基于市场冲击成本与机会成本的算法交易策略

提出了一种估计交易策略机会成本的方法,分析了同时考虑市场冲击成本和机会成本的投资者,在总交易成本最小的目标下制定最优交易策略的问题。研究结果表明,如果投资者只考虑冲击成本,或者虽然同时考虑机会成本但若所有交易时期指令的成交概率都相等,那么投资者最优的算法交易策略仍然是采用著名的交易量加权平均价格(VWAP)交易策略;对于所有交易时期指令的成交概率不一致但交易者能预先预期总的可执行指令大小的特殊情况,得到了此问题的解析解;对于各交易时期指令成交概率并非都相等的一般情形,通过数值示例发现,对于不同交易时期指令的成交概率分别为递增、递减和U型3种不同情形,投资者同时关注市场冲击成本和机会成本时指令提交策略(MIOC)的总交易成本均小于VWAP交易策略。     

面向多样化需求的M RO 服务资源配置模型与算法

针对大型复杂企业维修任务集的多服务需求点和多样化需求特征,基于服务需求视角,定义一类多服务需求点下的MRO服务资源配置问题,建立以MRO服务提供商整体服务成本为优化目标,同时考虑资源紧张度、信任度和多服务需求点不同工期要求的问题模型;针对模型中的关键参数（即服务成本和资源紧张度）的特征进行分析,并给出相应的度量方法;在此基础上,设计改进的模拟植物生长算法实现求解,算法通过启发式获得初始可行解,并进行敏感性分析。研究结果表明, MRO服务资源配置模型和算法是可行和有效的,服务成本的波动、信任度和资源紧张度的变化对于资源配置结果均有影响,模型能够有效提高维修服务成本的估算能力,同时能够保持MRO服务提供商资源配置的稳定性。     

基于PLS的变权重组合预测方法

在目前研究较多的组合预测模型中加权系数是不变的.事实上,假定加权系数为常数,组合预测模型并不能很好地反映预测方法的有效性.基于以上事实,本文提出基于PLS的变权重组合预测方法,利用偏最小二乘回归方法求得组合预测的权重函数.最后通过实例分析验证了方法的有效性.     

连锁企业多品种库存分布研究

近几年来,连锁经营在我国得到了迅猛发展.本文以我国零售企业开展连锁经营迫切需要解决的多品种库存分布问题为出发点,从供应链管理的角度,在分析和借鉴前人研究成果的基础上,提出一整套适合我国连锁经营配送业务的算法模型.同时,根据配送中心实际运作的需要,采用联合订(补)货与联合配送结合的方式,有效解决了多品种库存分布问题.     

基于约束的离散粒子群算法求解大规模指派问题

针对现有进化算法在求解传统指派问题时因取整而影响优化效果的问题,采用了一种基于AllDifferent约束的置换离散粒子群优化算法,该算法针对指派问题中各变量不能重复取值的特点,改进了算法的迭代方式,并引入了模拟退火的差解接受准则以提高优化效果,仿真算例表明改进后的算法在质量上和时间上更具有效性.     

占线Bahncard问题的风险补偿模型

Bahncard 是德国 Decutsche Bundesbahn 铁路公司发行的一种优惠卡.这种因预先支付一定资金而在未来获得相应价格折扣的活动已经成为商家的主要价格折扣方式.但消费者选择最优的购买时机却具有较大的困难.因此,基于消费者对未来需求的有限预知,提出了风险补偿模型,应用竞争算法求解模型,得到最优的 TSUM 和 PSUM 策略及其相应的竞争性能比.实例证明所得的结论是对传统竞争算法的推广,最优的 TSUM 和 PSUM 策略具有现实的可行性.     

任务分解结构下的虚拟企业制造伙伴选择优化算法

为构建高效且具有市场竞争力的虚拟企业,根据各项子任务的需要,在进行任务分解的基础上对合作伙伴进行优化选择.通过对任务完成的交货期、质量、成本和服务对候选企业进行评价,在此基础上建立数学模型,并针对此问题,提出了基于Dijdstra方法的改进优化算法,且以实例说明了算法的有效性.     

数据挖掘技术中聚类算法的研究

近年来,随着海量数据处理需求的增长,数据挖掘技术引起了研究者的广泛关注。本文针对在数据挖掘的首要问题数据聚类展开了研究。文章首先分析了聚类分析的基本定义,常用数据结构,相似性度量以及算法应具有的基本特征。然后分析了对应分析法和基于信息论的相关性度量法的基本理论,并介绍了常用的时间序列聚类算法。     

基于改进PSO的综合运输网络管理多目标优化

首先,基于层次网络原则对综合运输网络管理优化问题进行了分析,以运输距离区分不同的网络层次,通过引入衔接时间,将同一层次上各种运输方式子网络的竞争关系,以及不同层次间各种运输方式子网络之间的协作关系模型化;其次,以网络运输强度和单位运量能源消耗最小化为目标,建立了综合运输网络管理的多目标优化数学模型;最后,提出了一种改进的多目标粒子群优化算法,得出了简化综合运输网络的Pareto最优前沿.案例计算结果表明,该算法能有效地找到分布均匀的多目标优化问题的Pareto前沿.     

粒子群优化k均值的混合聚类算法研究

k均值算法是聚类分析的一种传统算法,在数据挖掘中等领域得到了广泛的应用.本文在分析k均值聚类算法存在问题的基础上,用粒子群算法优化k均值聚类算法,提出了一种新的混合聚类算法.理论分析和实验结果证明,该算法有很好的全局收敛性,不仅有效地克服了传统的k均值算法易陷入局部极小值和对初始值敏感的问题,而且具有较快的收敛速度.