基于模拟退火的DEAS算法

针对动态编码搜索算法(DEAS)求解全局优化问题容易陷入局部最优解的问题,提出一种基于模拟退火思想的动态编码随机搜索算法。算法的静态数据结构是二进制矩阵,矩阵每一行代表问题的一个维度;动态过程包括增加串长执行搜索和在最优方向的引导下探索两个基本过程。数值实验的结果表明,对非线性的和不连续的多维函数,改进随机算法的性能要优于原始DEAS算法,具有对初始解强的鲁棒性和更强的跳出局部最优解的优点。

Effective prediction of DEA model by neural network

In this paper,a fast neural network model for the forecasting of effective points by DEA model is proposed,which is based on the SPDS training algorithm.The SPDS training algorithm overcomes the drawbacks of slow convergent speed and partially minimum result for BP algorithm.Its training speed is much faster and its forecasting precision is much better than those of BP algorithm.By numeric examples,it is showed that adopting the neural network model in the forecasting of effective points by DEA model is valid.

一种求解柔性作业车间调度问题的改进DRSGA

为了解决柔性作业车间调度问题中权重难以确定导致调度效率低的问题,该文提出了1种改进的动态随机搜索遗传算法（DRSGA）。用功效系数法将所有工件完成时间和机器的总负载转化为单一的最小化目标。基于工序和机器分配2种交叉操作,采用1种双层染色体编码方案进行编码。采用1种可变影响空间评价方法,在保证非劣解均匀分布的同时维护了种群多样性。采用动态随机搜索（DRS）和擂台赛法则调整关键路径中工序的排序,得到最优调度方案。将改进DRSGA与向量评估遗传算法、改进遗传算法和混合遗传算法运行结果进行比较,仿真实验结果表明,改进DRSGA求最优解所用平均时间比3种对比算法缩短了41～257 s。

前瞻动态编码搜索算法

动态编码搜索算法快速高效的求解全局优化问题。算法基本结构是二进制矩阵,它包括对分搜索和单向搜索两个基本过程。针对算法容易陷入局部最优的问题,提出一种改进的全局优化算法:前瞻算法。前瞻算法基于扩大视野、全局把握的思想。测试例子的结果表明,与动态编码搜索算法相比前瞻算法具有较强的跳出局部最优的能力,对高度非线性、强振荡的函数优化问题。

融合蚁群算法框架下区域资源的动态调度模型

针对目前电力作业人力资源调度主要依赖于人工经验的现状,文中提出了基于改进蚁群算法的区域资源动态调度模型。该模型以花费总时间与总成本最小为优化目标,考虑了任务的资源需求、先后顺序等方面的约束条件。同时,结合区域资源动态调度模型的特性,对传统蚁群算法进行了改进设计,提出了优化的编码解码方法、蚁群动态更新机制及2-opt局部搜索方法等策略。算例分析结果表明,所提改进蚁群算法相比于传统蚁群算法具有更快的收敛速度和更高的计算准确度。在实际电力作业调度中,对比传统蚁群算法,所设计模型能够减少总时间约12%,降低总成本约10%。