基于混合平衡优化算法的疫苗配送路径优化

针对疫苗配送路径优化问题,在同时考虑固定成本、运输成本、制冷成本、碳排放成本和惩罚成本的情况下,提出以疫苗配送成本最小化为目标的车辆路径优化模型。为求解模型,在平衡优化器算法中引入模拟退火算法,改进平衡优化器算法容易陷入局部最优的不足,通过加入可变参数,提升算法平衡全局搜索和局部寻优的能力,得到一个能够稳定求出较高质量解的混合平衡优化算法。对2种不同规模的算例分别进行20次实验,将混合平衡优化算法与并行平衡优化算法、知识型蚁群算法、混合变邻域搜索算法、改进混合粒子群算法和平衡优化器算法进行对比。实验结果表明,混合平衡优化算法在小规模算例和大规模算例下得到的最小配送成本和配送成本的标准差都小于其他5种算法,其中,在小规模算例下进行实验后得到的最小配送成本分别为其他5种算法的73.5%、53.9%、69.1%、64.1%和33.4%。

含有压缩因子的粒子群优化灰色模型在智能电网中的应用

针对智能电网对用电量预测的需求和电力系统的负荷特性,在分析了灰色模型GM(1,1)的局限性以及基本粒子群算法在优化GM(1,1)背景值时所出现的不足的基础上,构建了具有压缩因子K的粒子群算法,以此来改进灰色模型的背景值,提出了含有压缩因子的粒子群优化灰色模型KPSO-GM,并把它用于智能电网中用电量预测。实例证明,该算法具有较高的预测精度,有利于提高智能电网的质量。

面向数据中心虚拟机部署的智能优化策略

虚拟机部署问题是影响数据中心性能的关键问题之一.文中综合考虑资源损耗、系统功耗和负载均衡度,提出面向数据中心虚拟机部署的智能优化策略.该策略首先建立虚拟机部署优化的多目标数学模型,然后将虚拟机部署问题抽象为装箱问题,最后提出基于改进的自适应离散型人工萤火虫群优化算法的优化策略.仿真实验表明,文中的自适应离散型人工萤火虫群优化算法具有较强的鲁棒性和较快的收敛速度,提出的智能优化策略能有效解决虚拟机部署问题.

面向高端装备制造协同优化的人工智能方法研究综述与展望

高端装备制造能力是一个国家综合竞争力的重要体现,面向高端装备制造协同优化问题设计基于人工智能的调度决策方法,对于提高高端装备智能制造协同效率具有重要意义。将高端装备制造过程协同优化问题分为制造与库存协同优化、制造与配送协同优化、制造与组装协同优化和制造与维修协同优化4类具有不同特点的问题,并分析了这4类问题的研究现状;从时间优化、成本优化和能源优化的角度,综述了解决上述4类协同优化问题的人工智能方法;在此基础上,提出了面向高端装备制造协同优化的人工智能方法的未来研究方向。

基于双精英进化樽海鞘群算法优化ELM的焦炭价格预测

焦炭是焦化企业生产的重要工业原料之一,准确地预测其未来价格趋势对焦化企业制定排产计划具有重要意义。极限学习机(ELM)泛化能力强,计算速度快,适合作为焦炭价格预测的模型,但ELM的预测性能受模型关键参数影响较大,故需对其参数进行优化。基于此,文中提出了基于双精英进化樽海鞘群算法的ELM焦炭价格预测方法。首先,采用Logistic混沌映射、改进的收敛因子、自适应惯性权重和双精英进化机制来改进樽海鞘群算法,提出了双精英进化樽海鞘群算法(MDSSA),提高算法的搜索能力;其次,运用MDSSA优化ELM的连接权值与阈值,找到ELM的最优参数组合,构建MDSSA-ELM焦炭价格预测模型;最后,在8个基准测试函数上测试MDSSA的收敛性能,在实际焦炭价格数据集上对MDSSA-ELM模型的预测性能进行实验,实验结果表明,MDSSA-ELM相比其他方法预测能力更优,MDSSA相比其他群智能算法搜索能力更强,为焦化企业实现焦炭智慧排产提供了有效的预测工具。

上市公司ESG责任履行的价值影响机制检验

以2010~2021年A股上市公司数据为样本,基于信息不对称和利益相关者等理论,构建一个有调节的链式中介模型,探究ESG责任履行的价值影响机制。结果表明:良好的ESG责任履行能够提高企业价值,并存在“ESG责任履行—融资约束—投资效率—企业价值”这一链式中介路径。高管海外背景越强,企业通过ESG责任履行来缓解融资约束对降低非效率投资、促进企业价值创造的影响作用越强。本研究丰富了ESG链式中介的价值影响路径,深入探讨了个人层面高管背景特质对ESG价值创造的影响,为企业投融资业务整合,推进人才引进战略提供了有益指导。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

案例决策技术及案例决策支持系统研究综述

案例是人类直觉、逻辑和创造性三种思维的综合表现形式,案例推理是人脑类比学习的模仿者,在知识难以获取的应用领域取得了丰硕的成果。从认知学角度探讨了案例推理的逻辑合理性,研究了案例智能决策技术;针对决策支持系统研究与开发中出现的系统柔性差等核心问题,提出了以案例推理为基础的案例智能决策支持系统,该系统可以很好地实现决策支持。对此进行了深入研究,最后探讨了该系统的研究与发展的方向。

基于萤火虫群优化算法的选择性集成雾霾天气预测方法

雾霾目前已成为严重的环境污染问题,因此需要预测雾霾天气,最小化雾霾的负面影响.文中提出基于萤火虫群优化算法的选择性集成学习方法,首先使用混合核SVM独立训练多个个体支持向量机,然后利用改进的离散型萤火虫群优化算法选择部分精度较高、差异度较大的个体分类器参与集成,最后通过多数投票法得到最终的分类预测结果.应用文中方法预测中国雾霾天气,实验表明方法的有效性和可行性.

城市突发事件的应急设施选址群决策方法

针对应急设施选址中存在的一类不同决策部门存在不同权重且属性值为精确数、三角模糊数和语言值的混合型多属性群决策问题,提出了一种基于TOPSIS和距离测度的应急设施选址群决策方法。该方法可直接集结评价信息,避免了数据类型转换和量纲统一所造成的信息损失,同时基于距离测度方法确定决策部门和属性的客观权重,将其客观权重和主观权重线性合成为综合权重。最后,通过具体的应急设施选址案例验证方法的可行性和有效性。

自适应混沌搜索的双粒子群优化算法

为改善粒子群算法容易早熟收敛和精度低等缺点,提出一种自适应混沌搜索的双粒子群优化算法。根据每个粒子的适应度值,自适应地调整粒子的搜索速度,适应当前搜索状态;将粒子种群分为两个子群,这两个子群分别从全局和局部搜索的角度出发,协调种群的搜索状态,利用Tent混沌模型进行更加精确地局部搜索。将该算法用于函数优化实验和支持向量机参数的优化实验,将其与其它算法进行比较,比较结果表明,该算法显著提高了收敛速度和精度。

基于生命周期的二元蚁群优化算法

将自然生态系统中生物生命周期的思想引入二元蚁群优化算法中,通过对蚂蚁设置相应的营养阈值而执行繁殖、迁徙、死亡操作,从而保持种群的动态多样性,进而克服二元蚁群优化算法易陷入局部最优的缺陷,然后结合分形维数将该算法应用于属性约简问题中,通过UCI中的6个数据集进行测试,结果表明该算法具有较好的可行性和有效性.

随机需求下多周期供应链库存配送联合优化模型

库存与配送是影响供应链成本的2大要素,库存与配送联合优化对于降低供应链成本有着重要的意义。文章考虑允许缺货且需求随机的情形,建立了多周期多产品单对单2级供应链库存配送联合优化模型;针对缺货损费用和存货2种情境,分别对该模型进行了再优化,并求解出单周期最佳订货量;同时借鉴供应商管理库存(VMI)策略,采用满载量与非满载量相结合的方式求解出零售商所需的最佳车辆数;最后,通过仿真实验表明了将库存配送联合优化比单独优化在降低成本方面有了显著提高,并验证了所建立模型的可行性和实用性。

面向生产-库存-配送的联合调度问题及蚁群优化算法

研究一类差异分批制造模式下的生产-库存-配送三阶段联合调度问题。在生产过程中,作业的体积有差异,而加工设备为容量限定的批处理设备,批的加工不可抢占;作业加工完毕后转入产成品库存;在配送阶段,制造企业委托第三方物流企业进行配送,车辆具有相同的运输能力;优化目标为制造企业的生产-库存-配送总成本。采用整数规划方法,对联合调度问题进行建模,证明了总成本的最小化问题为强NP-hard问题,并给出最优解的下界;设计一种改进蚁群算法进行求解,采用作业分类的策略产生候选表,有效降低算法运行时间,并采用轮换方法对信息素进行更新,避免算法陷入局部最优;设计48类算例进行仿真,对算法性能进行全面的分析验证,仿真结果表明了算法的有效性。

多目标一维下料决策方法研究

研究目标为最小化原料浪费、最小化下料方式数和最小化可用余料返回的多目标优化下料问题。运用多目标优化和多属性决策相结合的方法设计下料决策方法,即先用改进的非支配排序启发式进化算法求出问题的Pareto最优解集,再采用综合主客观赋权法计算各优化目标的权重,最后运用多属性决策方法选出一个满意解作为下料方案。实验结果证实所提方法对多目标下料决策是有效的。

一种梯形模糊偏好的多属性群决策方法

针对多属性群决策问题,以梯形模糊数为基础,给出了一种群决策方法。该方法采用梯形模糊数表示决策者偏好和决策者权重,由偏好矩阵和权重向量构造出加权决策矩阵,通过期望值计算和归一化处理得到规范化的决策矩阵,采用OWA算子进行集结,结合属性权重得出决策结果。最后通过算例表明了该方法的有效性和实用性。

一种基于图神经网络的改进邻域搜索算法

近年来图神经网络与深度强化学习的发展为组合优化问题的求解提供了新的方法。当前此类方法大多未考虑到算法参数学习问题,为解决该问题,基于图注意力网络设计了一种智能优化模型。该模型对大量问题数据进行学习,自动构建邻域搜索算子与序列破坏终止符,并使用强化学习训练模型参数。在标准算例集上测试模型并进行三组不同实验。实验结果表明,该模型学习出的邻域搜索算子具备较强的寻优能力和收敛性,同时显著降低了训练占用显存。该模型能够在较短时间内求解包含数百节点的CVRP问题,并具有一定的扩展潜力。

基于多步优化GM(1,1)模型的云计算资源负荷短期预测

论述了云计算资源负荷的特征及其短期预测的作用。首先利用多项式回归模型对GM(1,1)的预测结果进行一次优化,然后使用马尔科夫链对一次优化后的模型进行二次优化,最后运用布谷鸟搜索算法对二次优化后的灰色预测模型进行再度优化,建立基于多步优化的改进GM(1,1)灰色预测模型。实验结果表明,与其他预测模型相比,在云计算环境下的资源负荷短期预测应用中,该模型具有更高的预测精度,表现出良好的预测性能。所提方法能为云计算资源的高效调度和管理提供决策支持。

基于D-vine copula-分位数回归的组合投资决策

为克服传统组合投资决策模型使用方差风险的不足,建立D-vine copula-分位数回归方法估计多元条件联合分布,给出广义Omega比率组合投资决策模型求解方案.分别选取能源市场3种期货商品和不同行业5只股票进行实证研究,结果表明:基于D-vine copula-分位数回归的广义Omega比率组合投资决策模型,能够充分揭示与模拟金融资产收益变动规律,得到更高的Sharpe比率和广义Omega比率.

基于改进萤火虫群优化算法的同类机调度问题

针对一类极小化最大完成时间和完成时间之和的同类机调度问题,给出问题的数学模型。考虑作业具有不同到达时间的同类机调度问题,提出一种改进的萤火虫群优化算法。借鉴遗传算法中的变异算子和选择算子,增强算法的全局搜索能力;加入爬山算法作为一种局部搜索算法,增强算法的局部搜索能力。这种全局搜索和局部搜索相结合的机制,使改进的萤火虫群优化算法表现出较高的寻优效率。通过大量实验验证了该算法的有效性。