改进粒子群算法优化灰色神经网络预测模型及其应用

文章针对神经网络存在局部最优、收敛速度慢以及大样本等缺点,将改进的粒子群算法、灰色模型和神经网络模型有机结合,构建了改进粒子群优化灰色神经网络预测模型(IPSO-GMNN).并与其他预测模型进行比较,实证结果表明:IPSO-GMNN预测模型能够克服神经网络预测模型的不足,更好地识别时间序列的非线性和突变性特征.在对我国专利授权数量的预测应用中,新模型对非线性时间数据预测表现出更好的预测精度和稳定性.     

基于CVa R约束的单位风险收益最大投资组合模型及实证

文章以条件风险价值CVaR为约束控制风险,建立了以组合收益率与方差之比的单位风险收益最大的投资组合模型,该模型给出了在决策者可以接受的CVaR风险水平下,单位方差收益最大的投资组合最优选择;针对这个模型给出了一个改进的粒子群优化算法,实证结果表明了在不同的CvaR风险水平下,投资组合的最优选择不同,符合实际情况,可以为决策者提供投资决策参考.     

中国股指波动率的智能预测模型与实证检验

文章提出将改进型粒子群算法与最小二乘支持向量机(LSSVM)相结合的中国股指波动率智能预测方法,利用径向基核函数LSSVM对股指波动率进行建模及预测,并将自适应惯性权重粒子群算法(AIWPSO)和动态加速系数粒子群算法(DACPSO)分别实现径向基核函数LSSVM的参数优化,建立了两种股指波动率的智能预测模型.以日内价格极差作为波动率的代理变量,通过对上证综指和深证成指的实证研究检验了两模型的有效性.检验结果表明,AIWPSO算法优化的径向基核函数LSSVM作为中国股指波动率智能预测模型,具有更高的波动率预测精度和更快的建模速度.     

改进的GM(1,1)模型及其应用

为提高GM(1,1)模型的预测精度,针对GM(1,1)模型的特点,提出了将遗传算法与LS-SVM算法融合对GM(1,1)模型中的参数估计方法进行改进.该方法首先根据GM(1,1)灰色差分方程的特点,构造以背景值序列和原始序列为训练样本的灰色LS-SVM模型,将GM(1,1)模型参数的估计问题转化为灰色LS-SVM模型参数的估计问题,然后利用遗传算法对LS-SVM自身的参数进行寻优预处理,再对经过优化参数的灰色LS-SVM,依据LS-SVM算法求解回归参数,进而得到GM(1,1)模型的参数估计.将改进的GM(1,1)模型用于实际的经济预测问题,并与传统的预测方法进行比较,结果表明,方法是可行的且有效的.     

基于PSO-SVR的粮食产量预测模型

在粮食产量预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低.文章将支持向量机回归(SVR)与粒子群优化算法(PSO)相结合,提出了适用于小样本量学习的PSO-SVR粮食产量预测模型.实例结果表明,PSO-SVR模型预测误差率优于BP神经网络模型.     

基于改进粒子群优化算法的物流配送中心选址技术

文章同时考虑客户和物流规划部门的利益,构建了物流配送中心地址优化的双层规划模型。提出了一种改进的粒子群优化算法,分别求解双层规划模型的上层模型和下层模型。仿真实例表明了本文方法的可行性和有效性。     

路网增长引导的区域经济扩散度量方法

在我国区域交通基础设施规划引导性明显增强的新形势下,研究区域多经济体在路网规划引导下的扩散过程,建立基于经济体自由组合、动态速度的扩散模型,并采用粒子群算法对模型进行求解,算例证明模型和算法适用于经济扩散效应的测度.可对经济体规模、路网节点城市容量、交通条件表征以及扩散速度和密度关系方面进一步进行研究,以拓展该扩散模型的应用.     

基于混沌PSO优化BP神经网络的碳价预测

随着全国碳排放权交易市场的启动,碳价的预测对碳市场参与者的风险管理具有重要意义。针对BP神经网络收敛速度慢、容易陷入局部极值的弊端,结合混沌的遍历性,构建基于混沌粒子群(CPSO)算法优化BP神经网络的碳价预测模型:利用Elastic Net方法降维,筛选出碳价的主要影响因素;再用CPSO优化BP神经网络的初始权值和阈值训练模型并预测碳价,结果表明:CPSO-BP碳价预测模型的精度和稳定性明显优于传统BP神经网络、粒子群优化的BP神经网络以及果蝇算法优化的BP神经网络。     

隶属云模型蚁群算法的新应用:生鲜食品多阶段动态定价

文章从收益管理与消费者购买行为的角度出发,建立了生鲜食品多阶段动态定价模型.力图使零售价格动态地跟踪生鲜食品的自身价值波动.为了更好地求解该模型,文章采用了一种基于隶属云模型的蚁群算法.通过对二阶段、三阶段的算例仿真分析,不仅表明该模型优于传统模型,而且所采用算法在收敛率与运行时间方面均优于遗传算法、蚁群算法、改进蚁群算法等.     

考虑非线性交易费用的CVaR优化模型及实证

文章在考虑非线性交易费用情形下构建M-CVaR模型,并利用滤波历史模拟法生成收益率情景数据,用二次函数近似实际的交易费用函数,通过分支界定算法对M-CVaR组合选择模型进行实证分析.研究发现,交易费用的存在会减少投资组合的收益,在给定的收益水平下,VaR是小于CVaR的,随着风险的增大,CVaR和VaR差会变小.随着置信度的增大,无论是VaR还是CVaR值都会增大.     

PSO-AHP模型在综合评价中的构建及应用

文章针对AHP在综合评价中确定权重的缺点,基于粒子群优化算法(PSO),构建了PSO-AHP模型,运用此模型求解水运业对南京市武家嘴村新农村建设作用评价的权重,并与AHP求解结果进行了比较。结果表明,PSO-AHP模型求解的权重及指标一致性均优于AHP,克服了AHP法中判断矩阵一旦给定,权重及指标一致性无法改善的缺点。     

基于粒子群训练的神经网络股票预测模型

文章将粒子群优化算法用于神经网络预测模型的学习训练,并且将这种方法用于股票预测中.实验结果表明,基于粒子群训练的神经网络学习算法更易于实现,且准确率较高.     

基于改进的AdaBoost算法的信用评分模型

将AdaBoost组合算法应用于信用评分模型中的分类问题,并针对该算法在解决不平衡分类问题上的一些不足,对算法进行了改进。应用此改进的AdaBoost算法,创建了新的信用评分模型,并进行了实证分析。实证结果表明,基于改进的AdaBoost算法的信用评分模型可以有效降低由于模型错判而导致的损失。     

一种求解基数约束投资组合优化的混合粒子群算法

如何有效求解基数约束投资组合优化问题,已成为金融学界近年来一直研究的热点.文章介绍了一种融合极值优化理论的混合粒子群优化算法(简称eo-PSO),利用极值优化方法(EO)以增强混合算法对搜索空间的挖掘能力,引入混沌变异算子提高粒子群(PSO)的探索能力.通过和其他一些智能计算方法对Markowitz基数约束投资组合优化目标函数的测试,以及应用风险范围理论的比较分析,结果显示混合粒子群算法具有良好的计算性能,其优化解也更具有效性.     

基数约束下基于CVaR度量的投资组合优化模型

文章基于条件风险价值CVaR风险计量技术,在整数规划意义下,建立了以最小化风险为目标,带有基数约束的投资组合优化模型。针对该模型运用差分进化法进行求解,利用罚函数方法处理模型中的不等式约束,并选取沪市和深市的十六种股票作为备选股票进行实证分析,数值结果表明了模型的合理性和算法的可行性。     

虚拟企业合作伙伴选择的改进蚁群算法

合作伙伴选择是虚拟企业组建阶段的关键问题,选择合适的合作伙伴关系到虚拟企业运作的成败.为了有效地实现虚拟企业运作过程中合作伙伴的选择与优化,文章对满足产品交货期约束和以最小化制造成本为目标的虚拟企业合作伙伴选择与优化数学模型进行了探讨;由于该模型目标函数非连续可微.文章提出了一个改进的蚁群算法对其进行求解.该算法通过引入遗传算法中的杂交算子来改善蚁群的搜索能力,使其对应的解更加优良;文章还通过案例分析验证了算法的有效性.     

基于粒子群优化算法的应急资源调度研究

科学合理地开展应急资源调度,最大限度地发挥有限的应急资源的价值,是应急管理中的一项重要工作.文章构建了多种应急资源需求约束、应急时间约束、应急救援成本约束等多约束条件下的突发事件应急资源调度模型,并运用粒子群优化算法对模型进行求解,从而实现应急救援资源的高效利用与合理调度.     

电子商务信用风险评估模型

准确评估电子商务信用风险,有助于企业提高风险监控预警能力,促进健康持续发展.文章构建了基于灰色关联分析和最小二乘支持向量回归(LSSVR)的电子商务信用风评估模型.首先,引入灰色关联分析提取电子商务信用风险重要影响指标;其次,应用LSSVR建立电子商务信用风险评估模型,并利用粒子群优化算法选择LSSVR模型参数;最后,利用实际样本数据进行实证分析,并根据评估结果提出相应的应对策略.     

基于PSO的证券投资组合优化问题研究

投资组合决策面临现实证券市场中大量数据,传统算法很难解决这一问题.粒子群算法(PSO)是新近出现的一种仿生算法,具有简单容易实现,而且随机搜索的优点,使得搜索不易陷于局部最优,文章将具有智能化且易于实现的粒子群算法应用到证券投资组合决策中,并通过上海证券交易所的实际数据进行计算机模拟,结果表明该算法在组合决策中是有效的,且易于实现.     

基于滑动平均和粒子群优化的GM(1,1)日前电价预测方法

在对美国PIM电力市场日前电价的变动规律综合分析的基础上,提出了一种基于粒子群优化(PSO)和灰色GM(1,1)模型的日前电价预测方法.该方法首先采用滑动平均法对原始电价序列进行处理,然后对处理后的电价序列建立等维新息GM(1,1)模型,并利用PSO最小化加权平均绝对百分比误差(MAPE),进一步优化GM(1,1)模型的灰色背景值.对PJM电力市场2007年7月到9月的历史数据的算例研究表明,相对于传统GM(1,1)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.