浅谈算法基于混合智能算法求解随机期望值模型和机会约束规划
最后更新时间:2024-03-28
作者:用户投稿本站原创
点赞:16151
浏览:63057
论文导读:3.2随机机会约束规划111.4求解中的不足、求解步骤11-131.5论文中的主要探讨内容13-15第二章随机模拟15-232.1随机数的产生15-162.2随机模拟16-192.2.1蒙特卡洛模拟求随机变量的数学期望172.2.2求随机事件发生的概率17-182.2.3乐观值估计算法18-192.2.4乐观值估算算法192.2.5悲观值估算算法192.3数值试验19-222.3
摘要:在运筹学、科学管理、信息科学、系统科学、计算机科学以及工程等众多领域中有着着许多客观的或人为的不确定性,这些领域中的很多决策需要在不确定环境下做出。不确定规划是解决这些决策不足的有力工具,由此,探讨不确定规划模型的建立和求解策略有着重要的运用价值和论述价值。本论文通过浅析,建立了不确定规划的随机期望值模型和随机机会约束规划,并在原来求解的基础上给出了新的智能优化算法,具体算法内容如下:首先利用随机模拟为不确定函数产生输入、输出数据,包括求不确定函数的数学期望、概率、乐观值、悲观值,这些值的精确值都是在模拟次数趋于无穷大时求得。此策略本身需要产生大量的输出、输入数据,这就需要大量的计算、花费很长的运转时间。为了减少计算量,节省运转时间,本论文探讨了减少计算量,节省运转时间的策略:给定不确定函数中的一组参数,确定模拟次数与误差之间的联系,找出满足精度要求的模拟次数,再浅析其它不同的参数与模拟次数之间的联系。如果不满足,则寻找达到精度要求,模拟次数较小的策略。并通过选取的数值试验,计算了数学期望、概率、乐观值、悲观值,验证了其策略的可行性。其次根据产生的输入、输出数据,训练神经网络来逼近不确定函数。为了使训练的神经网络有更好的逼近能力,需要对神经网络中隐层神经元的节点数、传递函数、训练函数、学习速度进行优化选取。本论文采取训练神经网络时,使均方误差最小为优化准则来选取。通过期望值模型和随机机会约束规划的数值试验,采取图表浅析确定了隐层神经元的节点数、传递函数、训练函数、学习速度。并对训练成功的神经网络进行检验,结果表明训练的神经网络具有较好的逼近不确定函数的能力。最后,将期望值模型和随机机会约束规划中通过神经网络得到的目标函数和约束函数的近似函数作为粒子群算法的目标数和约束函数,得到优化不足的解就是期望值模型和随机机会约束规划的优化解。并分别用改善的粒子群算法和标准的粒子群算法对期望值模型和随机机会约束规划算例进行了数值求解,验证了改善粒子群算法优于标准的粒子群算法。关键词:随机模拟论文不确定规划论文神经网路论文粒子群算法论文混合智能算法论文双评价粒子群算法论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要4-5
Abstract5-9
第一章 绪论9-15
数值试验 243-44
总结45-46
展望46-47
参考文献47-50
附录50-61
致谢61
摘要:在运筹学、科学管理、信息科学、系统科学、计算机科学以及工程等众多领域中有着着许多客观的或人为的不确定性,这些领域中的很多决策需要在不确定环境下做出。不确定规划是解决这些决策不足的有力工具,由此,探讨不确定规划模型的建立和求解策略有着重要的运用价值和论述价值。本论文通过浅析,建立了不确定规划的随机期望值模型和随机机会约束规划,并在原来求解的基础上给出了新的智能优化算法,具体算法内容如下:首先利用随机模拟为不确定函数产生输入、输出数据,包括求不确定函数的数学期望、概率、乐观值、悲观值,这些值的精确值都是在模拟次数趋于无穷大时求得。此策略本身需要产生大量的输出、输入数据,这就需要大量的计算、花费很长的运转时间。为了减少计算量,节省运转时间,本论文探讨了减少计算量,节省运转时间的策略:给定不确定函数中的一组参数,确定模拟次数与误差之间的联系,找出满足精度要求的模拟次数,再浅析其它不同的参数与模拟次数之间的联系。如果不满足,则寻找达到精度要求,模拟次数较小的策略。并通过选取的数值试验,计算了数学期望、概率、乐观值、悲观值,验证了其策略的可行性。其次根据产生的输入、输出数据,训练神经网络来逼近不确定函数。为了使训练的神经网络有更好的逼近能力,需要对神经网络中隐层神经元的节点数、传递函数、训练函数、学习速度进行优化选取。本论文采取训练神经网络时,使均方误差最小为优化准则来选取。通过期望值模型和随机机会约束规划的数值试验,采取图表浅析确定了隐层神经元的节点数、传递函数、训练函数、学习速度。并对训练成功的神经网络进行检验,结果表明训练的神经网络具有较好的逼近不确定函数的能力。最后,将期望值模型和随机机会约束规划中通过神经网络得到的目标函数和约束函数的近似函数作为粒子群算法的目标数和约束函数,得到优化不足的解就是期望值模型和随机机会约束规划的优化解。并分别用改善的粒子群算法和标准的粒子群算法对期望值模型和随机机会约束规划算例进行了数值求解,验证了改善粒子群算法优于标准的粒子群算法。关键词:随机模拟论文不确定规划论文神经网路论文粒子群算法论文混合智能算法论文双评价粒子群算法论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要4-5
Abstract5-9
第一章 绪论9-15
1.1 探讨背景与作用9
1.2 国内外的探讨近况9-10
1.3 不确定规划模型10-11
1.3.1 期望值模型10-11
1.3.2 随机机会约束规划11
1.4 求解中的不足、求解步骤11-13
1.5 论文中的主要探讨内容13-15
第二章 随机模拟15-232.1 随机数的产生15-16
2.2 随机模拟16-19
2.1 蒙特卡洛模拟求随机变量的数学期望17
2.2 求随机事件发生的概率17-18
2.3 乐观值估计算法18-19
2.4 乐观值估算算法19
2.5 悲观值估算算法19
2.3 数值试验19-22
2.3.1 数值试验 119-20
2.3.2 数值试验 220-22
2.4 小结22-23
第三章 神经网络23-333.1 人工神经元23-24
3.2 多层前向神经元网络24-25
3.3 函数逼近25-26
3.4 网络结构的确定26
3.5 反向传播算法26-28
3.6 MATLAB 中 BP 神经网络的实现28-29
3.6.1 神经元的节点数28
3.6.2 传递函数28
3.6.3 神经网络的训练函数28-29
3.6.4 学习速度的选定29
3.7 数值试验29-32
3.7.1 数值试验 129-30
3.7.2 数值试验 230-32
3.8 小结32-33
第四章 混合智能算法33-454.1 粒子群优化算法33-35
4.1.1 算法起源33
4.1.2 粒子群算法的数学模型33-34
4.1.3 实现技术34-35
4.1.4 终止条件35
4.2 标准的粒子群算法步骤35-374.3 改善的粒子群优化算法37-38
4.3.1 改善的粒子群优化算法(双评价粒子群优化算法)37-38
4.4 测试函数38-414.5 混合智能算法41-42
4.6 数值试验42-44
4.6.1 数值试验 142-43
4.6.2论文导读:数值试验243-444.7小结44-45总结与展望45-47总结45-46展望46-47参考文献47-50附录50-61致谢61上一页12数值试验 243-44
4.7 小结44-45
总结与展望45-47总结45-46
展望46-47
参考文献47-50
附录50-61
致谢61