Baldwin混合多目标粒子群算法在采购量分配中的应用

发布时间：2017-04-09 20:22

  本文关键词：Baldwin混合多目标粒子群算法在采购量分配中的应用，由笔耕文化传播整理发布。

【摘要】：采购量分配问题是采购管理的核心,其主要任务是采购方根据成本、质量和交货期等指标将相应的供应量分配给各个供应商,使企业采购总效益达到最优。粒子群算法(Particle Swarm Optimization,又称PSO)是一种模拟鸟类集群飞行觅食行为的启发式进化算法,每个粒子在迭代过程中追随自身最优粒子与全局最优位置在解空间内搜索。PSO的优势在于简单容易实现并且通用性强,然而,粒子群算法存在后期收敛缓慢、多样性不足等缺陷,需对其做进一步的改进研究。本文针对上述问题,重点围绕MOPSO算法的改进和Baldwin学习策略应用等问题展开初步研究,并将改进后的算法应用到含折扣因素的采购量分配问题中,对算法在多目标混合整型问题中的应用展开了研究,以提高企业的供应链管理水平。本文主要内容包括:(1)针对算法存在后期收敛缓慢、解集分布不良等问题,根据Baldwin效应理论,给出粒子与邻域内可行解的学习策略,提出Baldwin混合多目标粒子群优化算法,改善粒子群算法的收敛性,扩大解的搜寻范围以提高解的精度。通过实验对比,证明算法的有效性。(2)针对改进后的混合算法可能会存在多样性较差的问题,根据粒子群自身的进化特性采用非均匀变异策略和精英保留策略,来改善粒子群的多样性;继而设置线性变化的惯性权重来平衡粒子群的全局搜索和局部搜索,在四个经典测试函数的仿真模拟实验证实:改进后的粒子群优化算法有较优的性能。(3)实际应用中,针对采购量分配问题,提出利用Baldwin混合多目标粒子群算法进行求解,并增加候选方案的数量。通过调整粒子的飞行、增加等式约束处理机制,使该算法成功求解含折扣因素的采购量分配问题,最后引入逼近理想解的排序方法(TOPSIS)为决策者提供更高效的、强交互性的供应商选择和采购量分配方案。
【关键词】：多目标优化 粒子群算法 Baldwin效应 采购量分配
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP18
【目录】：

• 摘要3-5
• ABSTRACT5-9
• 1 绪论9-17
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状10-15
• 1.2.1 多目标粒子群算法研究现状10-14
• 1.2.2 供应商选择问题研究现状14-15
• 1.3 研究内容及章节安排15-17
• 1.3.1 研究内容15
• 1.3.2 章节安排15-17
• 2 多目标进化算法及其性能评价17-28
• 2.1 多目标优化问题17-19
• 2.1.1 多目标优化数学模型17-18
• 2.1.2 多目标优化问题的解18-19
• 2.2 多目标进化算法19-25
• 2.2.1 多目标进化算法19-24
• 2.2.2 MOEAs一般流程24-25
• 2.3 多目标进化算法的性能评价指标25-26
• 2.3.1 收敛性指标25-26
• 2.3.2 分布性指标26
• 2.4 本章小结26-28
• 3 多目标粒子群优化算法及其改进28-38
• 3.1 粒子群优化算法28-32
• 3.1.1 粒子群优化算法28-30
• 3.1.2 多目标粒子群优化算法30-32
• 3.2 多样性的保持32-35
• 3.2.1 惯性权重因子设置32-33
• 3.2.2 变异因子33-34
• 3.2.3 精英种群管理34-35
• 3.3 仿真实验及分析35-37
• 3.4 本章小结37-38
• 4 Baldwin混合多目标粒子群算法（BM-MOPSO）38-46
• 4.1 基于Baldwin效应的局部搜索算法38-41
• 4.1.1 Baldwin效应学习策略38-40
• 4.1.2 算法步骤40-41
• 4.2 混合多目标粒子群算法BM-MOPSO41-43
• 4.2.1 混合算法策略41-42
• 4.2.2 BM-MOPSO流程42
• 4.2.3 计算复杂度分析42-43
• 4.3 仿真实验及分析43-45
• 4.3.1 Pareto前沿对比43-44
• 4.3.2 收敛性与多样性44-45
• 4.4 本章小结45-46
• 5 BM-MOPSO在采购量分配模型中的应用46-54
• 5.1 采购量分配模型46-49
• 5.2 采购量分配模型优化实验49-53
• 5.2.1 实验环境和参数设置49-50
• 5.2.2 算法性能分析50-52
• 5.2.3 TOPSIS决策52-53
• 5.4 本章小结53-54
• 6 结论与展望54-56
• 6.1 本论文工作总结54-55
• 6.2 进一步研究方向55-56
• 参考文献56-61
• 致谢61-62
• 攻读学位期间主要科研成果62

【相似文献】

中国期刊全文数据库 前10条

1 张晓明;王儒敬;;一种带逆反的粒子群算法[J];计算机科学;2006年10期

2 柳伯超;秦茂玲;刘弘;;改进粒子群算法在货物装载中的应用[J];信息技术与信息化;2006年05期

3 吴军;李为吉;;改进的粒子群算法及在结构优化中的应用[J];陕西理工学院学报(自然科学版);2006年04期

4 邓伟林;胡桂武;;粒子群算法研究与展望[J];现代计算机;2006年11期

5 陈健;刘同玉;;混合区间粒子群算法[J];系统工程理论方法应用;2006年06期

6 王芳;雷开友;邱玉辉;;一种粒子群算法的多样性策略研究[J];计算机科学;2006年01期

7 车林仙;;基于粒子群算法的混沌系统快速控制[J];泸州职业技术学院学报;2006年03期

8 单汨源;吴娟;吴亮红;刘琼;;基于改进粒子群算法的资源受限项目进度研究[J];计算机工程与应用;2007年15期

9 童楠;符强;;一种域自适应型的粒子群算法[J];计算机与现代化;2007年05期

10 杨莹;;改进的混合粒子群算法[J];煤炭技术;2007年05期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

  本文关键词：Baldwin混合多目标粒子群算法在采购量分配中的应用，，由笔耕文化传播整理发布。

本文编号：296062