本文關(guān)鍵詞：Baldwin混合多目標(biāo)粒子群算法在采購量分配中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：采購量分配問題是采購管理的核心,其主要任務(wù)是采購方根據(jù)成本、質(zhì)量和交貨期等指標(biāo)將相應(yīng)的供應(yīng)量分配給各個供應(yīng)商,使企業(yè)采購總效益達(dá)到最優(yōu)。粒子群算法(Particle Swarm Optimization,又稱PSO)是一種模擬鳥類集群飛行覓食行為的啟發(fā)式進(jìn)化算法,每個粒子在迭代過程中追隨自身最優(yōu)粒子與全局最優(yōu)位置在解空間內(nèi)搜索。PSO的優(yōu)勢在于簡單容易實現(xiàn)并且通用性強(qiáng),然而,粒子群算法存在后期收斂緩慢、多樣性不足等缺陷,需對其做進(jìn)一步的改進(jìn)研究。本文針對上述問題,重點(diǎn)圍繞MOPSO算法的改進(jìn)和Baldwin學(xué)習(xí)策略應(yīng)用等問題展開初步研究,并將改進(jìn)后的算法應(yīng)用到含折扣因素的采購量分配問題中,對算法在多目標(biāo)混合整型問題中的應(yīng)用展開了研究,以提高企業(yè)的供應(yīng)鏈管理水平。本文主要內(nèi)容包括:(1)針對算法存在后期收斂緩慢、解集分布不良等問題,根據(jù)Baldwin效應(yīng)理論,給出粒子與鄰域內(nèi)可行解的學(xué)習(xí)策略,提出Baldwin混合多目標(biāo)粒子群優(yōu)化算法,改善粒子群算法的收斂性,擴(kuò)大解的搜尋范圍以提高解的精度。通過實驗對比,證明算法的有效性。(2)針對改進(jìn)后的混合算法可能會存在多樣性較差的問題,根據(jù)粒子群自身的進(jìn)化特性采用非均勻變異策略和精英保留策略,來改善粒子群的多樣性;繼而設(shè)置線性變化的慣性權(quán)重來平衡粒子群的全局搜索和局部搜索,在四個經(jīng)典測試函數(shù)的仿真模擬實驗證實:改進(jìn)后的粒子群優(yōu)化算法有較優(yōu)的性能。(3)實際應(yīng)用中,針對采購量分配問題,提出利用Baldwin混合多目標(biāo)粒子群算法進(jìn)行求解,并增加候選方案的數(shù)量。通過調(diào)整粒子的飛行、增加等式約束處理機(jī)制,使該算法成功求解含折扣因素的采購量分配問題,最后引入逼近理想解的排序方法(TOPSIS)為決策者提供更高效的、強(qiáng)交互性的供應(yīng)商選擇和采購量分配方案。
【關(guān)鍵詞】：多目標(biāo)優(yōu)化 粒子群算法 Baldwin效應(yīng) 采購量分配
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP18
【目錄】：

• 摘要3-5
• ABSTRACT5-9
• 1 緒論9-17
• 1.1 研究背景及意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-15
• 1.2.1 多目標(biāo)粒子群算法研究現(xiàn)狀10-14
• 1.2.2 供應(yīng)商選擇問題研究現(xiàn)狀14-15
• 1.3 研究內(nèi)容及章節(jié)安排15-17
• 1.3.1 研究內(nèi)容15
• 1.3.2 章節(jié)安排15-17
• 2 多目標(biāo)進(jìn)化算法及其性能評價17-28
• 2.1 多目標(biāo)優(yōu)化問題17-19
• 2.1.1 多目標(biāo)優(yōu)化數(shù)學(xué)模型17-18
• 2.1.2 多目標(biāo)優(yōu)化問題的解18-19
• 2.2 多目標(biāo)進(jìn)化算法19-25
• 2.2.1 多目標(biāo)進(jìn)化算法19-24
• 2.2.2 MOEAs一般流程24-25
• 2.3 多目標(biāo)進(jìn)化算法的性能評價指標(biāo)25-26
• 2.3.1 收斂性指標(biāo)25-26
• 2.3.2 分布性指標(biāo)26
• 2.4 本章小結(jié)26-28
• 3 多目標(biāo)粒子群優(yōu)化算法及其改進(jìn)28-38
• 3.1 粒子群優(yōu)化算法28-32
• 3.1.1 粒子群優(yōu)化算法28-30
• 3.1.2 多目標(biāo)粒子群優(yōu)化算法30-32
• 3.2 多樣性的保持32-35
• 3.2.1 慣性權(quán)重因子設(shè)置32-33
• 3.2.2 變異因子33-34
• 3.2.3 精英種群管理34-35
• 3.3 仿真實驗及分析35-37
• 3.4 本章小結(jié)37-38
• 4 Baldwin混合多目標(biāo)粒子群算法（BM-MOPSO）38-46
• 4.1 基于Baldwin效應(yīng)的局部搜索算法38-41
• 4.1.1 Baldwin效應(yīng)學(xué)習(xí)策略38-40
• 4.1.2 算法步驟40-41
• 4.2 混合多目標(biāo)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 計算復(fù)雜度分析42-43
• 4.3 仿真實驗及分析43-45
• 4.3.1 Pareto前沿對比43-44
• 4.3.2 收斂性與多樣性44-45
• 4.4 本章小結(jié)45-46
• 5 BM-MOPSO在采購量分配模型中的應(yīng)用46-54
• 5.1 采購量分配模型46-49
• 5.2 采購量分配模型優(yōu)化實驗49-53
• 5.2.1 實驗環(huán)境和參數(shù)設(shè)置49-50
• 5.2.2 算法性能分析50-52
• 5.2.3 TOPSIS決策52-53
• 5.4 本章小結(jié)53-54
• 6 結(jié)論與展望54-56
• 6.1 本論文工作總結(jié)54-55
• 6.2 進(jìn)一步研究方向55-56
• 參考文獻(xiàn)56-61
• 致謝61-62
• 攻讀學(xué)位期間主要科研成果62

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張曉明;王儒敬;;一種帶逆反的粒子群算法[J];計算機(jī)科學(xué);2006年10期

2 柳伯超;秦茂玲;劉弘;;改進(jìn)粒子群算法在貨物裝載中的應(yīng)用[J];信息技術(shù)與信息化;2006年05期

3 吳軍;李為吉;;改進(jìn)的粒子群算法及在結(jié)構(gòu)優(yōu)化中的應(yīng)用[J];陜西理工學(xué)院學(xué)報(自然科學(xué)版);2006年04期

4 鄧偉林;胡桂武;;粒子群算法研究與展望[J];現(xiàn)代計算機(jī);2006年11期

5 陳健;劉同玉;;混合區(qū)間粒子群算法[J];系統(tǒng)工程理論方法應(yīng)用;2006年06期

6 王芳;雷開友;邱玉輝;;一種粒子群算法的多樣性策略研究[J];計算機(jī)科學(xué);2006年01期

7 車林仙;;基于粒子群算法的混沌系統(tǒng)快速控制[J];瀘州職業(yè)技術(shù)學(xué)院學(xué)報;2006年03期

8 單汨源;吳娟;吳亮紅;劉瓊;;基于改進(jìn)粒子群算法的資源受限項目進(jìn)度研究[J];計算機(jī)工程與應(yīng)用;2007年15期

9 童楠;符強(qiáng);;一種域自適應(yīng)型的粒子群算法[J];計算機(jī)與現(xiàn)代化;2007年05期

10 楊瑩;;改進(jìn)的混合粒子群算法[J];煤炭技術(shù);2007年05期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[A];中國科學(xué)院地質(zhì)與地球物理研究所第11屆（2011年度）學(xué)術(shù)年會論文集(上)[C];2012年

2 陳定;何炳發(fā);;一種新的二進(jìn)制粒子群算法在稀疏陣列綜合中的應(yīng)用[A];2009年全國天線年會論文集（上）[C];2009年

3 陳龍祥;蔡國平;;基于粒子群算法的時滯動力學(xué)系統(tǒng)的時滯辨識[A];第十二屆全國非線性振動暨第九屆全國非線性動力學(xué)和運(yùn)動穩(wěn)定性學(xué)術(shù)會議論文集[C];2009年

4 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設(shè)計中的應(yīng)用[A];第十一屆全國膨脹節(jié)學(xué)術(shù)會議膨脹節(jié)設(shè)計、制造和應(yīng)用技術(shù)論文選集[C];2010年

5 劉卓倩;顧幸生;;一種基于信息熵的改進(jìn)粒子群算法[A];系統(tǒng)仿真技術(shù)及其應(yīng)用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文選編[C];2005年

6 熊偉麗;徐保國;;粒子群算法在支持向量機(jī)參數(shù)選擇優(yōu)化中的應(yīng)用研究[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

7 方衛(wèi)華;徐蘭玉;陳允平;;改進(jìn)粒子群算法在大壩力學(xué)參數(shù)分區(qū)反演中的應(yīng)用[A];2012年中國水力發(fā)電工程學(xué)會大壩安全監(jiān)測專委會年會暨學(xué)術(shù)交流會論文集[C];2012年

8 熊偉麗;徐保國;;單個粒子收斂中心隨機(jī)攝動的粒子群算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

9 馬向陽;陳琦;;以粒子群算法求解買賣雙方存貨主從對策[A];第十二屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2010年

10 趙磊;;基于粒子群算法求解多目標(biāo)函數(shù)優(yōu)化問題[A];第二十一屆中國（天津）’2007IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會議論文集[C];2007年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王芳;粒子群算法的研究[D];西南大學(xué);2006年

2 安鎮(zhèn)宙;家庭粒子群算法及其奇偶性與收斂性分析[D];云南大學(xué);2012年

3 劉建華;粒子群算法的基本理論及其改進(jìn)研究[D];中南大學(xué);2009年

4 黃平;粒子群算法改進(jìn)及其在電力系統(tǒng)的應(yīng)用[D];華南理工大學(xué);2012年

5 胡成玉;面向動態(tài)環(huán)境的粒子群算法研究[D];華中科技大學(xué);2010年

6 張靜;基于混合離散粒子群算法的柔性作業(yè)車間調(diào)度問題研究[D];浙江工業(yè)大學(xué);2014年

7 張寶;粒子群算法及其在衛(wèi)星艙布局中的應(yīng)用研究[D];大連理工大學(xué);2007年

8 劉宏達(dá);粒子群算法的研究及其在船舶工程中的應(yīng)用[D];哈爾濱工程大學(xué);2008年

9 楊輕云;約束滿足問題與調(diào)度問題中離散粒子群算法研究[D];吉林大學(xué);2006年

10 馮琳;改進(jìn)多目標(biāo)粒子群算法的研究及其在電弧爐供電曲線優(yōu)化中的應(yīng)用[D];東北大學(xué);2013年

  本文關(guān)鍵詞：Baldwin混合多目標(biāo)粒子群算法在采購量分配中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

本文編號：296062