关于一类半无限多目标规划离散型算法的偏差估计

本文将文献[5]中的偏差估计公式推广到有任意多个目标函数和α∈(0,+∞)的情形并给出约束参数集维数可任意的数值例子.

非线性约束的半无限多目标规划离散型算法偏差估计

讨论一类具有非线性约束的半无限多目标规划离散型算法的偏差估计并给出相应的计算公式.

一种半无限多目标规划离散型算法的偏差估计

讨论一类半无限多目标规划离散型算法的偏差估计与算子逼近的关联,并给出相应的计算公式.

基于区间型数据离散化算法的电力应急物资供应质量可追溯模型研究

针对当前供应链时间参数计算能力较差,导致追溯模型使用后异常物资召回率较低的问题,设计基于区间型数据离散化算法的电力应急物资供应质量可追溯模型。确定电力应急物资供应周期,分析了电力应急物资供应质量关系;计算应急物资供应链时间参数,为模型的构建提供时间参考量。整合各类参数,构建区间型数据离散化物资质量可追溯模型。实验结果表明,模型具有可行性,且可有效提升异常物资召回率,保证了应急物资管理效果。

离散型增强烟花算法和kNN在特征选择中的研究

特征选择是从原始特征集中选取特征子集,并且降低特征维度和减少冗余信息,从而达到提高分类准确度的效果。为了达到此效果,提出了新的特征选择算法。该算法使用经过离散化处理之后的增强烟花算法来搜索特征子集,同时将特征子集和经过惩罚因子处理之后约束条件融入到目标函数中,然后将搜索到的特征子集的数据放到kNN分类器进行训练和预测,最后使用十折交叉验证来检验分类的准确性。使用UCI数据进行仿真实验,仿真结果表明:与引导型烟花算法、烟花算法、蝙蝠算法、乌鸦算法、自适应粒子群算法相比,所提算法的总体性能优于其他五种算法。

联合井式电阻炉神经网络离散型Hopfield算法的建模与仿真

文章利用强大的数学计算工具—MATLAB语言及SIMULINK仿真技术,采用离散型(DiscreteHopfieldNeuralNet,DHNN)Hopfield算法,对具有典型非线形、大滞后、强耦合的复杂系统—联合井式电阻炉进行建模与仿真研究,同时在工业现场初步加以应用,收到了很好的效果,为工程决策提供科学依据。

基于改进离散型麻雀搜索算法的配电网恢复重构方法

针对传统智能优化算法在恢复重构中搜索空间大、不可行解多,且易早熟收敛、效率低等问题,提出了一种基于改进离散型麻雀搜索算法的配电网恢复重构方法。利用配电网每生成一个环路需断开一个开关来保持其辐射状的思想,采用基于有序环矩阵的整数编码方式对多个环路内的开关状态进行编码。结合Sin混沌映射、Metropolis和扰动机制设计了改进的离散型麻雀搜索算法,并将其应用于配电网恢复重构模型的求解。大量仿真表明所提方法能有效实现恢复重构,使重构后配电网的供电可靠性和供电质量得到改善。

基于MapReduce改进离散型萤火虫算法和多重分形的属性约简方法

针对大数据环境下属性约简问题,提出基于MapReduce改进离散型萤火虫算法(IDGSO)和多重分形(MFD)的属性约简方法.首先,通过对萤火虫个体的移动方式进行离散化改进,引入迁徙策略和高斯变异策略,避免陷入局部最优,并提出改进离散型萤火虫算法.然后,将IDGSO结合MFD应用于属性约简中.最后,针对大数据环境下属性约简问题,采用MapReduce编程模式,实现对IDGSO和MFD的并行化.在UCI数据集和实际气象数据集上的实验表明,文中算法约简性能较优,运行效率较快,具有较好的有效性和可行性.

离散型细菌觅食算法求解TSP

旅行商问题(TSP)是组合优化问题的典型代表,针对TSP的求解提出一种离散型细菌觅食(DBFO)算法。该算法通过结合2-opt算法设计了一种适合处理离散型变量的趋化算子,将细菌觅食算法推广到了离散情形。同时,结合TSP的特点,在迁徙算子中引入基因库的思想来指导新个体的生成,提高了算法的搜索效率。通过对TSPLIB标准库中22个实例进行仿真实验。实验结果表明,该算法能够有效求解城市规模500以下的TSP,与混合蚁群算法和离散型萤火虫群算法相比,具有更好的全局收敛性和稳定性。

改进的离散型萤火虫优化算法求解柔性作业车间调度问题

针对传统的群智能优化算法在求解柔性作业车间调度问题(FJSP)时,存在寻优能力不足且易陷入局部最优等缺点,本文以最小化最大完工时间为目标,将萤火虫算法(FA)用于求解柔性作业车间调度问题,提出一种改进的离散型萤火虫算法(DFA)。首先,通过两段式编码建立FA连续优化问题与FJSP离散优化问题之间的联系;其次,设计一种群初始化方法,以确保初始解的质量以及多样性;然后,提出改进离散型萤火虫优化算法并引入局部搜索算法,加强算法的全局搜索能力和局部搜索能力;最后,对标准算例进行仿真,验证DFA算法求解FJSP的有效性。通过与遗传算法和粒子群优化算法进行仿真对比,表明了DFA求解FJSP的优越性。

基于多目标VRP的离散型萤火虫算法研究

以车辆路径问题为准,对萤火虫算法进行研究。建立了以最小化车辆数量和行驶路程为目标的多目标规划数学模型,提出一种结合变邻域搜索算法的离散型萤火虫算法。该离散型萤火虫算法的特色之处在于:重新定义了个体的生成方式和距离移动方式;采用变邻域搜索技术以增强算法的邻域搜索能力;在搜索过程中采用随机个体替代种群中的重复个体以维持种群的多样性;采取精英策略记录迭代过程中的最优解。通过不同规模的Solomon算例进行仿真实验,结果表明所提算法无论是在车辆数量还是行驶路程的求解质量都取得了很好的效果。

改进离散型飞蛾扑火优化算法求解柔性作业车间调度问题

针对以最小化最大完工时间为目标的柔性作业车间调度问题(FJSP),提出一种改进离散型飞蛾扑火优化算法(IDMFO)。首先,基于集成法的求解思想设计两段式编码转化机制,建立染色体连续空间与问题离散决策空间的映射关系;其次,采用有效的种群初始化方法,保证种群的多样性和质量,加快算法收敛速度;然后,为了进一步提高算法的全局搜索能力,设计新颖的随机更新算子和基于Levy飞行轨迹的随机游走策略;最后通过标准算例测试及与其他算法求解结果的对比,验证了IDMFO算法在求解FJSP问题方面的有效性和优越性。

一种多班级离散型教与学算法求解路径规划问题

为优化仓储拣货路径,缩短拣货距离,根据仓储布局条件建立了拣货路径优化模型,构造了货位间距离矩阵,基于基本教与学算法步骤设计了一种离散型教与学算法进行模型求解,为提高算法求解效率和搜索能力,在算法中引入优秀插班生策略和自学策略,给出一种多班级离散型教与学算法。为验证本文算法的有效性,对算法进行了实例测试,并与原算法进行对比,测试结果表明本文算法能够解决仓储路径规划问题,对比结果表明引入优秀插班生策略和自学策略后算法的收敛速度和搜索能力得到一定提升。

基于离散人工蜂群算法的云任务调度优化

针对现今云计算任务调度只考虑单目标和云计算应用对虚拟资源的服务的质量要求高等问题,综合考虑了用户最短等待时间、资源负载均衡和经济原则,提出一种离散人工蜂群(ABC)算法的云任务调度优化策略。首先,从理论上建立了云任务调度的多目标数学模型;然后,结合偏好满意度策略并引入局部搜索算子和改变侦察蜂搜索方式,提出多目标离散型人工蜂群(MDABC)算法的优化策略。通过不同的云任务调度仿真实验,显示了改进离散人工蜂群算法相对于基础离散人工蜂群算法、遗传算法以及经典贪心算法,能够得到较高的综合满意度,表明了改进离散人工蜂群算法能够更好地改善虚拟资源中云任务调度系统的性能,具有一定的普适性。

小微企业信用风险评估的IDGSO-BP集成模型构建研究

针对传统BP神经网络在小微企业信用风险评估实际应用中,随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及运算结果误差较大等缺陷,借助群智能萤火虫(GSO)算法,提出一种基于改进离散型萤火虫(IDGSO)算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型。该模型以BP神经网络为基本框架,在学习过程中引入离散型萤火虫算法,优化设计神经网络的网络结构与连接权值,得到一组相对合适的权值与阈值,再进行新一轮网络训练,以"均平方误差最小"为评价准则,产生网络的输出结果,以此建立小微企业信用风险评估模型。其仿真实验结果表明,该模型在收敛速度及运算精度方面较传统BP神经网络模型、遗传GABP模型及连续GSO-BP模型有较明显优势。因此,IDGSO-BP模型可以有效提高小微企业信用风险评估的准确性。

一种基于特征子集区分度优化的分组特征选择算法

针对现有特征选择算法大多对特征之间的结构化效应考虑不充分、可能导致所选择出的特征集存在冗余、进而影响算法效率和代表特征精确度的缺点,提出一种基于特征子集区分度优化的分组特征选择算法.该算法基于相关性强的特征其系数距离也较近的假设,首先引入分组标识矩阵,构建基于距离的组内特征相关性和组间特征区分度的度量标准,将分组特征选择问题转换为0-1多目标优化问题;其次,引入离散型粒子群算法,优化分组标识矩阵,使得组间区分度和组内相关性同时尽可能大,最终自适应确定最优分组结构.在UCI标准数据集上的对比实验结果表明,本文所提算法可以很好地识别特征中蕴含的分组结构,与现有代表性算法相比,该算法具有更高的分类预测精度.

基于萤火虫算法带时间窗的双向配送调度

针对带时间窗的双向配送调度问题,重新建立新的带多目标的数学模型,提出一种离散型萤火虫算法和编码策略,并重新定义了个体交叉变异移动公式。同时,根据萤火虫编码个体之间的逻辑距离,构建邻域集合,提高局部搜索能力。并引进个体历史最优记忆功能,加快收敛速度。最后利用随机数和求余函数对编码个体进行扰动,防止过早陷入局部极值。通过仿真案例实验验证了算法的有效性。

粒子群算法在分布式ETL任务调度中的应用

随着分布式数据环境越来越复杂,ETL工具要面临数据源多、分布地域广和海量数据等因素带来的挑战。原有的集中式ETL工作流优化理论不能满足现在复杂数据环境的要求。介绍了如何将基于置换的离散型粒子群算法应用到分布式ETL任务优化调度问题上,主要工作围绕ETL工作调度模型、算法编码设计、目标函数选择等内容来展开,给出了分布式ETL工作调度策略的实现过程和伪代码。理论分析和实验证明了实际应用的有效可行性。

考虑空间众包工作者服务质量的任务分配策略及其萤火虫群优化算法求解

针对空间众包中的任务分配问题,考虑空间众包工作者的服务质量对分配结果的影响,从而提出了一种加入了工作者服务质量评价的任务分配策略。首先,在每个时空环境下,加入工作者的评价要素以建立充分考虑工作者服务质量和距离成本的多目标模型;其次,通过改进离散型萤火虫群优化算法的初始化及编码策略、位置移动策略、邻域搜索策略使算法收敛速度加快、全局寻优能力提高;最后,利用改进后的算法来求解模型。在模拟和真实数据集上的实验结果表明,该算法在不同规模数据集上较其他群智能算法可提高2%~25%的任务分配总得分。该算法考虑了工作者的服务质量后,可有效提高任务分配效率和最终总得分。

基于改进斑点鬣狗算法的作业车间协同调度

针对分布式柔性作业车间调度问题,构建以最小化最大完工时间和最小化能耗双目标车间模型,提出一种离散型斑点鬣狗算法。首先,采用一种随机型离散编码方法对斑点鬣狗特征信息进行编码,生成斑点鬣狗的初始位置,根据作业负载规则得出初始解,以加快算法初期的收敛速度;其次,采用贪婪启发式算法对初始解进行作业冗余置换,跳出局部最优解,生成新的作业顺序,再次进行迭代,得到最优作业方案;最后,通过仿真实例检验算法的性能,结果表明改进的斑点鬣狗算法在相对百分比偏差、最佳实验方案和算法稳定性方面优于其他智能算法。