以钢铁企业的冷轧生产过程为背景,分析了酸洗-冷轧联合机组与后续机组间的生产协调特征,探讨了在确保生产连续运行的前提下降低库存水准和降低切换频率的机组切换策略,建立了确定酸洗-冷轧联合机组切换时长和切换批量的优化模型,研究了用于模型求解的切换规则,开发了面向生产实际的应用算法.对企业生产实际数据的计算和分析表明,算法具有良好的计算效率和适用性

给定由n个整数(可能为负整数)组成的序列a,2,an, 求该序列形如Σa的子段和的最大值。当所有整数均为 负整数时定义最大子段和为0.依此定义,所求的 最优值为:

为解决局部最优问题,将遗忘机制引入传统遗传算法中,提出了一种改进的遗忘遗传算法,给出了一种遗忘算子及其遗忘概率,通过在遗传过程中遗忘某些基因,增加了算法的搜索空间,使算法跳出局部最优,从而最大限度地避免早熟收敛.将该算法用于不同欠费率下的电信客户初始信用评分,找到信用权重的优化解,较好地解决了对高欠费率群体进行信用评分时,信用权重的适应值偏低的问题.实验结果表明所提算法有效可行.与标准遗传算法相比,本文所提算法可以获得更高质量的解

选择幂级数模型描述了过剩自由能项,并从二、三元实测相图上用数据优化程序获得了所需热力学参数和交互作用系数,进而用多元相平衡计算法成功地预测了镍、钴,铬基合金中σ相的析出

动态规划是解决一类多阶段决策问题的优化方法，也是考察问题的一种途 径，而不是一种算法（如 LP 单纯形法）。因此它不象 LP 那样有一个标准的数 学表达式和明确定义的一组规则，而必须对具体问题进行具体分析处理。 动态规划方法是现代企业管理中的一种重要决策方法。如果一个问题可将 其过程划分为若干个相互联系的阶段问题，且它的每一阶段都需进行决策，则 这类问题均可用动态规划方法进行求解

为克服非支配排序遗传算法计算复杂度高,未采用精英策略,需要特别指定共享半径的缺点,提出了一种改进的非支配排序遗传算法.通过实验验证,该算法在几个给定的函数优化时都能取得比较好的结果

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

针对热轧圆钢的批量调度问题,考虑实际生产中工艺规程和交货期对轧制单元连续加工的影响,建立了以最小化设备调整时间、拖期生产惩罚和钢种跳跃惩罚为优化目标的数学模型,并设计了一种嵌入EDD规则的变邻域搜索算法.算法首先结合模型的约束特征,采用约束满足技术生成初始解;根据实际生产需求,将最小化设备调整时间作为主要目标,设计变邻域搜索算法实现目标优化,其中,运用混合算子构造邻域结构和局部搜索,并引入模拟退火接受准则来控制迭代过程中产生的新解;同时,为了最小化拖期惩罚和钢种跳跃惩罚,在求解过程中嵌入了EDD规则以及钢种排序规则.实验结果表明,模型和算法是可行且有效的

针对目前越来越普遍的多级配送模式,建立以总成本最小为目标函数的两级选址-路径问题模型,并提出了大规模邻域搜索模拟退火算法进行求解.在模拟退火算法框架中,嵌入大规模邻域搜索过程,包含破坏、重组和局部搜索方法,从而进一步提高算法在解空间中构建邻域的范围.采用两级选址-路径问题标准算例对算法求解效果进行验证,并与标准模拟退火算法和国际已知最优解进行对比.结果显示,所建模型和算法正确有效,并且在求解大规模问题时算法能够取得相对更好的优化结果

§1 插值方法 §2 曲线拟合的线性最小二乘法 §3 最小二乘优化 §4 曲线拟合与函数逼近 §5 黄河小浪底调水调沙问题