基于效应的随机灰规划模型和应用

为了解决同时含有随机因素和灰色因素的不确定规划问题,通过结合区间灰数所属区间两个端点的随机性,给出随机区间灰数和随机区间灰函数的定义,提出了随机灰规划模型。通过综合效应函数理论用随机变量期望值和方差综合量化表示灰数所属区间的两个端点值。应用该理论对综合量化后的两个端点值继续进行综合量化,从而将随机灰规划转化为确定型规划问题。应用遗传算法进行求解。通过综合效应函数的理念,综合随机变量的期望和方差,同时综合区间灰数的区间因素,将随机灰规划数学模型转化为确定型规划模型即基于效应的随机灰规划模型。通过选取不同的综合效应函数,得到了关于不同决策意识下的随机灰规划的最优解。这个方法可为决策者进行不确定决策提供参考。     

基于水平效应函数的模糊指派求解模型

结合模糊信息结构特征,提出了水平效应函数L(λ)的概念,建立了从整体上集中量化模糊数位置的、具有广泛可操作性的IL-度量方法及IL-度量在水平效应函数 L(λ)下的IDθ-不确定度,进而通过引进的零型模糊数推广了著名的匈牙利算法。最后通过一个算例验证了算法的有效性。并在此基础上,利用模糊信息的IDθ-不确定度分析了指派决策的可靠性程度。该讨论为某种意识下的不确定型决策奠定了理论基础,具有较强的可操作性。     

两阶段遗传算法的结构及性能分析

针对基本遗传算法(简称BGA)常常存在局部收敛以及收敛解精度不高等方面的不足,提出了一种改进的算法——两阶段遗传算法,给出了算法的结构及具体的实施策略,进而利用Markov链理论和仿真技术分析了该算法的收敛性能,结果表明该算法具有操作简单、鲁棒性强等特点,不仅可以有效地避免寻优过程中的“早熟”现象,而且在很大程度上能提高最优解精度,适合于大规模、高精度的优化问题。