随机动态规划的智能算法研究与应用

《随机动态规划的智能算法研究与应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、太原理工大学硕士研究生学位论文随机动态规划的智能算法研究与应用摘要现实生活和生产中普遍存在着随机因素，由于受到随机因素的影响，使得对问题的求解造成不便。目前对随机条件下的寻优问题，主要从期望值角度、机会测度角度及其他的角度出发，应用随机模拟、神经网络与智能算法的混合算法来求解。论文在前人的基础上，根据随机条件下的动态规划模型的特点，在改进差分进化算法的基础上设计了随机期望值模型的混合算法用于每个阶段求解最优值，在此基础上设计了求解多阶段问题的智能算法一一随机动态规划的智能算法。主要工作如下：(1)对差分进化算法进行改进。提出多种群

2、下的差分进化算法，通过使任意两个子种群之间不会出现同一个峰值来使种群不重叠，并通过以某个个体为中心的球体内产生新个体的方式增；hHfrb群的多样性。通过实例验证算法的可行性。(2)求解随机期望值模型的混合算法。通过随机模拟求解期望值，RBF神经网络模拟期望值函数，改进差分进化算法寻优，三者混合求解期望值的最优值，实例比较得出此算法能够有效求解期望值模型。(3)随机动态规划的智能算法。该算法通过将多阶段决策问题转化为单个阶段的决策问题，在单个阶段通过随机期望值模型的混合算法求解期望值的最优值，将得到的最优解的集合训练RBF神经网络，

3、实现对单个阶段输入与最优输出的逼近，最后将每个阶段得到的神经网络逆序，求出多阶太原理工大学硕士研究生学位论文段的最优值序列。(4)将随机动态规划的混合算法应用到单一水库的优化调度中，得到每个不同阶段下的决策集。度关键词：随机动态规划，差分进化算法，RBF神经网络，水库优化调太原理工大学硕士研究生学位论文STUDYANDAPPLICATIONONTHEINTELLIGENTALG0酣THMFORAKINDOFSTOCHASTICDYNA蚤ⅢCPROGRA^心4INGABSTRACTRandomfactorsarecommoninou

4、rdailylifebywhichitisnotconvincedtosolvetheproblemseffectively．Nowadays，theoptimizationproblemsunderrandomconditionsaresolvedbythewaywhichisbasedontheviewofexpectedvalueorthechancemeasureortheothermethods，thehybridalgorithmwhichiscombinedwithstochasticsimulation，neura

5、lnetworksandintelligentalgorithmisusedtofindthebestvalueofproblems．Onthebasisofpredecessors，inthispaper,accordingtothecharacteristicsofthedynamicprogrammingmodelunderrandomconditions，wedesignintelligentalgorithmforakindofstochasticdynamicprogrammingtosolvethemulti—sta

6、geproblem．Ateachstage，thehybridalgorithmofstochasticexpectedvaluewhichisbasedontheimproveddifferentialevolutionalgorithmisusedtocomputethebestexpectedvalue．Themainworkisasfollows：(1)Toimprovethedifferentialevolutionalgorithm．Thealgorithmbasedonthemulti—populationispro

7、posed．Inthealgorithm，thetwopopulationswillnotoverlapbythewaythepeakofeachonecannotbethesameasotheroneandweincreasethediversityofthepopulationtoavoidfallingintolocalIIIoptimalsolution，thenewindividualsaredistributedinsideballbodyinthecentreofselectedindividual．(2)Thehy

8、bridalgorithmtosolvestochasticexpectationvaluemodel．一’。‘●Stochasticsimulation1Susedtocomputetheexpectations，theRBFnetworkisu