基于微粒群算法的投资决策研究

投资组合是现代金融领域的一个研究热点,本文将投资模型中控制投资风险过大的风险因子e引入的基本微粒群算法,用来解决投资决策问题,取得较好的效果。实验数据表明微粒群算法高效、可靠,具有很强的使用价值。     

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。     

差分演化的微粒群算法

针对基本粒子群算法易陷入局部极小点、搜索精度不高等缺点,在算法改进方面引用差分演化算法的变异操作提出了差分演化的PSO算法,并用matlab仿真证明该算法的可行性。     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

基于微粒群算法的交通流量组合预测研究

智能交通运输系统是目前国际公认的解决交通拥堵、提高运行效率的最佳途径,交通流的实时、准确预测是智能交通运输系统的核心技术之一;在对目前几种常见的交通流预测模型的基础上,提出一种基于微粒群算法的组合预测;新方法充分考虑了各种算法的优点,并结合重庆市某道路进行实证分析.     

背包问题的微粒群算法

针对典型的背包问题,给出一种基于微粒群算法的求解方法。经过数值实验测试和验证,微粒群算法有较好的性能。     

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。     

基于微粒群算法的分布式发电优化配置

利用混沌动力学的随机性和遍历设计群体运动模式,提出一种改进的微粒群算法.以运行成本和网络损耗为目标,对分布式发电的优化选址与定容问题加以求解,获取最优的分布式电源安装位置和容量,并针对标准测试系统进行了仿真计算与分析,仿真结果验证了所提方法的有效性.     

基于粒子群优化算法的均值-VaR投资组合选择

在现实市场中,①为防止由卖空交易引起市场操纵等问题的出现,即使在发达的证券市场,交易仍受到一定的卖空限制;②由于市场相关规定与投资者自身风险控制的需要,在某些资产上的投资比例受到一定限制;③交易过程中需支付印花税等交易成本。故结合这三方面,采用Value-at-Risk(VaR)度量风险,在收益率服从正态和非正态分布两种假设下,构建了带有限卖空约束、投资比例约束和交易成本的均值-VaR投资组合模型。首先,给出了该模型的粒子群优化(PSO)算法;其次采用A股市场的实际数据进行了数值实验;最后分析了有效前沿的特征及有限卖空约束对投资决策的影响。     

基于改进粒子群优化的投资组合模型研究

金融市场中投资者在应对不确定性风险的同时还要面临自身因素所导致的背景风险,在投资过程中存在许多不确定因素,而这些因素往往是模糊的.该文利用模糊集和可能性理论建立不同风险态度下含有背景风险的模糊不确定投资组合;同时考虑投资者对风险的喜好、交易费用等,建立了不同风险态度下含有背景风险和交易费用的可能性均值-下半方差模型,并提出一种求解该模型的带有选择规则的粒子群算法.以上海证券交易所180指数随机选取的8支证券为例组成投资组合,给出数值算例,数值实验仿真结果表明了所提出的模型和方法的有效性、可靠性.     

基于模糊推理的粒子群优化算法

针对无约束优化问题,提出了基于模糊推理的粒子群优化算法,该算法针对粒子群优化算法搜索能力的不足,先引入平均粒子,然后引入模糊推理来改进粒子群的速度更新公式,再利用模糊推理动态地改进算法惯性权重和速度更新公式的权重因子,再结合混沌扰动增加算法后期的局部搜索能力.数值试验采用12个测试函数并有5个算法进行对比,数值试验证明,改进算法的搜索能力有较大的提高.     

基于粒子群优化算法的集群调度策略

针对集群调度问题的特点,设计了基于粒子群优化算法的调度策略.与传统backfill算法相比,粒子群优化算法对作业比较公平,能避免对大作业响应慢的缺点,使得调度策略在生成速度和精度上都有明显的提高.实验结果表明,该调度策略能较好地提高CPU利用率和缩短作业平均响应时间.     

粒子群优化算法收敛性分析

对粒子群优化算法的收敛性进行了分析,给出了收敛条件,数值试验计算验证了收敛性分析结果。讨论了粒子群优化算法参数选取的基本原则。     

粒子群算法两种动力系统模型的收敛性研究

粒子群算法是基于群智能的优化演化算法,目前国内外文献对该算法的研究缺乏深刻且具有普遍意义的理论分析.本文,首先由动力系统的平衡理论,通过一阶差分方程模型得到PSO算法的稳定点;其次通过二阶差分方程模型用特征根法进一步推出算法的收敛性及系数收敛域,两种方法得到的结论殊途同归,彼此验证了结论的正确性与合理性.     

基于粒子群优化算法的交通数据流聚类分析

针对交通数据流聚类分析过程中生成顺序的不确定性,提出了采用基于网格和密度的D-Stream算法对交通数据流进行聚类分析,并将粒子群优化算法引入聚类过程,从而对数据流聚类分析方法进行了改进,使数据聚类能够根据本身的密度极大值有序生成,增强了用户对聚类过程的控制能力.通过昆明市实测交通数据流进行聚类分析,得到了能够反映交通状况不同特征的聚类结果和动态的控制策略,并对交通数据流的相关研究工作提供决策支持.     

采用权重粒子群算法的照明控制

针对传统建筑照明系统中存在不能同时兼顾大面积照明环境舒适性及节能性的两大问题,引入了权重粒子群算法(Particle Swarm Optimization,PSO),并将其应用到照明控制系统中;首先通过采用多个传感器采集照度信息,随之将信息输入算法中,通过算法进行优化处理,最后系统自动寻出最优的光通量组合方式;算法可帮助场所内部照度分布均匀,在提升建筑光环境舒适度的同时也可大幅度降低照明损耗,提高能源利用效率;通过DIALux evo软件仿真验证,实验结果表明方案切实可行。     

基于人工免疫粒子群优化算法的动态聚类分析

模糊C-均值聚类算法受初始化影响较大,在迭代时容易陷入局部极小值。将粒子群优化算法与模糊G-均值聚类算法相结合,提出一种新颖的动态聚类算法。该算法利用人工免疫思想改进粒子群优化过程,在很大程度上避免了粒子群算法和聚类算法早熟现象的发生,全局搜索能力和局部搜索能力优于同类算法。利用聚类理论中的经验规则kmax≤√n确定聚类数k的搜索范围,在最优粒子基础上进化新一级种群,该方案可有效提高算法的收敛速度。两组数据的仿真实验表明,新算法优于传统模糊C-均值聚类算法,具有收敛速度快和解的精度高的特点。