基于微粒群算法的最佳证券投资组合研究

微粒群优化(PSO)算法是新近出现的一种仿生算法,简单容易实现,而且随机搜索,不易陷于局部最优.本文将该算法引入证券投资组合领域,研究允许卖空证券和不允许卖空证券两种情形下的投资组合优化问题.文中首先系统介绍PSO算法原理、流程以及算法的改进发展,然后分析了卖空证券投资和不允许卖空证券投资两种情形下的优化模型,接下来介绍了应用PSO算法编码解决证券投资组合优化的方法步骤.最后,通过两个应用实例,计算表明PSO算法可以准确快速地解决证券投资组合优化问题.     

网络化防空导弹体系集中式拦截联盟形成方法

集中式拦截联盟(CIC)形成是网络化防空导弹体系(NADMS)中的新问题,旨在确定目标、火力节点以及制导节点三者之间的最优匹配关系,以使得体系整体作战效能最大.根据问题背景,建立了CIC的约束优化问题模型,并选择收敛速度较快的粒子群优化(PSO)算法对模型进行求解.针对PSO的局部收敛问题,从认知心理学角度将人类特有的创造性思维(CT)引入粒子速度更新公式中,通过提升单个粒子的搜索能力来提高整个群体的寻优质量.基于CT过程经典的四阶段模型构建了算法框架,改进了PSO的速度更新公式.根据CIC问题特点,制定了编码策略及相关变量的离散化运算规则.实验结果证明了算法在CIC问题求解质量和收敛速度方面的优越性.     

基于微粒群和子空间的离群数据挖掘算法研究

传统的离群数据挖掘方法大多数是利用全局的观点看待离群数据,很难发现低维子空间中的偏移数据.利用微粒群算法(PSO)具有简单,容易实现并且没有许多参数需要调整等优势,提出了一种基于PSO和子空间的离群数据挖掘算法(OM-PSO).该算法首先将子空间看作微粒,根据偏离数据所在子空间的稀疏系数,采用带有变异算子的PSO算法来搜索子空间,并将子空间中的数据看作为局部偏离数据,即离群数据;最后采用离散化的天体光谱数据作为数据集,实验结果验证了该算法的有效性.     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

混沌粒子群混合优化算法的研究与应用

为使粒子群优化算法(PSO)初始粒子均匀分布在解空间,分析了混沌运动的遍历性并根据粒子间欧式距离大小改进了PSO初始种群提取方法。提出了一种混沌粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和混沌优化算法同时进行。对四个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能好。     

基于改进PSO算法的连铸二冷过程优化仿真

连铸小方坯二冷过程优化是在实现二维传热建模和数值求解的基础完成的。冶金准则的多目标性,模型数值离散化大的计算量以及凝固相变存在引起模型求解的非线性,导致传统优化方法搜索效率低下。采用粒子群算法优化连铸二冷过程。为加强局部搜索能力,引入混沌序列对陷入局部极小点的惰性粒子重新初始化,在迭代中产生局部最优解的邻域点,帮助惰性粒子逃离束缚并且快速搜寻到最优解。仿真结果表明,改进的PSO算法有更好的搜索效率,取得了较好的效果。     

基于细致化仿生的改进粒子群优化算法

粒子群优化(particle swarm optimization, PSO）算法基本思想是试图通过模拟鸟群觅食中的迁徙和聚集等行为获得连续非线性函数的最佳值,其仿生算法产生于对鸟群寻食过程中飞行方向与飞行速度等的隐喻。近年对粒子群算法经典算法的研究,虽然在速度及精度上有所改进,但由于缺乏细致化仿生（precise bionic metaphor, PBM）,改进效果并不太明显。通过在PSO算法中引入飞鸟寻食细致化行为特征隐喻,即在算法中同时导入满意粒子局地细致化寻优和探索粒子随机寻优过程,进而提出了一种新的基于细致化仿生的改进PSO算法;对改进算法和经典算法进行了性能比较,结果显示所提算法在收敛速度和求解精度方面较经典算法有很大程度的改善。     

基于离散PSO的软测量辅助变量选择算法

工业对象的复杂化带来了可测变量的增多,这些变量集合中大量冗余的信息会降低软测量建模的精度。针对这个问题,提出了基于离散PSO的软测量辅助变量选择算法。算法将传统PSO连续的优化过程通过对粒子位置的隶属度计算,将其离散成0或1。0、1分别表示某变量未被选中和被选中,每个粒子就代表一种变量选取情况。将PLS回归用于适应度函数的计算,有利于克服多元回归中多重共线问题。最后,将该算法用在了丙烯精馏塔塔顶丙烯浓度的软测量实验中,实验结果表明该方法有效,并提高了模型的预测精度。     

基于T-S模型的模糊自适应PSO算法

惯性权重的取值对改善微粒群优化(Particle Swarm Optimization,PSO)算法的收敛性起着关键作用.针对惯性权重的取值问题,提出一种基于T-S模型的模糊自适应PSO(T-SPSO)算法.算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,改善了算法收敛性.最后以典型优化问题的实例仿真验证了所提出算法有效性.     

基于SVM和PSO算法的飞机部件DMC预计方法

控制维修成本是飞机研制中的一项重要任务,而部件直接维修成本(DMC)的预计是控制过程中的关键步骤。鉴于现有的预计方法精度不高、波动性大或可操作性不强,引入了支持向量机(SVM)理论对不同单一模型进行非线性组合,并改进了粒子群优化(PSO)算法用于同时求解离散变量和连续变量,达到了模型选择和SVM参数的联合优化。实验证明,该预计方法算法简单、速度快,并且比以往的方法在精度和稳定性上都有显著提高。     

一种快速收敛的改进粒子群优化算法

采用离散线性系统的状态方程,根据系统稳定性理论,推出了保证牡子群优化算法收敛性的参数设置压域。在收敛性理论分析的基础上,提出了一种快速收敛的改进粒子群优化算法,它是基于二阶系统按最佳胆尼比的思恕来设定粒子群速度更新公式中的惯性权重。通过标准测试函数的性能测试,验证了改进粒子群优化算法的收敛性和快速性,并和惯性权重线性递减的标准粒子群优化算法进行了比较。仿真结果表明,该算法具有可靠的收敛性能和更快的收敛速度。     

求解动态优化问题的分叉PSO算法

近些年来,求解动态环境中的优化问题已经逐渐成为进化计算领域的一个新的研究热点。为了改善一般PSO算法求解这种动态优化问题的能力,现提出了一种采用分叉策略的多粒子群PSO算法。该算法能够利用一个较大的主粒子群不断搜索问题适值曲线上新的峰,而利用从主粒子群中分离出来的若干个较小的子粒子群去跟踪已经发现的峰的变化。通过对一组标准动态测试函数的实验,能够证明所提出的算法在动态环境中具有较强的鲁棒性和适应性。

Abstract：

Recently,there has been increased interest in evolutionary computation algorithms applied into dynamic environments since many real-world optimization problems are time-varying.Inspired by a forking mechanism,a new multi-swarm optimization algorithm （Forking PSO,FPSO） was proposed to enhance simple PSO’s search in dynamic landscape.In FPSO,a larger main swarm is continuously searching for new peaks and a number of smaller child swarm,divided from main swarm,are used for tracking the achieved peaks over time.Experimental study over a benchmark dynamic problem suggests that the proposed algorithm has much stronger robustness and adaptability in dynamic environments.     

面向仿真优化的粒子群算法计算模型

粒子群优化算法（Particle Swarm Optimization,PSO）是群集智能的典型代表,其参数较少且操作简单,故一直是智能优化算法研究应用的热点。然而PSO有易早熟和搜索精度不高的缺陷,针对此弊病,在基于仿真的优化（Simulation Based Optimization,SBO）思恕体系下,融合人工生命、基于Agent的升算和计算智能,提曲面向SBO的PSO计算模型,茅籽PSO的系统研宄和算法改庭抽象力一含大规模纽合优化问题的求解。最后利用一系列benchmark函数进行了仿真优化实验,取得了较好的结果,从而论证了本思想方法的可行性与可信性。     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

多UCAV协同目标分配算法研究

针对多无人作战飞机(unmanned combat aerial vehicle, UCAV)协同目标分配问题,提出了一种基于离散粒子群算法的多UCAV协同目标分配方法。根据多UCAV协同目标分配问题的特点,建立了粒子与实际问题间的映射,设计了新的粒子群位置和速度更新公式,并且对标准粒子群算法作了改进。充分利用粒子群优化算法的全局搜索能力,有效地解决多约束条件下多UCAV协同目标分配问题。仿真结果表明,离散粒子群算法能够稳定快速地找到较优分配方案,并且算法简单、灵活。     

基于粒子群的控制器参数模糊规则自动提取

设计一种移动机器人轨迹跟踪控制器并利用Lyapunov稳定性定理证明了该控制器的全局稳定性。针对人为设定该类控制器参数工作量较大,根据移动机器人跟踪控制过程的非线性本质,提出了一种采用模糊非线性参数的跟踪控制方法。在无先验知识的前提下,利用粒子群算法自动提取控制器参数的模糊规则基。设计一种动态群体的粒子群方法,使得种群的多样性得到保证,减少局部收敛的可能,同时又不会对已有种群的模式造成巨大破坏。对比实验验证了该方法的有效性。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

Hybrid anti-prematuration optimization algorithm

Heuristic optimization methods provide a robust and efficient approach to solving complex optimization problems. This paper presents a hybrid optimization technique combining two heuristic optimization methods, artificial immune system (AIS) and particle swarm optimization (PSO), together in searching for the global optima of nonlinear functions. The proposed algorithm, namely hybrid anti-prematuration optimization method, contains four significant operators, i.e. swarm operator, cloning operator, suppression operator, and receptor editing operator. The swarm operator is inspired by the particle swarm intelligence, and the clone operator, suppression operator, and receptor editing operator are gleaned by the artificial immune system. The simulation results of three representative nonlinear test functions demonstrate the superiority of the hybrid optimization algorithm over the conventional methods with regard to both the solution quality and convergence rate. It is also employed to cope with a real-world optimization problem.