小 型 微 型 计 算 机 系 统 2007年 4月 第 4期

Jo urnal of Chinese Co mputer Sy stems V ol. 28 N o. 4 2007

求解混合整数非线性规划问题的改进差分进化算法
吴亮红 ,王耀南 ,陈正龙
(湖南大学 电气与信息工程学院 ,湖南 长沙 410082)
E-mai l: lh w u@ h nus t. edu. cn; yaonan@ h nu. cn

摘　要: 针对混合整数非线性规划问题的特点 ,在 差分进化算法的变异操作中加入取整运算 ,提出了一种适 合于求解各种混合

整数非线性规 划问题的改进差分 进化算法 .同 时 ,采用时 变交叉概率因子的方 法以提高算法的全 局搜索能力和收敛 速率 .用四
个典型测试函 数进行了实验研究 ,实验结果表 明 ,改进的 差分进化算法用于求 解混合整数非线性 规划问题时收敛速 度快 ,精度
高 ,鲁棒性强 .
关 键 词: 混合整数非线性规划 ; 差分进化算法 ; 取整运算 ; 时变交叉概率因子
中图分类号: T P18　　 　　　文献标识码: A　　　　　　文 章 编 号: 1000-1220( 2007) 04-0666-04

Modified Differential Evolution Algorithm for Mixed- integer Nonlinear Programming

Problems

W U Liang-ho ng , W AN G Yao -nan, CHEN Zh eng -long

( Col lege of Elect rical and Inf orma tion Engi neerin g , Hunan Uni versit y, Changsha 410082, Ch ina )

Abstract: Aiming to the cha racte ristics of mix ed-integ er no nlinear pr og ramming ( M IN P) , a r ounding o peration w as added to
the muta tio n o pe rato r of differentia l ev o lutio n algo rithm , a modified diffe rential ev olutio n ( M D E) alg o rith m fitted to the M IN P
is pro po sed. At the sa me time, the metho d o f time-v ar ying cr ossov er pro ba bility facto r w as adopted to im pr ov e the g lo ba l
searching ability and co nv erg ence speed o f M D E. The ex periments researching w er e done by fo ur classic testing functio ns . The
ex pe riment results show that the M DE ha s fast co nv erg ence speed, high pr ecisio n and g o od ro bustness fo r so lving M IN P.
Key words: mix ed -integ er nonlinear pro g ramming; differe ntia l evo lution; r ounding o peration; time-va rying cro ssov er pr obabili-
ty fac to r

1　引　言 文献 [ 9]对 D E的变异操作进行了 改进 ,提出了 一种对于整数

变量直接 在整数空间 进行优化 计算的改进 差分进化算 法 .文
混合 整数非线性规划 问题 ( M IN P)广泛存 在于许多实 际 献 [10]将这 种方法结合 乘子更新 法应用 于工厂 调度与 规划 ,
工程和管理等领域 ,如机械、化工、资源管理、生产调 度、生物、 取得了满意的效果 .但文献 [9 ]提出的直接对差分矢量向下取
军事等领域 .求解 M IN P 的传统方法有分支定界法、广义 Ben- 整运算的方 法 ,对于 0-1整数 规划或者整数只包 括 { 0, 1}的问
de rs分解法 ( GBD)、外近似法等 .由于同时含有实 数变量和整 题并不适合 .本文对变异矢 量采用四舍五入方法进行取整 ,使
数离散变量 , M IN P被认 为是一类 N P完 全问题 ,随着变量 维 之适合于 0-1整数规划和 整数只包括 { 0, 1} 的优化问题 .对于
数的增加 ,计算量会急剧增大 ,从而使这些算法用 于实时控制 其它 M IN P问题 ,同时进行向上取整和向下取整运算 ,得到两
不可 能 ,存在 很大的局 限性 .近 年来 ,有许多学者 将进化算 法 个试验向量 ,从而扩大了寻 优空间 ,有利于提高算法搜索到最
如 遗 传算 法 ( GA ) [ 1-3 ]、 模拟 退 火 算 法 ( SA ) [ 4] 、进 化 规 划 优解的鲁棒性 .用多个经典 测试函数对改进算法进行了测试 ,
( EP) [ 5] 和粒子群优化算法 ( PSO) [ 6, 7]等用于求解 M IN P 问题 . 实验结果表明了所提出的改进 DE( M odified DE, M DE)算法
这些方法一般都是先在实数域进行优化 然后对离散变量取整 用于求解 M IN P问题的有效性 .
作为 M IN P问题的近似解 ,存在一定的局限性 [ 6] .
2　 M INP 问题描述
差 分 进 化 算 法 ( Differe ntial Ev o lutio n , DE ) 是 Rainer
Sto rn和 Kenne th Price于 1995年共同提 出的一种采用浮点矢 混合整数非线性规划问题一般可描述为:

量编码 ,在连续空间中进行启发式随机搜索的 优化算法 [ 8] .近 min f ( x , y )

g i ( x , y ) ≤ 0　 i = 1, 2,… , m
年来 ,差分进 化算法作为 一种性能 卓越的优化 算法正受到 日
　　 s. t.　 h j ( x , y ) = 0 j = 1, 2,… ,l ( 1)
益关注 ,其应用领域也越来越广 .为了将 DE 用于 M IN P问题 , x L ≤ x ≤ xU　　 yL ≤ y ≤ yU

　　收稿日期: 2006-01-17　基金项目: 国家自然科学基金项目 ( 60375001)资助 ; 高校博士点基金项目 ( 20030532004)资助 . 　作者简介: 吴亮红 ,

男 , 1978年生 ,讲师 ,硕士研究生 ,研究 方向为智能控制、计算智能等研究 ; 王耀南 ,男 , 1957年生 ,教授 , 博士生导师 ,研究方向智 能控制、智能信
息处理、智能图像处理等研究 .
4期　　　　　　　 吴亮红 等: 求解混 合整数非线性规划问题的改进差分进化算法 　　 667

　　式 ( 1)中 x 为 连续 矢 量 , y 为 离 散矢 量 ; ( x L , yL )和 ( x U , 3. 2. 2　整数变量变异操作

y )分别 为相应决策 变量的下 界和上界 ; g i ( x , y )为不等式 约
U 对于整数变量 ,同时对 变异矢量向上和向下取整 ,从而得
束 条件 ,h j ( x , y )为等式 约束条件 .这些约 束条件通 常都是 非 到两个不同的变异矢量 .这 样有利于扩大搜索范围 ,从而有利
线性的 ,因而 M IN P问题一 般难以求 解 .对约 束条件 的处理 , 于 提高算 法搜索到 全局最优点 的鲁棒性 .对于 0-1整数规划
和整数只为 { 0, 1}的情况 ,则用 四舍五入的方法进 行取整 .对
一般 采用简 单有效 的惩罚函 数法 ,将带 约束条件 的原 M IN P
整数变量进行变异操作的方程为
问题转 化为无约 束问题来求 解 .经 惩罚函数转 化后的无约 束
　　 ym1 = [ytr 3 + F* ( ytr1 -ytr 2 ) ] ( 6)
问题可定义为:
l m
　　 ym2 = [ytr 3 + F* ( ytr1 -ytr 2 ) ] ( 7)
F( x , y ) = f (x , y ) + ∑
j= 1
Tj h 2j ( x , y ) + ∑
i= 1
Ui〈gi ( x , y )〉+2 ( 2) 　　 ym = [y + F* ( y -y ) ]
t
r3 ( 8) t
r1
t
r2

式 ( 2)中 Ti 和 Ui 为 大于 零的 惩罚 因子 ,〈g i 〉+ = ma x ( 0, 式 ( 6)为下向取整 运算 ,式 ( 7)为向 上取整运 算 ,式 ( 8)为按四

gi ). 舍五入取整运 算 .通过 对变异矢量 进行改进之 后 , DE 就可以
用于实数变量、整数规划和 混合整数变量优化问题 .
3　改进的差分进化算法 3. 3　交叉操作
D E利用交 叉操作以 保持种群的 多样性 .对于群体 中第 i
差分 进化算法采 用浮点数 编码 ,在 连续空间 进行优化 计
个 个 体 ( xti , yti ) ,将与 ( xm , ym )进 行交 叉 操作 ,产 生 试验 个体
算 ,是一种求解实数 变量优化问题的有 效方法 .要将 D E用 于
( x T , yT ) . 为保证个 体 ( x ti , yti )的进 化 ,首先通 过随 机选 择 ,使
求解整数规划或混合整数规划问题 ,必须对 DE进行改进 . DE
得 ( x T , y T )至 少有一 位由 ( xm , ym )贡献 ,而对 于其 他位 ,可利
的基本操作包括变异、交叉和选择操作 ,与其它进 化算法一样
用一个交叉概 率因 子 CR ,决定 ( x T , y T )中哪 位由 ( xm , ym )贡
也是依据 适应值大小进行操 作 .根据 DE算法的特 点 ,只要 对
献 ,哪位由 ( x ti , yti )贡献 .交叉操作的方程为
变异操作 进行改进就可以将 D E用于 整数规划和混合整数 规
x mj rand ( ) ≤ CR
划 .对于整数变量 ,文献 [ 9, 10 ]直接对 D E变异 操作中的差 分 xTj = 　 　 j = 1, 2,… , n ( 9)
x ti j rand ( ) > CR
矢量进 行向下取 整运算 ,从而保证 整数变量直 接在整数空 间
ym j rand ( ) ≤ C R
进行寻优 .本文提出另外一种改进方法 ,不是直接 对差分矢量 yT j = 　 　 j = 1, 2,… ,d ( 10)
yti j rand ( ) > C R
进行取整运算 ,而是对变异后的矢量进行取整运算 ,这样使得
式 ( 10)和 ( 11)中 rand ( )为 [0, 1 ]之 间的均匀 分布的随机
变异操作在实数域进行 ,从而扩大了寻优空间 ,有 利于提高算
数 ,CR∈ [0, 1]. 由式 ( 9)和 ( 10)可 知 ,如果 C R 越大 ,则 ( xm ,
法的 寻优能力 .一般而 言 ,进行 取整运算 时要么是向 下取整 ,
ym )对 ( x T , y T )的贡献 越多 ,当 CR = 1时 , ( x m , ym ) = ( x T , yT ) ,
要么是向上取整 ,只作一种选择 ,缩小了寻优空间 .因此 ,本文
有利于局部搜索和加 速收敛速率 ; 如果 C R 越小 ,则 ( x ti , yti )对
同时向上 和向下取整运算 .对于 0-1规划 ,或者整数变量只 取
( x T , yT )的贡献越多 ,当 CR= 0时 , (x ti , yti )对 ( x T , yT ) ,有利于
{ 0, 1}两个 变量的优 化问题 ,向上或者向 下取整都 不能适应 ,
保持种群的多样性和全局搜索 .由此可见 ,在保持种群多样性
本文算法在取整运算时采用四舍五入法 .
与收敛速 率之间是矛 盾的 . 良好的搜索 策略应该 是在搜索的
3. 1　 变量描述与初始化
初始阶段保持种群多样性 ,进行全局搜索 ,尽可能得到多个可
D E由 N P 个参数矢量 ( xti , yti ) ( i= 1, 2,… , N P,其中 t 表
能全局最优的种子 ,而在搜 索的后期应加强局部搜索能力 ,以
示第 t 代 )构 成种群在搜索空间 进行并行直接的寻 优 .设实 数
提高算法的精度 .基于这种 思想 ,本文采用时变交叉概率因子
变量的 维数为 n ,整 数变量维数 为 d ,则 (x i , yi )可表示为 ( x1 i ,
CR 的方 法 ,即 C R 随迭代 次数的 增加而 由小变大 ,初 始阶段
x 2i ,… , xn i , y1i , y2i ,… , ydi ) .初始化时 ,根据式 ( 3)和 ( 4)分别对 ( xti , yti )对 ( x T , yT )贡 献多 ,提 高 全 局搜 索 能力 ,而在 后 期则
实数变量 x 和整数变量 y 进 行初始化 .对于 整数变量 ,先 在实 ( xm , ym )对 ( x T , y T )贡 献多 ,提 高局部搜 索能力 .设 C Rmi n为最
数空 间进行随机 取值 ,然后向下取 整 ,得 到对应的整 数变量 . 小交叉概 率 ,C Rma x为最大 交叉概 率 , t 为当前 迭代次 数 , T 为
式中 rand ( )为 [ 0, 1]之间的均匀随机数 . 最大迭代次数 ,则 CR 由方程 ( 11)确定
xi0 = x L + rand ( )* ( xU -xL ) ( 3) t* (CR max -CR min )
CR = C Rmi n + ( 11)
y0i = yL + [rand ( )* ( yU -yL ) ] ( 4) T
3. 4　选择操作
3. 2　 变异操作
D E采用“贪婪”的 搜索 策略 ,经 过变 异与 交叉 操作 后生
3. 2. 1　实数变 量变异操作
成的 试验个体 ( x T , y T )与 ( xti , yti )进行 竞争 ,只 有当 ( x T , y T )的
D E最基 本的 变异成 分是 父代的 差分 矢量 ,每个 矢量 对
适 应度 值较 ( xti , yti )更 优时才 被选 作子 代 ,否则 ,直 接将 ( xti ,
包 括父代两个 不同的 个体 ( x tr1 , xtr 2 ) .根据变 异个体 的生成 方
yti )作为子代 .选择操作的方程为
法不同 ,形成了多种不同的差分进化算法方案 [ 8] .其中个 体变
( x T , yT ) F (x T , yT ) < F ( xti , yti )
异方式 DE /ra nd /1 /bin的方 程为 ( xt+i 1 , yt+i 1 ) = 　 ( 12)
( xti , yti ) F (x T , yT ) ≥ F ( xti , yti )
　　 xm = xtr 3 + F* (x tr1 -xtr 2 ) ( 5)
式 ( 5)中 xtr 1、 x tr2、 xtr 3为互 不相同 的随 机个 体 , F∈ [0, 2 ] ,为 缩 4　算法流程
放因子 .变异矢量 x m 其实就是 xtr 3的 一个噪音版本 .
 668　　　　　　　　　 小　型　微　型　计　算　机　系　统 　　　　　　　 2007年

综合以上对 DE 的改进 ,提出的 求解 M IN P的改进 D E 算 a1 + a2 y2 x3 + a3 y1 x 2 -a 4 x 1 x 3 ≤ 92

法的流程如下: a5 + a6 y2 x3 + a7 y1 y2 + a8 x 21 -90≤ 20
Step 1. 初始化种群规模 N P,收缩因子 F ,交叉概率 C Rmi n a9 + a10 x 1 x 3 + a11 y1 x 1 + a 12 x 1 x 2 -20≤ 5
s. t.　 ( 16)
27≤ x 1 , x 2 , x 3 ≤ 45
和 C Rmax .在 每个变量的定义域内按式 ( 3)和 ( 4)随机初始化每
y 1 ∈ { 18,… , 102}
一个个体 .确定惩罚因子Tj 和Ui ,设置最大迭 代次数 T ,置当前 y 2 ∈ { 33,… , 45}
迭代计数器 t= 0. 已 知最 优解 ( x1 , x 2 , x 3 , y1 , y2 , f * ) = ( 27, 35. 8175, 27, 78,
Step 2. 计算每个个体每个约束条件的 惩罚量 . 36, 3. 22174× 104 ).
Step 3. 按式 ( 2)计算每 个个体的 适应值 ,求出 最优适 应 表 1　问题 4中参数
值及最优个体 . Table 1　 Pa ram eters o f pr oblem4
Step 4. 判断是否达 到精度要 求或是否 达到最 大迭代 次 a1 85. 334407 a2 0. 0056858 a 3 0. 0006262 a4 0. 0022053
数 ,若是则退出 ,否则执行下一步 . a5 80. 51249 a6 0. 0071317 a 7 0. 0029955 a8 0. 0021213
a9 9. 300961 a 10 0. 0047026 a11 0. 0012547 a12 0. 0019085
Step 5. 对 ( xti , xti ) (i= 1, 2,… , N P)执行 ( 6)～ ( 8)步 ,生
成第 t+ 1代种群 .
Step 6. 在种群中随机选择三个与 (x ti , yti )不同的个体 ,按 实验中种 群规模 N P取变 量维数的 10倍 , F = 0. 5, CR min
式 ( 5)～ ( 8)进行变异操作 ,生成变异个体 ( xm , ym ) . = 0. 5, CR max = 0. 9,问题 f 1～ f 3 的最大迭代 次数都为 T = 50,

Step 7. 按 式 ( 9)和 ( 10)进 行 交 叉 操作 ,生 成试 验 个 体 f 4 的最 大迭代次 数 T = 150,惩罚 因子 Ui = 10.为减小 随机干

( x T , yT ). 扰 , 每一问题都重复 20次实验 .每一问题 20次的平均最优解
为 ( x1 , x 2 , x 3 , x 4 , f 1* ) = ( 0, 0, 0, 0, 0) , ( x , y , f 2* ) = ( 0. 5, 1,
Step 8. 按式 ( 11)和 ( 12)进行选择操作 ,生成 t+ 1代个体
2) , ( x 1 , x 2 , x 3 , y 1 , y2 , y3 , y4 , f 3* ) = ( 0. 2, 1. 28061, 1. 95448,
( xt+i 1 , yt+i 1 ) .
1, 0, 0, 1, 3. 557489) , ( x 1 , x 2 , x 3 , y1 , y2 , f 4* ) = ( 27, 35. 8175,
Step 9. t= t+ 1,返回 step2.
27, 78, 36, 3. 22171× 104 ) .表 2为每一问题 的最优解、平均最
5　实验研究 优解 及标准差 的统计 结果 . 从表 2的 最优解 和平 均值 可以看
表 2　 20次实 验结果统计表
为验证本文算法求解整数规划和混 合整数非线性规划的
Ta ble 2　 Ex periment result of 20 r uns
有效性 ,用如下四个典型测试函数进行实验 [ 5, 6] .
MDE
minf 1 (x ) = ( x 1 + 10x 2 ) 2 + 5( x 3 -x 4 ) 2 + ( x2 -2x 3 ) 4 + 函数 已知最优解
最优解 平均值 标准差
10( x 1 -10x4 ) 4 , xi ∈ [-100, 100]D ( 13) f1 0 0 0 0
最优解 ( x 1 , x 2 , x3 , x 4 , f * ) = ( 0, 0, 0, 0, 0). f2 2 2 2 0
f3 3. 557463 3. 557463 3. 557489 2. 8282e-5
minf 2 (x , y ) = 2x + y
f 4 3. 22174e+ 4 3. 22168e+ 4 3. 22171e+ 4 0. 1999
1. 25-x 2 -y2 ≤ 0
x + y < 1. 6
s. t.　 ( 14) 出 ,改进的 D E 算法的精度比文献 [5 ]基于种群 优生的进化规
0≤ x ≤ 1. 6
y ∈ { 0, 1} 划要高 .从标准差可以看出 ,改进的 DE算法全局收敛的鲁棒
已知最优解 ( x , y , f * )= ( 0. 5, 1, 2) .
minf 3 (x , y ) = ( y1 -1) 2 + ( y2 -1) 2 + ( y 3 -1) 3 -ln( y4 + 1)
+ ( x 1 -1) 2 + ( x 2 -2) 2 + (x 3 -3) 2
y1 + y 2 + y3 + x 1 + x2 + x 3 < 5
y23 + x 21 + x 22 + x 23 ≤ 5. 5
y1 + x 1 ≤ 1. 2
y2 + x 2 ≤ 1. 8
y3 + x 3 ≤ 2. 5
s. t. y4 + x 1 ≤ 1. 2 ( 15)
y22 + x 22 ≤ 1. 64
y23 + x 23 ≤ 4. 25
y22 + x 23 ≤ 4. 64
x1, x2, x3≥ 0
图 1　 f 1 20次平均最优适应度曲线
y1 , y 2 , y3 , y4 ∈ { 0, 1}
Fig . 1　 20 r uns ave rag e best curv e fo r f 1
已知最优解 ( x 1 , x 2 , x 3 , y1 , y2 , y 3 , y4 , f * )= ( 0. 2, 1. 28061, 1.
性好 .对 于问题 f 1～ f 3 ,只 需经过 50次迭代运 算即可 得到最
95448, 1, 0, 0, 1, 3. 557463) .
优解 ,而对于问题 f 4 也只 需 150次迭代次数 ,说明算法收敛速
max f 4 ( x , y ) = -5. 357854x 21 -0. 835689y1 x 3 -
度快 .图 1～ 图 4为改进 DE算法求解上述四个问题时 20次平
37. 29329y1 + 40792. 141
4期　　　　　　　 吴亮红 等: 求解混 合整数非线性规划问题的改进差分进化算法
均最优解的进化曲线 .
图 2　 f 2 20次平均最优适应度曲线
Fig. 2　 20 runs av erag e best curv e fo r f 2
图 3　 f 3 20次平均最优适应度曲线
Fig. 3　 20 runs av erag e best curv e fo r f 3
图 4　 f 4 20次平均最优适应度曲线
Fig. 4　 20 runs av erag e best curv e fo r f 4
6　结　论
对 DE 算 法的变 异矢量 同时向 上和向 下进 行取整 运算 ,
而对整数只包括 { 0, 1}的混合整数非 线性规划问题则用 四舍
五入 方法进 行取整 运算 ,使改进 的 D E 算法 适应于求 解整 数
　　 669
规划和混 合整数非线 性规划问 题 .为保 证种群的 多样性和提
高算法的收敛速度 ,采用时 变交叉概率因子的方法 .对四个典
型整数规 划和混合非 线性整数 规划问题进 行了测试 ,实验结
果表明 ,改进 的 DE算法 收敛速 度快 ,精度高 ,全 局搜 索鲁棒
性好 ,是一种求解 整数规划 和混合整数 非线性规 划问题的有
效方法 ,可广泛应用于各种 实际工程问题中 .
References:
[ 1 ] W ang Mi ng-le, Gao Xiao-guang. A modifi ed genetic al gori th m
f or solving nonli near hyb rid op timi zat ion probl em [ J ]. In forma-
ti on and Cont rol, 2002, 31( 4) : 363-366.
[ 2 ] K ang Zh uo, Li Yan, Li u Pu et c. An al l-purpos e evolu tionary al-
g ori th m f or s olving nonli near programming p robl ems [ J ]. Jour-
nal of Com put er Res earch and Dev elop men t, 2002, 39 ( 11 ):
1471-1477.
[ 3 ] Feng Ji an-rong , Li u Zhi-h e, Li u Zh en-h e. A mi xed i nt eger g e-
netic algo ri th ms fo r solvi ng th e mixed i nt eger prog ram mi ng
probl ems and simul ation i mplementi ng [ J ] . Journal of Sys tem
Sim ulati on , 2004, 16( 4): 845-849.
[ 4 ] Li Lei, W ang Ch un-f eng , Teng Chu n-xi an. The approximat e
alg ori th m of global opti mi zation f or a sort of nonli near bi level
mi xed in teger programming problem [ J ]. Sys tems Engi neeri ng-
Th eory & Practi ce, 2002, 22( 4): 19-25.
[ 5 ] Li u Fang, Li Ren-h ou. Solvi ng mi xed i nt eg er non-linear pro-
g ram mi ng problems by t he evolu tionary programming bas ed on
th e p repot ency of races [ J ] . Journal of Sys tem Si mulat ion,
2003, 15( 8): 1076-1078.
[ 6 ] Tan Yi ng, Gao Hui-mi n, Zen Ji an-chao. Particle sw arm opt i-
mi zation f or i nt eger p rog rammi ng [ J] . Syst em Engineeri ng -Th e-
ory & Practi ce, 2004, 24( 5): 126-129.
[ 7 ] Liu Zh ao, K ang Li-s han, Ji ang Liang-xiao et c. N ew PSO algo-
ri th m f or M IN LP p robl em s [ J ] . M ini-Mi cro Syst ems , 2005, 26
( 6): 991-994.
[ 8 ] St orn R, Price K. Dif f erenti al evol uti on-a si mpl e and eff ici en t
adaptiv e scheme f or global op timi zat ion over conti nuous spaces
[ R ]. Tech ni cal Report Int ernati onal Comput er Science Inst i-
t ut e , Berk ley , 1995.
[ 9 ] Li n Y ung-Chi en, Wang Feng-sh eng , Huang K ao-s hing. A hy-
b rid meth od of evolu tionary algori th ms f or mix ed-in teger non-
li near opti mizati on p roblems [ C ] . IEE E Proceeding of Ev olu-
tionary Comput ation. Pi scat away, 1999, 2159-2166.
[ 10 ] Lin Y ung-Chi en, Huang Kao-Shi ng, W ang Feng-sheng. Plan t
scheduling and planning u sing mix ed-in teg er hyb rid di ff eren tial
ev ol uti on wi t h m ulti plier updati ng [ C ]. IEE E Proceedi ng of
Evolu tionary Compu tation. Piscataw ay , 2000, 593-600.
附中文参考文献:
[ 1 ] 汪民乐 ,高晓光 . 一种新型非线性混合变量遗传优化算法及其应
用研究 [ J] .信息与控制 , 2002, 31( 4): 363-366.
[ 2 ] 康　卓 ,李　艳 ,刘 　溥 等 .一个通用 的混合非线性规划问题的
演化算法 [ J] .计算机研究与发展 , 2002, 39( 11): 1471-1477.
[ 3 ] 丰建 荣 , 刘志河 ,刘正和 . 混合整数规划 问题遗传算法 的研究及
仿真实现 [ J] .系统仿真学报 , 2004, 16( 4): 845-849.
[ 4 ] 李　 磊 , 王春峰 ,滕春贤 . 一类非线性两 级混合整数规 划问题的
全局最优解的近似算法 [ J] . 系统工程理论与实践 , 2002, 22( 4):
19-25.
[ 5 ] 刘　芳 ,李人厚 . 基于种族优生的进化规划用于混合非线性整数
规划 [ J] .系统仿真学报 , 2003, 15( 8): 1076-1078.
[ 6 ] 谭　瑛 ,高慧敏 ,曾 建潮 . 求解整数规 划问题的微 粒群算法 [ J] .
系统工程理论与实践 , 2004, 24( 5): 126-129.
[ 7 ] 刘　钊 ,康立山 ,蒋 良孝 等 .用粒子群 优化改进算法求解混合整
数 非线性规划问题 [ J] .小型微 型计算机系统 , 2005, 26( 6): 991-
994.