导读:本文包含了订货算法论文开题报告文献综述及选题提纲参考文献，主要关键词:订货,聚类,粗糙集,离散
订货算法论文文献综述
周家萱,徐常凯[1]（2019）在《基于粗糙集全局离散和粒子群算法的启发式航材订货模型》一文中研究指出为了解决目前航材订货模型单纯依托人为经验,对航材消耗规律变化反应滞后且可信度不高工作量过大的问题,提出在原始订货模型的框架下,使用PAM聚类、粗糙集全局离散和粒子群算法,计算模型中的航材分类、属性离散和区间权重,从而建立启发式航材订货模型,并在测试集上对比新老模型的均方离差。结果表明,启发式航材订货模型可以使人摆脱依靠经验确定模型的繁琐工作,并且能有效提高模型的准确性和及时性,从而提高航材订货工作效率。(本文来源于《空军工程大学学报(自然科学版)》期刊2019年04期）
李纪麟[2]（2017）在《人工蜂群算法的改进及其在经济订货模型中的应用》一文中研究指出经济订货批量(Economy Order Quantity,EOQ)是通过平衡各种成本核算使得库存总成本最低的订货量。经济订货批量的计算过程中,需要估计订单的数量以求得更加准确的结果。通过支持向量机(Support Vector Machine,SVM)能够对过往的订单数额进行计算,并预测之后订单数额,进而求得经济订货批量的数值。因此为使得支持向量机的学习效果更加准确,优化支持向量机的方法现已成为热点研究问题之一。人工蜂群算法是一种模拟蜜蜂采蜜行为的群体智能优化算法,由于它具有控制参数少、易于实现、计算简单、鲁棒性强等优点,处理包括优化支持向量机在内的优化问题时有着优异的表现,已被越来越多的研究者所关注。人工蜂群算法主要存在两个缺点:算法特别在处理复杂的优化问题时容易陷入局部最优和过早收敛;算法的探索能力较好,但开发能力不足,收敛速度较慢。本文从多个角度对人工蜂群算法进行改进,提高其在处理复杂优化问题方面的寻优性能,并在此基础上,将算法应用于优化支持向量机以预测经济订货批量模型中的订单预测问题。本文的研究内容主要包括以下两个方面:一方面,为提高算法的优化精度、局部搜索能力,基于现有的名为Bare-bones ABC和HBC的人工蜂群算法的改进算法,提出了一种混合的Bare-bones人工蜂群算法(Hybrid Bare-bones Artificial Bee Colony Algorithm,HBABC)。算法主要改进了以下两个方面:针对算法容易陷入局部最优的方面,引入了HBC算法启发自模拟退火算法的特性对蜜源更新的模型进行了改进;针对算法的收敛性不足的方面,通过启发自Bare-bones ABC的倾向较优个体进行搜索的特性对跟随蜂选择雇佣蜂的方式进行改进。算法通过上述两个改进以提高收敛精度和优化速度。通过使用10个测试函数进行了对比实验,验证了改进算法的有效性。另一方面,本文将HBABC算法用于优化支持向量机的两个参数,并将优化结果用于解决现有的实际问题——基于经济订货批量模型的订单数额及金额的拟合和预测问题。实验结果表明,使用HBABC算法优化的支持向量机得到的拟合和预测结果总体上比使用ABC和BBABC优化的支持向量机表现更加准确。(本文来源于《江西理工大学》期刊2017-05-19）
孙方东,李宗吉[3]（2015）在《多阶段数量折扣订货模型优化与遗传算法求解》一文中研究指出针对现有订货批量模型在描述库存成本上的缺陷,对其进行了修正。应用遗传算法对修正后的模型进行了求解,结合动态规划最优性原理,着重优化了遗传算法编码方案的设计,确保编码方案的完备性。经实例验证,该求解方法可有效解决多阶段数量折扣问题,克服了动态规划和S-M法的局限性。(本文来源于《舰船电子工程》期刊2015年12期）
刘琼,许金辉,张超勇,李俊[4]（2013）在《需求可拆分的多周期订货—运输集成优化算法》一文中研究指出鉴于目前多周期订货—运输集成问题研究几乎都假设需求不可拆分、造成不能有效降低总成本,或者将车辆数作为能力约束,造成企业各计划期内需求变化较大时不便于合理设置车辆数等问题,提出一个需求可拆分、动态车辆数的多周期订货—运输集成优化模型。鉴于目前该问题缺乏有效的求解算法,提出一种遗传算法与2-OPT算法相结合的混合遗传算法,针对问题的特点设计了一种二维编码方式来处理多周期订货时间和数量问题,并通过算例验证了模型和算法的有效性。(本文来源于《计算机集成制造系统》期刊2013年10期）
张丽萍,张蒙,白羽[5]（2012）在《基于交叉规划的订货策略优化模型及求解算法》一文中研究指出采用交叉规划模型描述了市场经济条件下供应链管理中供应商与订货商确定订购单价和订货批量的问题,并设计了基于松弛法和障碍函数法的混合算法来求解模型.实例分析说明交叉规划模型能正确表示实际的供需关系,使双方均达到满意.(本文来源于《北京建筑工程学院学报》期刊2012年02期）
柳伍生,谭倩[6]（2012）在《基于混合算法的实时订货信息下的车辆调度优化》一文中研究指出实时订货信息下的车辆调度是随机性车辆调度中货物需求量、需求点均不确定的情况下的车辆调度.针对该问题,本文构建了配送总成本最小的目标函数,提出了采用混合算法求解的思路.即以局部搜索法求得初始解,采用遗传算法优化初始解,并在送货时间更新后,利用禁忌搜索法求解速度快的特点改进调度方案,得到订货信息不断更新的条件下的车辆调度方案.通过实例分析,本方法既可解决电子商务条件下实时订货的车辆调度问题,也具有求解结果可靠、求解过程快速的特点.(本文来源于《应用数学与计算数学学报》期刊2012年01期）
翁鸣,王吴静[7]（2012）在《基于报童模型和贪心算法的订货管理系统》一文中研究指出市场需求的不确定会对零售商订货决策造成困难。为解决该问题,将多产品报童模型与贪心算法相结合,基于主流开发技术,设计一个功能齐全、操作简便的零售商订货管理系统,为零售商在需求不确定情况下的订货决策提供支持。仿真实验结果表明,与依靠经验决策获得的订货方案相比,利用该系统求得的订货方案具有明显优势。(本文来源于《计算机工程》期刊2012年01期）
王林,陈晓溪,曾宇容[8]（2011）在《模糊订货费用下基于差分进化算法的联合补货模型》一文中研究指出针对不确定环境下有最小订货量约束的产品联合补货问题,用叁角模糊数表示固定订货成本和可变订货成本,建立了模糊规划模型,选择能使总成本最小的方案进行补货。在分别采用重心法和符号法对模糊总成本进行去模糊化后,采用改进的差分进化算法对模型进行求解。通过数值实例与遗传算法进行了性能对比,证实了所设计算法的优势;对比分析了20种情况下两种去模糊化方法得到的联合补货总成本,并以成本最小为原则给出了去模糊化方法的选择原则。(本文来源于《计算机集成制造系统》期刊2011年12期）
陈劲,陈水利[9]（2011）在《供应商优选与订货量分配的多目标微粒群算法》一文中研究指出分析了供应商优选与订货量分配问题的特性,构建了带界约束的多目标优化模型,并设计具备有综合学习机制的多目标微粒群优化算法以求解该模型.实验结果表明,该多目标微粒群优化算法是有效的.(本文来源于《集美大学学报(自然科学版)》期刊2011年04期）
邹荣[10]（2011）在《供应链中订货模型的遗传算法》一文中研究指出在供应链管理中,求解订货模型往往比较困难。在订货模型中,假设持有成本是有限的,需求率是销售价格和营销成本的函数。该文把订货模型化为一个非线性约束优化问题,利用遗传算法解决该模型。(本文来源于《电脑知识与技术》期刊2011年19期）
订货算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
经济订货批量(Economy Order Quantity,EOQ)是通过平衡各种成本核算使得库存总成本最低的订货量。经济订货批量的计算过程中,需要估计订单的数量以求得更加准确的结果。通过支持向量机(Support Vector Machine,SVM)能够对过往的订单数额进行计算,并预测之后订单数额,进而求得经济订货批量的数值。因此为使得支持向量机的学习效果更加准确,优化支持向量机的方法现已成为热点研究问题之一。人工蜂群算法是一种模拟蜜蜂采蜜行为的群体智能优化算法,由于它具有控制参数少、易于实现、计算简单、鲁棒性强等优点,处理包括优化支持向量机在内的优化问题时有着优异的表现,已被越来越多的研究者所关注。人工蜂群算法主要存在两个缺点:算法特别在处理复杂的优化问题时容易陷入局部最优和过早收敛;算法的探索能力较好,但开发能力不足,收敛速度较慢。本文从多个角度对人工蜂群算法进行改进,提高其在处理复杂优化问题方面的寻优性能,并在此基础上,将算法应用于优化支持向量机以预测经济订货批量模型中的订单预测问题。本文的研究内容主要包括以下两个方面:一方面,为提高算法的优化精度、局部搜索能力,基于现有的名为Bare-bones ABC和HBC的人工蜂群算法的改进算法,提出了一种混合的Bare-bones人工蜂群算法(Hybrid Bare-bones Artificial Bee Colony Algorithm,HBABC)。算法主要改进了以下两个方面:针对算法容易陷入局部最优的方面,引入了HBC算法启发自模拟退火算法的特性对蜜源更新的模型进行了改进;针对算法的收敛性不足的方面,通过启发自Bare-bones ABC的倾向较优个体进行搜索的特性对跟随蜂选择雇佣蜂的方式进行改进。算法通过上述两个改进以提高收敛精度和优化速度。通过使用10个测试函数进行了对比实验,验证了改进算法的有效性。另一方面,本文将HBABC算法用于优化支持向量机的两个参数,并将优化结果用于解决现有的实际问题——基于经济订货批量模型的订单数额及金额的拟合和预测问题。实验结果表明,使用HBABC算法优化的支持向量机得到的拟合和预测结果总体上比使用ABC和BBABC优化的支持向量机表现更加准确。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
订货算法论文参考文献
[1].周家萱,徐常凯.基于粗糙集全局离散和粒子群算法的启发式航材订货模型[J].空军工程大学学报(自然科学版).2019
[2].李纪麟.人工蜂群算法的改进及其在经济订货模型中的应用[D].江西理工大学.2017
[3].孙方东,李宗吉.多阶段数量折扣订货模型优化与遗传算法求解[J].舰船电子工程.2015
[4].刘琼,许金辉,张超勇,李俊.需求可拆分的多周期订货—运输集成优化算法[J].计算机集成制造系统.2013
[5].张丽萍,张蒙,白羽.基于交叉规划的订货策略优化模型及求解算法[J].北京建筑工程学院学报.2012
[6].柳伍生,谭倩.基于混合算法的实时订货信息下的车辆调度优化[J].应用数学与计算数学学报.2012
[7].翁鸣,王吴静.基于报童模型和贪心算法的订货管理系统[J].计算机工程.2012
[8].王林,陈晓溪,曾宇容.模糊订货费用下基于差分进化算法的联合补货模型[J].计算机集成制造系统.2011
[9].陈劲,陈水利.供应商优选与订货量分配的多目标微粒群算法[J].集美大学学报(自然科学版).2011
[10].邹荣.供应链中订货模型的遗传算法[J].电脑知识与技术.2011