农业物流绩效评价的ANP方法

为评价农业物流绩效的优劣,提出了基于网络分析法(ANP)的评价模型。利用该法的优点是在分析过程中可以考虑各个指标之间难以避免的相互影响和制约关系。将农业物流划分为3个主要方面,提出了农业物流的评价指标体系,并在此基础上建立了指标非线性的多指标综合评价决策模型,最后给出数值例子说明方法的有效性。图2,表2,参6。

山东半岛城市群CBD簇发展前瞻分析与对策研究

分析了构筑山东半岛城市群CBD簇的必要性与可行性,对半岛城市群CBD簇的聚集效应和辐射效应进行了深入探讨,提出了山东半岛城市群CBD簇的区位优化对策和若干发展建议,以期为山东半岛城市群的建设规划提供决策依据。

农村产业结构布局优化的数学模型及其稳定性分析

本文主要介绍作者多年来在农业生产结构优化研究中构造的数学模型。

农村经济区划聚类分析方法及软件系统

提供农村经济区划的指标体系、聚类分析方法及实现这一方法的软件系统。在济南市农村经济区划工作中使用,取得令人满意效果。实践证明,本软件为农村经济区划工作提供了方便、有力的工具。

多目标优化问题的粒子群算法仿真研究

研究了一种用于求解多目标优化问题的粒子群算法(CMMOPSO)。该算法采用外部存档存储每一代产生的非劣解,并且采用拥挤距离来维持外部存档规模,同时提出一种新的全局最优粒子的选取策略(基于拥挤距离和收敛性距离)来提升粒子向Pareto前沿飞行的概率;为提升种群跳出局部最优解的能力,以一定的概率对外部存档中粒子进行变异操作。通过典型的多目标测试函数对提出的算法进行检测,结果表明,CMMOPSO算法在求解多目标问题上有一定的优势。因此,CMMOPSO可以作为求解多目标优化问题的有效算法。

基于交叉和变异的多目标粒子群算法

为了保证粒子群算法求得的非劣解尽可能接近真实的Pareto前沿并保持多样性分布,提出一种基于交叉和变异的多目标粒子群算法(CMMOPSO)。在CMMOPSO中,首先识别Pareto前沿的稀疏部分包含的粒子,并对这些粒子进行交叉操作以增加多样性分布;接着对远离Pareto前沿的粒子进行变异操作,以提升粒子向真实的Pareto前沿飞行的概率。在基准函数的测试中,结果显示CMMOPSO比其他算法有更好的运行效果。

面向Web的数据仓库体系设计

首先简要论述XML语言,然后对数据挖掘、数据仓库的特点及当前发展中遇到的挑战进行分析,在此基础上,利用XML提出了一种面向Web的数据仓库设计体系,从理论上简化了对数据仓库的操作、挖掘。

基于正态云的粒子群优化算法及其应用

为辨识非线性系统Hammerstein模型,将非线性系统的辨识问题转化为参数空间上的优化问题,提出一种基于正态云模型的改进粒子群算法(NCPSO)。该算法采用动态变异概率,对全局最优粒子和粒子自身最优位置进行正态云变异,以产生新的粒子引导种群的飞行,有效避免早熟收敛。采用一种广义学习策略,提升粒子向最优解飞行的概率,将NCPSO算法用于对Hammerstein模型的辨识,相比其他算法,该算法辨识精度较高。

求解约束优化问题的多目标粒子群算法

提出一种多目标粒子群算法处理约束优化问题(MOCPSO)。首先将约束优化问题转换为多目标问题;然后给出一个不可行阈值来充分地利用不可行粒子的信息引导种群的飞行,并提出一种粒子间的比较准则以比较它们的优劣;最后,为了增加种群的多样性,提升种群跳出局部最优解的能力,引入高斯白噪声扰动。选取有代表性的标准测试函数对MOCPSO算法的性能进行仿真实验,相比较其他算法,结果显示MOCPSO算法是求解约束优化问题的有效算法。

基于自适应动态邻居和广义学习的改进粒子群算法

为了克服粒子群算法在求解多峰函数时极易陷入局部最优解的缺陷,提出一种基于自适应动态邻居广义学习的改进粒子群算法(ADPSO)。在ADPSO算法中,根据每个粒子邻居中最好运行粒子的状态动态地调整邻居拓扑结构;每个粒子的学习样本包括全局最优粒子、自身最优粒子和粒子邻居中最优运行粒子;并且在新产生的粒子位置上,加上一个随机位置以增加粒子向全局最优解移动的概率。在基准函数的测试中,结果显示ADPSO算法比其他PSO算法有更好的运行效果,是求解多峰问题的一种有效算法。

基于动态多种群的多目标粒子群算法

研究进化算法在求解多目标优化问题时,极易陷入到伪Pareto前沿(等价于单目标优化问题中的局部最优解),为了提高优化过程,提出一种基于动态多种群的多目标粒子群算法(DMSMOPSO)。在DMSMOPSO算法中,为了增加种群的多样性,提升粒子跳出局部最优解的能力,采用多子群进行搜索并且子群是动态地进行构建;采用K-均值聚类算法确定每个子群的搜索行为,提升种群向全局最优位置飞行的概率;根据目标函数的优化难度。通过典型的多目标测试函数和工程上的实际应用对算法进行仿真,仿真结果表明DMSMOPSO比其它算法优越,证明DMSMOPSO可作为求解多目标优化问题的有效算法。

农业结构优化决策支持系统的数据指标体系及数据仓库设计

分析了农业结构优化支持系统中的数据指标体系 ,根据农业数据的特点设计了农业数据的数据仓库结构 。

基于正交设计的多目标粒子群算法

为了提升粒子群算法求解多目标问题的能力,通过分析初始种群的方法对算法的影响,提出一种基于正交设计的多目标粒子群算法(ODMOPSO)。在算法运行过程中,通过正交设计来产生初始种群,使得种群均匀分布在可行区域,进而使得算法能够在整个可行解空间上进行均匀搜索;同时,引入广义学习策略提升粒子向Pareto前沿飞行的概率。在基准函数的测试中,结果显示ODMOPSO算法获得了质量更高的解。

一种自适应多样性保持的多目标粒子群算法

提出一种自适应多样性保持的多目标粒子群算法(ADMMOPSO)。该算法引入多样性保持阈值(λα)来控制非劣解的分布,当多样性指标高于阈值λα时,引入一种基于网格的全局最优粒子的选择策略增加种群向真实Pareto前沿收敛的概率,并提升非劣解的多样性。通过4个测试问题和3个测试标准,并与其他算法进行比较,结果表明ADMMOPSO获得了质量较高的非劣解。

基于自适应拥挤网格的多目标粒子群算法

粒子群算法求解多目标问题极易收敛到伪Pareto前沿(等价于单目标优化问题中的局部最优解),并且收敛速度较慢。鉴于此,提出一种基于自适应拥挤网格的多目标粒子群算法(ACG-MOPSO)。其特点包括:利用自适应网格和拥挤距离确定外部存档中粒子的密度,并利用密度信息维持外部存档的规模;利用外部存档中非劣解的密度和拥挤距离信息确定全局最优粒子,提升粒子向Pareto前沿收敛的概率。模拟结果表明该算法在求解多目标问题上要优于其它算法。

基于XML的数据仓库系统

本文对XML语言特点及其应用于数据仓库的优势进行了分析。并在此基 础上,利用XML设计了一数据仓库体系,达到了数据整合、信息整合和 服务整合的目的,从而在理论上大大简化了数据仓库的查询和操作。

基于二进制交叉和变异的粒子群算法及应用

粒子群算法在求解多峰问题时极易陷入局部最优解,提出了基于模拟二进制交叉和多项式变异的粒子群算法(SPDPSO)。在该算法中,为了更好地利用每个粒子的历史信息,引入了外部存档存储每个粒子的最优位置(pbest);同时,对外部存档中的pbest进行二进制交叉,而对新产生的全局最优粒子进行多项式变异。基准函数的测试结果显示,SPDPSO算法在求解多峰问题上有一定的优势。在实际应用中,以TSP为研究对象,结果显示SPDPSO算法获得了比其它算法更好的解。

物流客户服务水平的模糊评价方法

提出了一套评价物流客户服务水平的较为系统、完整的指标体系,在此基础上结合模糊数学的思想给出了物流客户服务水平的模糊评价方法,该方法有利于定性指标的定量化,实际算例验证了这一方法的易操作性和有效性。

期望和残差收益估计不可靠的鲁棒模型

投资优化问题的最优策略会随着输入参数的扰动而出现敏感的变化,针对投资优化问题中出现的随机变量的参数估计不可靠的情况,本文引入不确定集合描述随机收益的有关矩信息,提出了投资优化问题的一个鲁棒性模型,并采用数学规划的理论和方法,给出了该模型的最优策略和有效前沿的解析表示。本方法能够为采用保守策略的、对不确定性厌恶的投资者提供一种最优的投资策略。

随机流量网络中流量分配控制的多目标优化研究

现实世界的网络比如:物流网络、通信网络、交通网络,电网等可以被抽象成一个随机流量网络。以传输成功率和整个传输所花费的成本为目标,对随机流量网络上流量的分配控制的多目标优化问题进行了研究。采用MPs的概念对问题建模,大大简化了模型的复杂程度。最后提出一个多目标遗传算法,通过实例验证,该算法较好地解决了随机流量网络上的流量分配控制问题。