基于信息论和遗传算法的Bayesian网络弧定向方法研究

Bayesian网弧定向问题是Bayesian网学习的一个重要方面．提出了一种基于信息论和遗传算法的Bayesian网弧定向算法．将信息论中鉴别信息这一概念引入Bayesian网学习中来,以鉴别信息定向后的网络为基础网,并设计相应的适应度函数和遗传算子,使该算法能够收敛到全局最优的Bayesian网结构．从而极大地减弱了单纯利用遗传算法学习对初始群体的依赖性,提高了算法的收敛速度．实验结果表明：该算法能够有效地解决Bayesian网弧定向问题．     

IMMKF中基于交叉熵的传感器管理算法

由于多传感器系统的广泛应用,有关多传感器管理技术的研究也得到了广泛重视。在IMMKF系统中,基于交叉熵不确定性的多传感器对多目标检测跟踪算法是重点研究的问题。通过计算传感器对目标的交叉熵的不确定性,获得每个传感器对每个目标最大的信息量,以此作为代价函数,进行多传感器对多目标的优化分配。仿真结果表明,该算法的跟踪效果较好。     

利用组合型交叉熵算法实现电网故障诊断

为快速准确实现电网故障诊断,依据故障元件与保护器和断路器的动作关系,将电网故障诊断问题表示为使目标函数最小化的0-1整数规划问题,利用组合型交叉熵算法求该问题的最优解,并给出了该算法的具体计算步骤,可成功识别电网故障元件。在测试系统上对多起故障情况进行模拟测试,结果表明故障诊断结论全部正确,进一步说明应用组合型交叉熵算法的电网故障诊断具有一定的有效性和准确性。     

均值-CVaR投资组合模型及改进的蝙蝠算法求解

基于投资者是风险厌恶型和风险资产价格路径服从跳扩散过程的假设,采用条件风险价值来度量组合风险,建立均值-CVaR投资组合优化模型.为快速有效求解模型,将基于模型的交叉熵随机优化方法嵌入到基于群体的蝙蝠仿生算法中,构建一种改进的蝙蝠算法,该算法既充分发挥交叉熵方法的随机性、自适应性和鲁棒性,又有效抑制蝙蝠算法的早熟收敛现象.借助Monte Carlo模拟情景生成得到价格路径,进而采用所建算法实现模型求解,并与遗传算法和线性规划方法进行比较.实验结果表明,新算法在求解有效性和实用性方面表现更好,取得更为满意的结果.     

基于增强学习解决随机需求车辆路径问题

针对确定随机需求车辆路径问题的最优策略,存在状态空间"维数灾"问题,基于增强学习函数近似原理,首先,设计了一个径向基函数(RBF),其次,在一给定的控制策略下,将最小平方瞬时差分(LSTD)法确定函数的权系数与交叉熵(CE)法确定隐层节点基函数的参数相结合,通过在线调整,使Bellman残差平方和性能指标达到最小,最后,根据得到的径向基函数,确定最优策略。通过仿真试验,验证了所设计方法的有效性。     

证券投资组合中的熵优化模型研究

为了解决马科维茨(Markowitz)模型中以证券收益率的方差测度投资风险的局限性,基于熵以及差熵的概念,在研究其均值方差模型的基础上,提出用熵和差熵来作为风险的度量方法,从而建立了几种关于熵的证券投资组合优化模型,使对证券投资组合模型的研究和应用更加合理、客观.     

一种解决多库房随机车辆路径问题方法

基于分解协调技术(DCT),根据启发式法,将用户分解为耦合和非耦合用户。针对解决此问题,使用传统协调参数收敛性差的问题,应用遗传算法(GA)设计了协调参数。对解决子系统随机需求车辆路径问题,为提高交叉熵法性能,对用于更新Markov转移矩阵的路径,设计了根据分位值改变大小的自适应调整方法。仿真结果验证了该算法的有效性。     

基于直觉模糊C-均值的客户聚类和识别方法

客户聚类和识别是大规模客户化生产中产品/服务快速有效设计的基础.考虑客户需求信息的不确定性,提出了基于直觉模糊C-均值的客户聚类算法.针对传统基于欧式距离的C-均值聚类方法无法计算直觉模糊数组间距离的缺点,采用直觉模糊交叉熵方法处理算法中的距离计算问题.同时,直觉模糊交叉熵还用来计算新客户和各客户类间的偏好相似度,进行客户识别.最后以某工程机械企业服务开发中的客户聚类和识别为例,验证了所提方法的有效性.     

基于弹性网约束的稳健变量选择

大数据时代下收集到的数据常含有异常值或呈现尖峰厚尾以及变量之间具有较强的相关性，针对此问题，结合秩回归和自适应弹性网(Adaptive Elastic-net )提出了一种高效稳健的变量选择方法。此方法的最大优点在于不仅能够有效处理协变量之间的强相关性而且还能克服多重共线性问题，同时能抵抗厚尾分布或异常值的影响，实现稳健的变量选择。在数值计算方面，采用二次近似和牛顿迭代算法以获得新变量选择方法的稳定数值解，仿真实验表明：新提出的方法比现有方法表现更好，特别是对于厚尾分布或异常值的情况。最后，通过对中国重要的股票市场指数——中证100指数的跟踪，进一步表明该方法在有效样本下具有良好的表现。