带有补偿的模糊产销计划模型及其混合算法

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (23): 258-265.

带有补偿的模糊产销计划模型及其混合算法

袁国强1，张文良1，宋梦瑶2

1.河北金融学院基础科学部，河北保定 071051
2.中国农业大学经济管理学院，北京 100193

出版日期:2015-12-01 发布日期:2015-12-14

Fuzzy production and marketing plan model with recourse and its hybrid algorithm

YUAN Guoqiang1, ZHANG Wenliang1, SONG Mengyao2

1.Department of Fundamental Science, Hebei Finance University, Baoding, Hebei 071051, China
2.College of Economics & Management, China Agricultural University, Beijing 100193, China

Online:2015-12-01 Published:2015-12-14

摘要/Abstract

摘要： 基于两阶段模糊优化方法建立一类带有补偿的模糊产销计划期望值模型，并设计含有逼近方法和粒子群优化算法的混合算法对提出的模型进行求解。给出一个实例表明模型和算法的有效性。通过改变粒子群优化算法的粒子数和迭代次数对最优解和目标函数值进行算法分析。

关键词: 产销计划问题, 带有补偿的模糊优化, 期望值模型, 逼近方法, 粒子群优化算法

Abstract: Based on two-stage fuzzy optimization method, this paper establishes a class of fuzzy production and marketing plan expected value model with recourse and designs hybrid algorithm, which contains approximation approach and particle?swarm?optimization algorithm, to solve the proposed model. Then a practical example is presented to illustrate the effectiveness of the model and algorithm. The algorithm analysis of optimal solution and objective function value will be done through changing the particle numbers and iteration numbers of the particle?swarm?optimization algorithm.

Key words: production and marketing plan problem, fuzzy optimization with recourse, expected value model, approximation approach, particle?swarm?optimization algorithm

袁国强1，张文良1，宋梦瑶2. 带有补偿的模糊产销计划模型及其混合算法[J]. 计算机工程与应用, 2015, 51(23): 258-265.

YUAN Guoqiang1, ZHANG Wenliang1, SONG Mengyao2. Fuzzy production and marketing plan model with recourse and its hybrid algorithm[J]. Computer Engineering and Applications, 2015, 51(23): 258-265.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[4]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[5]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[6]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[7]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[8]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[9]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[10]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[11]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[12]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[13]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.
[14]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[15]	李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.