求解随机机会约束规划的混合智能算法.pdf

ComputerEngineeringandApplications计算机工程与应用2010，46（22）43

求解随机机会约束规划的混合智能算法

肖宁
XIAONing

陕西职业技术学院计算机科学系，西安710100
DepartmentofComputerScience，ShaanxiVocational&TechnicalCollege，Xi’an710100，China
E-mail：[e-mail]

XIAONing.Solvingstochasticchance-constrainedprogrammingproblemswithhybridintelligentalgorithm.Computer
EngineeringandApplications，2010，46（22）：43-46.

Abstract：Stochasticchance-constrainedprogrammingbelongstoaclassofstochasticprogrammingproblems，inthepaper，
randomsimulationisusedtoproducetrainingsamplesforBPneuralnetworktoapproximatethestochasticfunction，fitness
valueiscalculatedandfeasiblesolutionischeckedbythetrainedneuralnetworkinPSO，andahybridintelligentalgorithm
forstochasticchance-constrainedprogrammingispresented.Finally，thesimulationresultsshowthecorrectnessandeffective-
nessofthealgorithm.
Keywords：stochasticchance-constrainedprogramming；ParticleSwarmOptimization（PSO）algorithm；randomsimulation；neu-
ralnetwork

摘要：随机机会约束规划是一类有着广泛应用背景的随机规划问题，采用随机仿真产生样本训练BP网络以逼近随机函数，然
后在微粒群算法中利用神经网络计算适应值和实现检验解的可行性，从而提出了一种求解随机机会约束规划的混合智能算法。
最后通过两个实例的仿真结果说明了算法的正确性和有效性。
关键词：随机机会约束规划；微粒群算法；随机仿真；神经网络
DOI：10.3778/j.issn.1002-8331.2010.22.015文章编号：1002-8331（2010）22-0043-04文献标识码：Ａ中图分类号：O221.5

1引言其中，fˉ是目标函数f(xξ)在置信水平至少为β时所取的最
随机机会约束规划（StochasticChance-ConstrainedPro-小值。
gramming，SCCP）是由Charnes和Cooper提出的一类随机规随机机会约束规划问题的提取并不困难，但其求解却很
划[1]，其显著特点是随机约束条件至少以一定的置信水平成难。因此，探索高效的随机机会约束规划的算法就非常有研
立。它实质是决策者考虑到所作决策在不利的情况下发生时究价值。
可能不满足约束条件而采用的一种原则，即允许所作决策在处理随机机会约束规划的主要方法是将机会约束规划转
一定程度上不满足约束条件（不考虑违反约束条件的惩罚）只化成其确定的等价形式，然后对等价的确定模型进行求解，但
要求该决策使约束条件成立的概率不小于某一置信水平。这种方法只适用一些特殊情形。另一种方法是采用逼近法，
随机机会约束规划模型通常表示为：利用随机仿真与智能算法相结合来进行，其中以遗传算法
ìMaxfˉ（GeneticAlgorithm，GA）最为成功[2]。目前，国内外学者仍在
ï
ï[2-3]
ís.t.Pr{f(xξ)³fˉ}³β继续探索处理该类问题的新的、更为有效的算法。
ï
ïPr{g(xξ)£0j=12p}³α随着计算机技术的迅速发展，使得智能技术具有解决大
îj
规模、更复杂优化问题的能力。微粒群算法（ParticleSwarm
其中，x，ξ分别是决策、随机向量，Pr{}是事件的概率，α，β是决
Optimization，PSO）是由Eberhart与Kennedy于1995年提出的
策者预先给定的置信水平，fˉ是目标函数f(xξ)在置信水平至
一种新的智能技术[4]，它与GA类似，采用基于种群的并行全
少为β时所取的最大值。
局搜索策略，但不具有选择、变异等操作，仅采用简单的速度