基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种玫进型粒子群（Improved Particle Swann Optimizer,IPSO）算法．可以优化BP（Back Propagation）神经网络．并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明：该研究方法能够在预测精度和稳定性方面明显优于传统的PSO—BP神经网络优化证券投资组合方法。     

两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法(TSSPSO),并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群,其中一分群微粒朝着最优微粒飞行,另一分群微粒朝着相反方向飞行;飞行时,每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响,还受到全群最优微粒的影响。搜索时,每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较,结果表明:两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量,建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型,通过与实际工业数据的比较,表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

微粒群算法在工程项目资源均衡优化中的应用

在工程项目管理的资源优化中应用微粒群算法,定义了微粒坐标是活动的实际开始时间的微粒群;建立了一个直接反映资源强度与活动实际开始时间之间关系的评价函数;以微粒群算法为基础,编码设计搜索最佳方案的活动实际开始时间。最后计算分析典型算例,初始方案结果比微粒群算法得到的结果高出3倍多,遗传算法的结果比微粒群算法的结果高出53.52%,由此证明了微粒群算法在工程项目管理的资源均衡优化中的可行性及有效性。     

基于微粒群算法的叶片曲面形状误差评定

以涡轮机叶片型面的形状误差评定为例,利用NURBS曲线插值构造出截面设计曲线,提出一种四控制点法构造与测量点最近的NURBS截面设计曲线,建立了计算曲面形状误差的数学模型,并应用微粒群算法计算测量点到曲面的最短距离,实现了曲面形状误差的评定。通过与传统的BFGS和DFP优化方法的计算结果进行比较,表明该方法能快速准确地计算叶片曲面的形状误差。     

基于微粒群算法的半导体炉管区调度应用研究

提出了用微粒群算法来解决半导体炉管区的调度问题.给出了算法的具体过程及参数设置方案.实例计算的结果表明,该算法是解决半导体炉管区调度问题可行且高效的方法.     

投资组合选择的简化算法及其应用

用Markowitz模型进行投资组合选择需要非常多的数据并要进行大量的计算,即使在计算机技术非常发达的今天也是非常繁琐的。学者们在CAPM市场指数模型的基础上提出了投资组合选择的简化算法。文章对此进行了介绍,并将该算法应用于证券投资基金投资组合的选择优化。这对证券投资基金管理机构进行市场操作具有现实借鉴意义。     

组合投资问题的目标规划模型及其求解

引入非凹非凸的典型交易成本函数形式,考虑分红收益提出含有典型交易成本的组合投资问题的目标规划模型.通过实例对模型中无交易成本、含有V-型交易成本、典型交易成本时所得的有效前沿进行比较,并分析了不同期望收益水平对投资组合的影响.     

一类投资组合模型的模糊两阶段算法

对多目标证券组合投资模型进行了研究,模型以风险损失率作为风险。该模型是一多目标线性优化问题,我们采用模糊折衷算法对模型进行了求解,算例给出了该模型的一个实例的最优解。     

均值-方差模型有效组合投资的一个简单算法

本文讨论了均值-方差有效组合投资问题,给出了基于不同模型的有效组合投资的解析表达式;利用这些解析表达式,进一步讨论了基于一般均值-方差效用函数的优化模型,给出了一个简单的算法。     

马科维兹投资组合的改进及其应用

通过对马科维兹(Markowitz)投资组合模型的简要分析,指出其存在缺陷,并借助熵理论对其进行了改进,拓展了熵理论在连续变量(正态分布)上的应用。通过构造性实例研究表明,改进的模型具有理论意义,可以帮助投资者针对具体的实际情况作出风险投资组合的最优投资决策。     

基金投资组合中的单指数模型

如何在实际中利用投资组合理论构造出可行的投资操作方式 ,从而为投资者带来稳定的高收益 ,这不仅是基金应用理论研究的重要课题之一 ,也是促进我国证券市场建设的有益尝试。基于从投资角度出发 ,以组合理论中的单指数模型为基础 ,对沪、深两市的证券投资基金进行研究 ,设计了构造投资组合的方法 ,并对该方法所依据的理论基础进行了论证 ,同时对其适用条件、实施程序、局限性和应用效果进行了说明和检验。研究期间的实际运行结果表明 :新的组合投资方式与其它投资方式相比具有一定的优势 ,获利能力尤为突出 ,达到了预期的目的。     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

车辆路径问题的并行粒子群算法研究

设计了一种引入了模拟退火机制的并行粒子群算法.该算法结合了基本粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳性,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决车辆路径问题,实验结果表明该算法具有较好的性能.     

粒子滤波算法的FPGA设计与实现

粒子滤波在非线性和非高斯的场合有着广泛的应用,但由于其计算量大、运算速度慢等原因限制了粒子滤波在实时性系统中的应用．本文以FPGA为核心实现粒子滤波算法,采用模块化功能设计,在运用中简化了粒子滤波算法,提高了运算速度,以被动定位系统中目标跟踪为例进行仿真,验证了该方案的有效性．实验结果表明：该方案具有速度快、占用资源少的特点．     

模拟退火并行粒子群优化算法程序设计与研究

针对粒子群优化算法后期收敛差和模拟退火算法全局优化能力强的特点,建立模拟退火并行粒子群优化算法(SA-PSO算法)模型。利用MATLAB语言开发SA-PSO算法工具箱,实现SA-PSO算法的程序设计,高效、稳定地提高算法全局寻优能力。