基于模擬的智能算法及其應用.pdf

1、在管理科學、計算機科學、系統(tǒng)科學、信息科學以及工程等領域都存在著大量的不確定性,如隨機性、模糊性、模糊隨機性等.這些領域中的很多決策需要在這些不確定環(huán)境下作出.不確定規(guī)劃是解決這些決策問題的有力工具.本文提出了多種基于模擬的智能算法求解不確定規(guī)劃模型,并研究了模糊隨機環(huán)境下多產(chǎn)品集約生產(chǎn)計劃(APP)問題.具體研究內(nèi)容如下: 在很多情況下,要得到含有模糊變量、模糊隨機變量或隨機模糊變量的不確定函數(shù)的精確值是非常困難或不可能的,因

2、此,利用模擬得到這些值的估計值是很有必要的.本文提出了基于模擬(模糊模擬、模糊隨機模擬和隨機模糊模擬)的同步擾動隨機逼近算法求解模糊規(guī)劃模型、模糊隨機規(guī)劃模型和隨機模糊規(guī)劃模型.該算法能夠快速地收斂到局部最優(yōu)解.在許多實際的優(yōu)化問題中,因為花費在優(yōu)化問題上的資源的限制,一個局部最優(yōu)解是完全可以接受的. 在基于模擬的同步擾動隨機逼近算法中,模擬花費的計算時間較多,為此,設計了集成模擬和神經(jīng)網(wǎng)絡的同步擾動隨機逼近算法.首先使用模擬為

3、不確定函數(shù)產(chǎn)生一組輸入輸出數(shù)據(jù),然后用這些數(shù)據(jù)訓練神經(jīng)網(wǎng)絡,把訓練的神經(jīng)網(wǎng)絡嵌入到同步擾動隨機逼近算法中.該算法比基于模擬的同步擾動隨機逼近算法能夠更快地收斂到局部最優(yōu)解. 對于需要得到全局最優(yōu)解的優(yōu)化問題,設計了基于模擬的混合優(yōu)化算法進行求解.該算法集成了模擬技術、神經(jīng)網(wǎng)絡、遺傳算法和同步擾動隨機逼近算法. 首先使用模擬技術產(chǎn)生一組輸入輸出數(shù)據(jù),然后使用這些數(shù)據(jù)為不確定函數(shù)訓練神經(jīng)網(wǎng)絡,把神經(jīng)網(wǎng)絡嵌入到遺傳算法和同步擾

4、動隨機逼近算法中.遺傳算法用于在整個解空間上搜索最優(yōu)解,其初始種群和每一代由交叉和變異操作產(chǎn)生的新染色體均利用同步擾動隨機逼近算法進行改善.最后,把遺傳算法結(jié)束后得到的所有染色體再利用同步擾動隨機逼近算法進行改善,適應度最高的染色體作為問題的最優(yōu)解.該算法既具有遺傳算法的全局搜索能力,又具有同步擾動隨機逼近算法的較強的收斂特性.數(shù)值例子驗證了所提出的算法的有效性. 在應用方面,對模糊隨機環(huán)境下多產(chǎn)品APP問題建立了模糊隨機APP