均值-方差-峰度资产组合优化模型

基于对峰度风险的考虑,提出了均值-方差-峰度资产组合优化模型;用蒙特卡罗法求解模型的最优解;结合一个具体的例子,对模型做了灵敏度分析.     

基于DPSO-RK算法解带有交易成本的投资组合选择问题

目的在Markowitz均值-方差模型的基础上,建立带有交易成本且期望收益和风险都有一定误差的投资组合选择模型,即乐观情况下期望收益最大风险最小模型和悲观情况下期望收益最小风险最大模型。方法根据模型特点,设计了基于Runge-Kutta法的差分进化粒子群优化(Differential PSO with Runge-Kutta,DPSO-RK)算法。结果与结论数值试验表明用DPSO-RK算法求解该模型是有效的,模型符合实际,与改进的粒子群优化算法(Improved Particle Swarm Optimization,IPSO)相比,本文所提出的算法具有更好的仿真结果。     

基于遗传算法的高阶矩投资组合模型研究

金融资产收益数据普遍具有非对称和尖峰厚尾的分布,传统的马克维茨投资组合模型仅仅考虑了均值和方差的约束,这在确定投资组合时是不充分的.考虑了三阶矩偏度和四阶矩峰度对投资组合的影响,假定交易费用为V-型函数,建立了均值-方差-偏度-峰度投资组合模型,鉴于多目标优化求解的复杂性,编写遗传算法程序求解这一高阶矩投资组合,最后给出了一个数值算例.     

用微粒群算法求解含交易费用的组合投资模型

针对国内证券交易的具体情况,提出了含交易费用的投资组合优化模型。利用微粒群算法对问题进行了求解,并结合实际数据进行仿真。结果表明,利用微粒群算法可以较高的效率求解该模型,且从结果上表明模型的合理性。     

基于微粒群模型的无线传感器网络节点部署

提出了一种新的基于微粒群模型节点部署优化算法.该算法根据节点的位置信息建立节点部署优化模型,利用微粒群算法求解该优化模型,优化过程中的最优解作为节点的最终配置位置.仿真结果表明该算法有效的改善了网络的覆盖率.     

一个关于无约束最优化的Powell搜索法和微粒群算法的混合算法

该文提出一种求解无约束最优化问题新的混合算法--Powell搜索法和微粒群算法的混合算法.主要目的是通过加入混合策略证明标准微粒群算法是能够被改进的.仿真结果证明了新算法是求解无约束最优化问题的一个高效的算法.     

基于PSO的无线传感器网络自组织成簇算法

为了有效延长WSN网络的生存时间,需要设计能量有效的自组织成簇机制,以适应无线传感器网络的特点.提出了一种适合无线传感器网络能量有效的成簇优化模型,并使用微粒群优化算法(PSO)对该模型进行求解.为了使微粒群算法适合于该问题的求解,设计了适合微粒群算法的微粒位置向量和速度向量的更新机制,并用罚函数法对两个主要约束进行了处理,给出了适应值函数,并通过MATLAB 7.1进行了实例仿真.仿真结果表明,该优化模型是解决WSN能量问题的有效方法.     

动态投入产出最优化控制模型的微粒群算法

对于动态投入产出最优控制模型的以往求解方法,只能求出其局部最优解,而不能求出全局最优解.提出了一个新的动态投入产出最优控制模型,给出一个新的算法-微粒群算法,该算法计算结构简单,具有较强的全局寻优能力、收敛速度快和较高的计算精度.数值实验表明:提出算法的计算结果优于用传统的最优化方法计算的结果,同时也验证了微粒群算法对求解动态投入产出最优控制模型的有效性.     

基于差分演化算法的证券投资组合研究

差分演化算法作为一种高效的全局优化方法,在众多领域得到了成功的应用.本文首次将差分演化算法引入到证券投资组合中,研究以Markowitz的均值-方差模型为基础的最佳证券组合的优化求解.实验结果表明,该算法与经典的传统遗传算法和粒子群优化算法相比,具有更快的收敛速度及更好的优化结果.     

求解二级分销网络模型的混合微粒群算法

针对现有算法在求解二级分销网络模型时计算量大、难以适用于求解大型规划问题和易陷入局部最优等不足,提出一种求解二级分销网络模型的混合微粒群算法。该算法以二级分销网络的总成本作为适应度函数,采用一种精简的编码方式,通过将遗传算法的变异和交叉操作引入微粒群算法,实现二级分销网络模型的离散优化。算例仿真结果表明:采用提出的算法能获得全局最优解,且收敛性好,运算速度快,稳定性好,能有效避免算法的早熟收敛问题。