退火(Simulated Annealing, SA)算法的Metropolis 准则。首先通过标准测试函数对改进的SAHDE进行性能测试,证明了该算法比DE、自适应混合DE (Adaptive Hybrid DE, AHDE)和遗传算法(Genetic Algorithm, GA)更有效。进而将该算法运用到联合补货-配送集成优化(典型NP-hard)问题的求解中,通过大规模的算例分析,证实SAHDE在解决联合补货-配送优化问题比DE、AHDE和GA更有效。     

一种简单有效的求解TSP的混合差分进化算法

设计了基于标准差分进化算法(differential evolution,DE)与遗传算法(genetic algorithm,GA)的混合差分进化算法(hybrid DE,HDE),同时用典型的测试函数对HDE进行性能测试。针对旅行商问题(traveling salesman problem,TSP)的求解难题,给出了采用位置—次序转换策略和HDE的有效求解方法,并测试了Oliver 30个城市的TSP。仿真结果表明,与DE和GA相比,HDE的优势在收敛率、平均最优解以及耗时上都很明显,证明了HDE在解决TSP问题上的有效性和稳定性。