Evolving asset selection using genetic network programming

As global financial innovation opens innumerable risks and opportunities, a global view of the asset allocation brings advantages in risk diversification for investments. We propose a novel framework for asset selection under global diversification principles using genetic network programming. Simulations using the stocks, bonds and currencies from relevant financial markets in USA, Europe and Asia show that the proposed framework is effective and offers competitive advantages against the conventional methods in finance and computational fields. © 2011 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Diversifying risk in portfolios using a variable‐size genetic relation algorithm

One important concept in financial risk management is the diversification process of capital allocation. This paper proposes an evolutionary approach for the optimal diversification when making asset allocation using variable‐size genetic relation algorithm (vs‐GRA), whose main role is to model and evolve structures toward effective and diversified portfolios through its graph structure. Simulations using heterogeneous and globally located asset classes in the United States, Europe, and Asia show that the proposed scheme offers competitive economic advantages. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

配电网络重构的改进混合遗传算法

提出了一种基于改进的混合遗传算法的配电网重构算法,在算法中使用可操作开关支路的整数编号的排列顺序来表示染色体,并通过译码器的设计来映射染色体所对应的辐射状网络结构,避免了产生不可行解的情况,大大提高了算法的运算效率。同时在算法中引入了局部寻优算子,改善了算法的局部寻优性能。算例结果表明本算法是高效可行的。     

An extended probabilistic model building genetic network programming using both of good and bad individuals

Classical estimation of distribution algorithms (EDAs) generally use truncation selection to estimate the distribution of the good individuals while ignoring the bad ones. However, various researches in evolutionary algorithms (EAs) have reported that the bad individuals may affect and help solving the problem. This paper proposes a new method to use the bad individuals by studying the substructures rather than the entire individual structures to solve reinforcement learning (RL) problems, which generally factorize their entire solutions to the sequences of state–action pairs. This work was studied in a recent graph‐based EDA named probabilistic model building genetic network programming (PMBGNP), which could solve RL problems successfully, to propose an extended PMBGNP. The effectiveness of this work is verified in an RL problem, namely robot control. Compared to other related work, results show that the proposed method can significantly speed up the evolution efficiency. © 2013 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

遗传优化神经网络在小电流接地系统故障选线中的应用

如何准确地检测出故障线路一直是电力系统继电保护的重要研究课题。该文将遗传优化神经网络应用到故障选线中,并将多种电气量综合,进行故障选线。相比于以往的判别方法,提高了故障选线的准确性。     

Parallelization of genetic algorithm with sexual selection

We propose a parallel genetic algorithm with sexual selection. In genetic algorithms with sexual selection with one population, females keep their traits around local optima by using a lower mutation rate than that of the males, while the males change their traits actively. When a runaway process takes place, the transitions of the males' traits are biased toward a certain direction which depends on the bias of the females' preferences. If the population size is large, the search converges quickly. However, the large population size causes a decrease in search performance. In the proposed method with parallelization, the population size of each subpopulation is maintained adequately, and each subpopulation seeks its own direction of evolution independently. As a result, the proposed method makes a search converge quickly because the runaway process which leads to intermittent evolution tends to take place more quickly than one population model. We applied the proposed method to some test problems. In these problems, while the performance of conventional genetic algorithms was decreased by parallelization, the proposed method exhibited better performance with parallelization. Moreover, the performance of the proposed method is better than that of conventional methods. This capability of parallelization is a remarkable characteristic of sexual selection. © 2004 Wiley Periodicals, Inc. Electr Eng Jpn, 150(1): 42–49, 2005; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20029     

基于并行遗传算法的企业互操作资源选择

为了解决企业互操作环境下的共享资源择优选择的问题,提出了一种基于粗粒度并行遗传算法(CGGA)的企业互操作资源选择策略.首先给出企业互操作环境下的资源选择问题的数学描述;然后结合并行遗传算法的特性,提出基于此算法的解决企业互操作资源选择问题的策略以及相应算法,给出算法设计、实现以及详细的算法过程;最后针对一个企业互操作中的典型实例,对该策略及算法进行了有效验证,并且与传统遗传算法相比较.本算法完成任务的时间平均减少约26%,适应度随遗传代数的增加提高约8%.     

基于改进自适应遗传算法的配电网络重构

提出了一种用于配电系统网络重构的改进型自适应遗传算法。给出了网络重构问题的数学模型及改进的自适应遗传算法。在应用遗传算法时结合配电网自身的特点,提出以环路开关号为基因、系统环路数为染色体长度的编码方法,在优化过程中采用自适应调整的交叉率和变异率,结合一定的禁忌规则．较好地提高了算法在网络重构方面的效率。在IEEE16节点、33节点、69节点3个不同规模的算例系统上进行了测试,计算结果表明,所提出的方法缩短了染色体长度,较好地抑制了不可行解的产生．无论是在收敛性、稳定性还是在计算效率上都取得了比较满意的结果。     

基于遗传算法与蚁群算法的电网规划

针对遗传算法求解到一定范围容易产生大量冗余迭代、求解精度低.蚁群算法初期信息素匮乏、求解速度慢的缺陷,在电网规划算法中,将遗传算法与蚁群算法融合,在网架规划初期采用遗传算法求解出最优解,通过最优解生成蚁群算法的初期信息素,确定吸引强度的初始值,建立强度更新的模型,从而得到满足电网规划的最优方案.最后通过18节点的算例证明,融合算法在收敛性与寻优性上均得到提高.     

遗传算法优化的RBF神经网络控制器

为了消除神经网络参数初值对控制器性能的影响,提出了一种改进遗传算法优化的RBF神经网络控制器.该方法设计了基于性能指标的适应度函数,自适应的交叉概率、变异概率,引入移民的遗传算法,保证了得到的控制器为最优参数控制器.该方法可用于非线性对象的控制器设计,仿真结果说明了该方法的有效性.     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。选择反映电力系统运行状态的特征变量,建立暂态稳定评估模型;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择。通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性。     

遗传算法在配电网停电恢复中的应用

将遗传算法应用于配电网停电恢复中，给出了综合考虑开关操作次数最少，网损最小以及潮流分布合理等方面的停电恢复模型，采用遗虎法对停电区域进行重构，形成恢复方案，通过对实际配电网的测试分析表明，将遗传算法用于电网停电恢复中，能快速有效地提供若干个优化方案，为运行人员提供更多的参考。     

基于改进遗传算法的电网投资组合预测方法

提出了一种通过改进遗传算法并综合利用灰色预测GM(1, N)模型、BP神经网络模型、多元回归模型建立的电网投资组合预测模型。基于传统遗传算法对组合预测约束条件进行了优化并改进了遗传算法中交叉算子和变异算子,从而使算法具有更强的全局搜索能力和收敛能力。利用所提出的组合预测模型对某地区电网投资进行预测的结果表明,相比于单一预测模型和其他两种组合预测模型,所提组合预测模型能充分利用原始数据的信息,具有更高的预测精度。     

基于分布估计算法和遗传算法融合的神经网络故障诊断模型研究

本文构造了基于分布估计算法(Estimation of Distribution Algorithm,EDA)和遗传算法(GeneticAlgorithm,GA)融合的神经网络(Neural Network,NN)故障诊断模型。传统的GA看作是对生物进化"微观"层面上的模拟,则EDA是对生物进化"宏观"层面上的建模,是一种全新的进化模式。EDA与GA融合的实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服NN陷入局部最小,提高NN的泛化能力,使故障诊断的容错性能得到有效改善。将该模型用于高压输电线系统的故障诊断,并作容错性能的评估。由仿真测试表明,研究模型的容错性能要优于传统的BP-NN模型和单纯GA优化NN模型。因此,新诊断模型是有一定的理论和实用价值的。     

基于免疫遗传算法优化的神经网络配电网网损计算

提出了一种基于免疫遗传算法(IGA)的BP神经网络方法计算配电网的理论线损。该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能。为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤。仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能, 比现有其它计算配电网理论线损的方法更为     

基于遗传神经网的自适应电池荷电态预估模型

电池荷电态(SOC)是放电电流、端电压、温度等多种因素的复杂的非线性函数,而且不同类型的电池具有很大的差异,不能建立统一的模型。因此要对其做出精确的预估是一件很困难的事情,需要耗费很多的人力和时间对特定类型的电池进行大量试验然后建模。为克服这些缺点,提出一种基于遗传神经网的自适应SOC预估模型,通过遗传算法对神经网络结构及其学习算法进行优化,在较短的时间内寻找到适合特定类型电池的神经网络模型,大大缩短了人工建模需要的时间,提高了模型对SOC预估的性能。对于三种不同类型电池的数据进行建模的仿真试验结果验证了本方法的有效性。     

基于遗传算法和BP神经网络的电力客户信用评价模型

对电力客户的信用进行分析评估对于供电企业将电力输送给可靠的电力用户、提高企业经济效益具有重要意义。在分析影响电力客户信用影响因素的基础上,构建了电力客户信用评价指标体系,将遗传算法和神经网络原理引入电力客户信用评价领域,提出了基于遗传算法和神经网络的电力客户信用评价模型。实证结果表明：模型具有较强的自组织、自学习和自适应能力,模型评估结果比较客观合理。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

基于改进NSGA2算法的配电网项目组合优选方法研究

电力体制改革新形势以及电网发展的新阶段,要求电网企业加强电网的精准化投资。面对电网投资项目资金需求不断加大而资金总额有限的情况,需要对电网项目进行多目标组合优选以实现综合效益最大化。为此以配电网项目为研究对象,提出一种基于改进的第二代非支配排序遗传算法(non-dominated sorting genetic algorithm 2,NSGA2)的项目多目标组合优选方法。基于灰色预测方法计算总投资情况,从安全性、经济性、紧迫程度3个属性构建配电网项目综合评价体系,对项目进行综合评价;设定多个目标函数及约束条件,通过网格搜索改进NSGA2算法进行项目组合优选,使算法具有更强的全局搜索能力和收敛能力,实现满足多目标的项目组合优选;最后通过算例分析,验证上述多目标项目组合优选方法的有效性及可操作性,对提高配电网精准投资管理水平具有指导意义。