基于改进粒子群算法的投资组合模型

研究最优化处理资产的实际收益率问题,经典的均值一方差模型对于输入参数过于敏感,不能较好的处理真实世界中的实际收益率问题.为了更好的解决上述问题,建立了一种l∞风险函数的双目标投资组合模型.针对模型中目标函数的不连续性,采用了改进的粒子群优化算法进行求解.改进算法在考虑最优和次优位置的基础上,引入了遗传算法中的交叉操作.在仿真中,运用证券市场中的真实数据分析得出,新模型能够获得比均值一方差模型更小的风险值,同时在实际收益率方面表现更好.     

求解均值-CVaR投资组合模型的改进粒子群算法

针对粒子群算法易跳过全局极值,且只能求解连续性问题的缺点,提出离散复形法局部搜索的思想,来有效提高粒子群算法在离散型问题中的搜索性能。针对粒子群算法易陷入局部极小的缺点,引入自适应粒子迁徙操作保证粒子的多样性,有效避免陷入局部收敛。对采用CVaR度量风险、构建有交易费用和限制证券比例的均值-CVaR投资组合模型进行仿真实验,实验结果验证了算法的有效性。将改进的粒子群算法应用到求解均值-CVaR模型的投资组合问题,与其他算法相比,该方法精度更高、性能更稳定。     

粒子群算法求解组合投资问题

本文在分析概率准则下的组合投资问题模型的基础上,提出了一种基于粒子群优化算法的求解方案,并用C++加以实的收敛性和计算效率,为组合证券投资者提供了一种高效的决策方法。现,然后结合实例,和传统方法、随机模拟结合遗传算法,遗传—禁忌算法等进行比较。证明了文中采用算法具有较高     

基于二次粒子群算法的投资组合优化

投资组合优化问题是一个复杂的组合优化问题,属于NP难问题,传统算法很难解决这一问题。将二次粒子群算法应用到投资组合优化问题中,并采用参数的自适应变化。数值模拟表明该算法在投资组合优化问题中能避免陷入局部最优,加快达到全局最优的收敛速度,并在一定意义下优于标准粒子群算法。     

基于双种群交流粒子群算法的离散投资组合模型

针对标准粒子群算法易陷入局部最优的缺陷,提出一种双种群交流的新型粒子群算法,利用速度变异成功地解决了上述问题;综合考虑了我国股票市场上的交易费用、整数手数投资、不允许买空卖空等问题,建立了符合我国股票市场的投资组合模型,并将双种群交流的离散粒子群算法应用于其求解过程中,给出最优投资组合。     

基于改进粒子群算法的组合服务优化

该文提出了一种基于遗传的粒子群算法来寻找最优组合服务。首先,设计了Web服务组合模型对组合服务进行形式化描述;接着,提出了候选服务筛选思想来解决组合数庞大问题;最后,引入遗传算法的交叉策略来避免粒子陷入停滞状态,同时采用了调整参数ω来改善粒子过早陷入局部最优。实验结果表明,基于改进粒子群优化的组合服务算法可靠、有效,能够获得综合Qos较好的解。     

基于捕食策略的粒子群算法求解投资组合问题

通过分析中国证券市场现实投资环境和实际特点,建立了一个考虑完整费用的证券投资组合模型。针对标准粒子群算法容易陷入局部最优和搜索精度不高的缺点,提出了基于捕食策略的粒子群算法,将其用于求解投资组合模型。捕食搜索策略可以通过调节限制级别来控制粒子群的搜索空间,从而平衡全局搜索和局部搜索。通过实例分析验证了算法的有效性。     

一种基于粒子群优化算法的组合预测模型

本文首先分析了若干传统的预测方法,提出了一种组合预测模型,在该模型中利用加权系数对各种预测方法进行组合,集成不同来源的预测结果,从不同的侧面反映整个预测过程,力图使预测结果更加精确。在各种预测方法加权系数的确定上,利用PSO快速全局优化的特点,可以减少试算的盲目性,提高模型预测的准确性。     

考虑复杂约束的鲁棒均值-CVaR投资组合模型及粒子群算法

投资组合模型中期望收益等参数的估计误差对最优投资组合策略的稳定性产生重要影响. 在提出考虑复杂约束和交易成本的鲁棒均值-CVaR投资组合模型的基础上, 设计改进粒子群算法来求解该模型. 应用实际交易数据对所提出的模型和算法进行数值实验和比较, 结果表明改进粒子群算法能有效地求解该模型, 产生更稳定的最优投资策略, 从而能够更好地适合实际投资环境.     

基于改进粒子群优化算法的排课问题

深入分析了排课问题,提出一种基于离散粒子群的排课算法,构建了相应的解题框架。针对粒子群算法有后期收敛速度慢、易收敛于局部最优的缺点,结合排课问题的特点,对粒子群算法作了改进。在三维空间中建立模型,采用避免冲突的种群初始化加快收敛,并且引入变异操作避免陷入局部最优等。实践表明改进后的粒子群算法能有效地解决排课问题。     

群核进化粒子群优化方法

粒子群优化方法（PSO Particle Swarm Optimization）是由Kennedy和Eberhart于1995年提出的进化计算技术,并成功应用于各类优化问题。其基本思想源于对鸟群捕食等群体行为的研究。本文对标准PSO方法进行了分析,给出了“群核”（Swarm-Core）的概念,并在此基础上,提出了群核进化粒子群优化方法（Swarm-Core Evolutionary Particle Swarm Optimization,SCEPSO）,同时把该方法与其它版本PSO方法进行了比较。试验结果表明：在相同环境下,SCEPSO方法能较好地克服传统PSO方法中的不足,测试结果较其它几个版本的PSO方法有很大提高,是非常有效的。     

基于克隆选择的免疫粒子群优化算法

粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题.针对这一问题,在粒子群算法中引入免疫克隆选择算法的思想,提出了基于克隆选择的免疫粒子群优化算法(Immune Particle Swarm Optimization,ImmunePSO),即在算法进化过程中,引入克隆复制算子、克隆高频变异算子、克隆选择算子.成比例克隆复制可以使优良个体得到保护,加快算法收敛;高频变异为新个体的产生提供了新的途径,可以增加种群的多样性;克隆选择算子从所有子代、父代中选择出最优个体,避免算法退化.最后通过对基本测试函数的仿真试验,验证了算法不仅可以增加种群的多样性,加快算法的收敛速度,而且提高了最优解的精度,有效地避免算法陷入到局部极值.     

基于改进粒子群算法的物流中心选址优化

物流配送中心的选址问题在当今经济,尤其是任电子商务发展迅速与繁荣的社会中有着举足轻重的地位。本文采用提出的改进粒子群算法对该问题的模型进行了求解,仿真结果表明改进算法对于该问题求解的有效性。     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,并成功的运用于广泛的数值优化问题。PSO算法在求解高维复杂函数优化问题时容易陷入局部最优。有鉴于此,本文提出了一种基于信息熵的粒子优化算法。该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性。实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度。     

基于动态参数的杂交粒子群优化算法

粒子群优化算法的局部搜索能力较差,搜索精度不够高,容易陷入局部极小解,且搜索性能对参数具有一定的依赖性。本文针对这些缺点,在借鉴遗传算法中杂交概念的基础上,进一步通过在速度进化方程中引进动态参数来提高算法的收敛速度和收敛率。经LevyNo. 5函数对改进算法的测试表明,相对杂交粒子群优化算法,该方法的收敛速度和平均收敛率均得到了不同程度的提高。     

基于模式优选思想改进的粒子群优化算法

针对粒子群优化算法（PSO）容易陷入局部最优值的缺点,提出一种基于遗传算法模式定理思想改进的粒子群优化算法（IPSO）．新算法改善了粒子群优化算法摆脱局部极小点的能力．对典型函数的测试表明,IPSO算法的全局搜索能力有了显著提高,特别是对多峰函数能有效地避免早熟收敛问题．将改进的粒子群优化算法用于氧化反应动力学参数的优化,计算结果表明,新算法优化结果明显优于文献报道．     

基于粒子群优化算法和相关性分析的特征子集选择

特征选择是模式识别与数据挖掘等领域的重要问题之一.针对此问题,提出了基于离散粒子群和相关性分析的特征子集选择算法,算法中采用过滤模式的特征选择方法,通过分析网络入侵数据中所有特征之间的相关性,利用离散粒子群算法在所有特征的空间里优化搜索,自动选择有效的特征子集以降低数据维度.1999 KDD Cup Data中IDS数据集的实验结果表明了提出算法的有效性.     

基于改进微粒群算法的信息化需求组合优选模型研究

为了适应信息化需求投资组合量化管理的要求,提出了一种基于改进微粒群算法的信息化需求投资组合模型.首先论述了微粒群在投资领域中的应用现状;其次定义了信息化需求元模型,设定了相关两系数;提出了一种引入信息化需求间效用期望系数、决策者偏好系数的新微粒群机制的IPSO算法,并与传统PSO算法进行了对比验证.     

车辆路径问题的改进混合粒子群算法研究

针对各种启发式算法在求车辆路径问题(VRP)中的缺陷,提出了改进的混合粒子群算法(MHPSO)的求解方法.分析了基于速度-位置更新策略传统粒子群算法在解决离散的和组合优化问题的不足.考虑到算法在求解过程中种群多样性的损失过快,引进了种群的多样性测度参数-平均粒距,以保持种群的多样性.同时利用混沌运功的随机性、遍历性和规律性等特性,采用混沌初始化粒子编码.详细讨论了该算法在车辆路径问题中的求解策略.针对同一个实例,将改进的混合粒子群算法与遗传算法从多个角度进行比较.仿真结果表明,论文所提出的算法性能较好,可以快速、有效求得车辆路径问题的优化解或近似优化解.