在管理科學、計算機科學、系統科學、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境下作出。不確定規劃是解決這些決策問題的有力工具。本文提出了多種基於模擬的智慧型算法求解不確定規劃模型，並研究了模糊隨機環境下多產品集約生產計畫(APP)問題。
基本介紹
- 中文名：基於模擬的智慧型算法及其套用
- 外文名：Intelligent algorithms based on simulations and their applications
- 論文作者：寧玉富
- 導師：唐萬生
- 學科專業：管理科學與工程
- 學位級別：博士論文
- 學位授予單位：天津大學
- 學位授予時間：2006
基本信息,中文摘要,
基本信息
副題名
外文題名
Intelligent algorithms based on simulations and their applications
論文作者
寧玉富著
導師
唐萬生指導
學科專業
管理科學與工程
學位級別
博士論文
學位授予單位
天津大學
學位授予時間
2006
關鍵字
企業管理 生產管理 數學規劃 隨機變數 生產計畫
館藏號
F273
館藏目錄
2009\F273\14
中文摘要
具體研究內容如下： 在很多情況下，要得到含有模糊變數、模糊隨機變數或隨機模糊變數的不確定函式的精確值是非常困難或不可能的，因此，利用模擬得到這些值的估計值是很有必要的。本文提出了基於模擬(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劃模型、模糊隨機規劃模型和隨機模糊規劃模型。該算法能夠快速地收斂到局部最優解。在許多實際的最佳化問題中，因為花費在最佳化問題上的資源的限制，一個局部最優解是完全可以接受的。 在基於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網路的同步擾動隨機逼近算法。首先使用模擬為不確定函式產生一組輸入輸出數據，然後用這些數據訓練神經網路，把訓練的神經網路嵌入到同步擾動隨機逼近算法中。該算法比基於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解。 對於需要得到全局最優解的最佳化問題，設計了基於模擬的混合最佳化算法進行求解。該算法集成了模擬技術、神經網路、遺傳算法和同步擾動隨機逼近算法。首先使用模擬技術產生一組輸入輸出數據，然後使用這些數據為不確定函式訓練神經網路，把神經網路嵌入到遺傳算法和同步擾動隨機逼近算法中。遺傳算法用於在整個解空間上搜尋最優解，其初始種群和每一代由交叉和變異操作產生的新染色體均利用同步擾動隨機逼近算法進行改善。最後，把遺傳算法結束後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解。該算法既具有遺傳算法的全局搜尋能力，又具有同步擾動隨機逼近算法的較強的收斂特性。數值例子驗證了所提出的算法的有效性。 在套用方面，對模糊隨機環境下多產品APP問題建立了模糊隨機APP模型，其中市場需求、生產費用、生產能力等均被刻劃為模糊隨機變數，目標函式和約束函式均由機會函式定義。套用提出的算法求解模型，並給出了數值例子。
