对某中小型危化企业安全投资——效益关系模型的研究

针对中小型危化企业面临的决策安全投入获得最大安全经济效益以减少事故损失的问题,基于安全投资-效益的函数关系和事故致因与安全投资的关联,运用Cobb—Douglas生产函数和企业年产值关联模型,建立了关于中小型危化企业安全经济效益的可优化的衡量模型;对该企业的有关数据进行整理,建立了该企业的可优化的安全经济效益衡量模型,通过计算分析,确定了该企业安全经济效益最大值和各类安全投资占有比。分析该企业历年的各大类安全投资比重和优化后的各类投资占有比表明该企业急需改变原有的安全投资模式,优化安全投资后,安全经济效益是明显的。该模型对企业决策安全投入具有一定的指导意义。     

基于粒子群算法的项目群网络计划资源优化研究

传统的网络计划(CPM/PERT)默认项目实施所需资源已合理投入,并就此安排各项工作。由于该技术传递信息量较少,不利于项目群资源共享。文章通过对工程项目群工期、成本、管理资源分析,提出基于粒子群算法的项目群网络计划优化模型,引入柯布-道格拉斯生产函数完善目标函数,并以某区域管道铺设工程为例开展实例研究,为今后项目群管理提供参考与借鉴。     

基于CPSO的基础设施模糊投资组合优化模型

针对基础设施效益模糊、难以度量的特点,结合模糊集理论,建立了模糊投资组合优化模型,改进粒子群算法,加入混沌思想,使用混沌粒子群算法(CPSO)求解基础设施的模糊投资组合优化模型。以4个城市投资公司的数据为样本,验证该方法的科学性与有效性。研究结果表明:模糊投资组合优化模型可较好地表征基础设施的模糊效益,提高基础设施投资决策的科学性;混沌寻优思想改进的粒子群算法可求得模糊投资组合优化模型的全局最优解,增强算法的鲁棒性。     

流水工序调度与生产效率的关系模型分析

提出一种基于粒子群算法的流水工序调度任务优化模型。利用流水工序调度任务的特点得到流水工序时间约束条件,利用粒子群算法的原理建立流水工序调度任务优化模型,利用粒子群算法对模型进行求解。仿真实验表明,利用该算法能够得到流水工序调度问题的最优解,提高生产效率。     

混合邻域结构的粒子群算法

为了克服标准粒子群算法的早熟、停滞进化或易于陷入局部最优的现象,提出了一种混合模型(简称NSPO)。NSPO将一个粒子映射到无标度网络的多个网络节点上,借助网络结构获得该粒子的邻域拓扑。对粒子的更新,NSPO既考虑种群的最优,又考虑邻域的最优。在3个具有不同难度特点的测试函数上,将NSPO与标准粒子群算法进行了比较。实验结果表明:对于全局最优和梯度信息明显的函数,NSPO具有非常优越的表现;对于具有诸多局部最优的函数,NSPO逃逸局部最优的能力要强于标准粒子群算法;对于具有误导性梯度信息的函数,NSPO偶尔表现优异。     

基于APSO-BP算法的水库生态优化调度研究

APSO-BP算法可实现粒子群优化的自动调整,解决传统粒子群优化算法收敛性较差,局部易出现极小值的局限,文章引入APSO-BP算法对辽宁某水库生态调度进行优化计算。研究结果表明:APSO-BP算法的收敛精度和全局优化搜索能力都好于传统粒子群优化算法,经APSO-BP算法优化下的水库生态调度可以满足流域的生态蓄水,流域最小生态需水满足度达到75%,适宜生态需水满足度达到66.7%,生态优化调度结果明显好于传统粒子群优化算法。APSO-BP算法可用于水库生态优化调度。研究成果对于水库生态调度方案以及区域生态蓄水规划配置提供方法参考。     

基于改进型离散粒子群算法变电检修计划优化

建立电网变电检修成本的优化目标数学函数,并针对粒子随机变异思想的改进型离散粒子群算法,建立与模型迭代优化相适应的粒子编码方式,以降低检修的运维成本,提高运行维护工作效率。     

基于PCE-粒子群算法混凝土重力坝优化设计

为解决重力坝结构优化设计中数值模拟计算量大、设计效率低下的不足,文章使用PCE法建立近似模型代替数值模拟试验,经过检验所建立的模型精度较高满足工程设计要求;使用改进粒子群算法避免了该算法容易获取局部最优值的弊端,对重力坝结构进行优化设计,优化后的断面面积减小7. 1%,且安全系数为6. 51满足工程安全要求。     

薄弱配电网高比例分布式光伏并网消纳规划研究

为了解决薄弱电网高比例分布式光伏难以就地消纳问题,提出储能系统和需求侧响应运行策略,建立了计划接入总量下的高比例分布式光伏双层规划模型。以光伏最大消纳为目标函数,光伏安装位置与容量为优化变量,建立上层模型;以系统净负荷峰谷差期望值最小为目标函数,各时段电价为优化变量,建立下层模型。针对光伏随机出力与负荷的时序性,利用拉丁超立方抽样技术对其进行处理。在此基础上,采用概率潮流法与细胞膜粒子群优化算法相结合的混合智能算法对模型进行求解,并以河北省某贫困县光伏扶贫村网架结构为例进行算例分析。结果表明,解决方案在实现光伏接入容量最优配置的基础上,进一步提高了薄弱配电网分布式光伏的消纳能力。双层规划模型能够在很大程度上提高再生能源的利用率,可为配电网规划提供参考。     

基于混沌蚁群算法的SVM模型在水库枯水期径流预测中的应用

本文采用混沌蚁群算法对SVM模型的参数进行优化计算,并采用高斯核函数对模型进行混沌特性识别,简化模型在枯水期径流预测非线性求解过程。结合优化模型对水库枯水期径流进行预测。研究结果表明:基于混沌蚁群算法的SVM模型可较好的辨识复杂的水文序列,模型具有较高的泛化能力,相比于传统算法,水库枯水期径流预测精度得到明显改善,具有较高的适用性。研究成果对于水库枯水期径流预测提供方法参考。     

基于改进粒子群的分布式通信干扰资源分配

为了解决分布式通信干扰场景下面临的资源分配效率低、干扰效益无保障等问题,结合通信干扰资源分配数学模型,设计了一种改进的粒子群算法。首先设计了分布式通信干扰场景并构建了通信干扰资源分配模型,以最大化干扰效益作为目标函数;其次采用自适应惯性因子和学习因子,并引入遗传变异策略和精英保留策略,提出一种改进的粒子群算法,最后对不同场景规模的通信干扰资源分配进行仿真实验。结果表明,相比小生境遗传算法、粒子群算法、遗传算法,改进的粒子群算法在不同场景规模下,均能获得更优的干扰效益,性能方面具备整体干扰效益更高、算法收敛速度更快、算法收敛误差更小等优势。所设计的改进粒子群算法可应用在分布式通信干扰场景中,为指挥决策提供参考。     

粒子群算法和灰狼算法的融合

为了解决传统粒子群算法(PSO)容易“早熟”、陷入局部最优以及灰狼算法(GWO)收敛速度慢的问题。首先，采用GWO算法的个体极值更新策略来实现个体包围式向最优值趋近，融入PSO算法的速度更新策略来实现群体向最优值的趋近，并且在原始粒子群算法基础上加入线性惯性权重递减来提高算法的收敛速度，从而提出了一种基于灰狼算法和改进的粒子群算法(IPSO)的融合优化算法(GW-IPSO);其次，通过6个经典算例进行仿真试验，将融合算法与PSO算法、IPSD算法、灰狼和粒子群结合算法(GW-PSO)进行对比；最后，应用融合算法对二级直线倒立摆的控制器设计进行参数寻优。结果表明：针对6个标准测试函数，混合算法的30次试验结果平均值更接近最优值，且标准差几乎都是最小的；应用在倒立摆控制问题上，系统在5 s左右进入稳定状态。融合后的GW-IPSO算法能够在一定程度上避免早熟和陷入局部极值的问题发生，并且能够很好地应用于控制器设计过程中参数寻优问题。     

模糊随机环境下考虑碳限额和碳交易机制的库存配送问题研究

本文以高端物流服务集成商与库存配送服务商为研究对象，以集成商的供应链网络成本最小、服务商的运营成本最小且准时制供应为目标，深入研究考虑碳限额、碳交易机制以及残次品处理的多供应商选择多产品多阶段库存配送问题，构建了基于动态规划的双层库存配送模型。利用双层全局--局部--邻域粒子群算法 (Bi-GLNPSO) 设计了模型求解方案，并通过算例验证了模型和算法的有效性和合理性。探讨了碳限额和碳交易机制对总成本和库存配送决策的影响。     

环保型沥青路面再生工厂布局优化

为解决传统沥青厂拌热再生过程中存在的污染问题,提升相关企业经济和环保效益,以环保型沥青路面再生工厂为研究对象,提出了一套工厂车间布局优化方法.首先,汇总了物料装卸点在各作业单元内部和整体车间范围内的表示方法.然后,以非物流关系密切程度最大、物料搬运成本最小和碳排放量最少为优化目标,建立了车间布局数学模型.最后,采用粒子...     

基于改进粒子群算法的无人机航迹规划

针对当前基本粒子群算法无人机航迹规划在后期收敛速度比较慢、效率不高、易陷入局部最优等问题,提出一种改进粒子群算法。首先,在迭代前期和后期分段设置惯性权值的调整,实现粒子惯性和寻优行为的平衡;其次,设置一个定值与相邻2次适应度函数最优值比较策略,防止陷入局部最优;最后,引入遗传算法的交叉、变异机制,得出更优的结果。并通过仿真验证了改进粒子群算法在三维空间航迹规划的有效性和可行性。结果表明,与其他航迹规划算法相比,新算法具有路径长度更短、耗时更少、路径更平滑等优点,加快了收敛速度,提高了航迹规划效率和稳定性。因此,改进算法的航迹规划可得到满足约束关系的最优航迹,对实现自主飞行有重要的参考价值。     

基于发电成本与环境效益的风电最佳接入容量分析

为充分了解风电接入电力系统后对发电成本及环境效益的影响,计算符合系统运行经济性的风电接入容量,建立了风电最佳接入容量优化模型。采用该模型分析了不同容量火电机组在不同功率下的煤耗特性变化,并通过对火电机组深度调峰补偿调动火电机组调峰积极性;引入火电排污成本以充分体现风电接入后的环境效益,加入弃风惩罚费用来保障风电优先调度。采用粒子群算法并结合主动搜索技术(active explore basic particle swarm optimization,AEPSO)对模型进行求解,有效解决了粒子群算法易陷入局部最优的问题。最后以某地区实际电力系统为例,计算得出了在最经济运行模式下的风电接入容量,验证了模型的合理性。该研究可为相关决策部门制定风电发展规划提供参考。     

基于Adaboost-DPSO-SVM模型的供应链金融信用风险评价研究

数字化赋能供应链金融创新是推动我国产业链、供应链持续稳定优化升级的重要内容,在全球金融风险急剧增加的背景下,供应链金融与大数据、区块链、物联网、人工智能等技术相融合,成为解决我国中小企业融资授信问题的有效方式之一。本文在对供应链金融信用风险评价指标进行特征选择的基础上,采用一种动态变异的粒子群算法(DPSO)和AdaBoost算法对SVM进行协同优化和集成,建立了Adaboost-DPSO-SVM模型,并将该模型应用于我国新能源汽车行业供应链金融信用风险评价中,实验结果表明所建立的模型相对其他评价模型具有更好的分类识别性能。     

Metaheuristic-based simulation optimization approach to network revenue management with an improved self-adjusting bid price function

Making accurate accept/reject decisions on dynamically arriving customer requests for different combinations of resources is a challenging task under uncertainty of competitors' pricing strategies. Because customer demand may be affected by a competitor's pricing action, changes in customer interarrival times should also be considered in capacity control procedures. In this article, a simulation model is developed for a bid price–based capacity control problem of an airline network revenue management system by considering the uncertain nature of booking cancellations and competitors' pricing strategy. An improved bid price function is proposed by considering competitors' different pricing scenarios that occur with different probabilities and their effects on the customers' demands. The classical deterministic linear program (DLP) is reformulated to determine the initial base bid prices that are utilized as control parameters in the proposed self-adjusting bid price function. Furthermore, a simulation optimization approach is applied in order to determine the appropriate values of the coefficients in the bid price function. Different evolutionary computation techniques such as differential evolution (DE), particle swarm optimization (PSO), and seeker optimization algorithm (SOA), are utilized to determine these coefficients along with comparisons. The computational experiments show that promising results can be obtained by making use of the proposed metaheuristic-based simulation optimization approach.