基于变权缓冲算子的灰色G(1,1)模型在地铁能耗预测中的应用

准确预测城市轨道交通系统能源消耗量对城市轨道交通建设规划、环境保护及节能减排具有重要意义.城市轨道交通系统能源消耗量逐年上升且呈指数型变化趋势,因而适合用灰色理论G(1,1)模型描述其变化规律.为了提高模型的预测精度,采用了变权缓冲算子对历史建模数据进行预处理.实例分析表明,经遗传算法权值优化的强化缓冲算子明显增强了建模数据的指数变化特征,提高了灰色G(1,1)模型的预测精度,使预测结果更贴近实际.     

高维稀疏对角GARCH模型的估计及应用

高维数据背景下,数据维度和噪声的影响使得传统的GARCH模型不再适用.针对对角GARCH(goGARCH)模型的不足,将高维稀疏建模法应用到其估计过程中,提出了高维稀疏对角GARCH(HDS-goGARCH)模型.HDS-goGARCH模型通过引入惩罚函数,将一些不重要变量的回归系数压缩为零,来精简模型,达到降维的目的.通过模拟和实证研究发现:较传统的goGARCH模型而言,HDS-goGARCH模型明显提高了高维协方差阵的估计和预测效率;并且将其应用在投资组合时:在收益一定的情况下,由HDS-goGARCH模型所构造的投资组合的风险更小.     

灰建模在条件价值法数据处理中的应用

采用三江平原湿地调查问卷结果作为原始数据,探讨了灰建模方法在条件价值法数据处理中的应用.在对问卷数据进行聚类分析的基础上,采用传统的GM(1,1)模型,得到了合理有效的灰色模型,改进了条件价值法数据建模中仅将支付与抗议支付作为两个基本变量的模型,得出了多分类模型.     

基于灰色理论的线性模型参数理论及应用

线性模型是经典统计学的基本内容,主要应用于随机数据的建模分析。如何对非随机的模糊或灰色等不分明性数据进行模型构建和统计分析。基于灰色系统理论,在一系列关于灰色统计推断理论的研究基础上,将灰色估计和灰色假设检验等方法拓展到线性模型的参数估计和假设检验中。与经典统计分析方法进行对比,为不分明数据的建模分析提供新的方法。     

ACD模型自加权LAD估计的渐近性质北大核心

针对高频数据建模中常用的自回归条件持续期(ACD)模型,在允许误差方差无穷的条件下,构造模型参数的自加权最小一乘(SLAD)估计,并证明了该估计的相合性和渐近正态性.数值模拟显示SLAD估计比拟极大似然估计和最小一乘估计更稳健,最后将其应用于青岛海尔和宝信软件这两只股票的价格持续期建模.     

向量灰色模型的建立及应用

针对传统多变量灰色预测模型(MGM(1,m))有时存在的建模数据失真问题,以系统中关联变量具有趋同性为基础,提出了一种新的模型——向量灰色模型(VGM(1,m))。与MGM(1,m)模型相比,VGM(1,m)结构更简单,模型参数更少,从而有利于参数的估计。将VGM(1,m)、MGM(1,m)、GM(1,1)模型应用于四个实例的分析,结果表明VGM(1,m)消除了MGM(1,m)的建模失真现象,模型的稳定性得到了增强。进一步,与GM(1,1)建模结果相比,VGM(1,m)模型的预测精度更高,即新模型有更好的泛化性。     

ACD模型自加权LAD估计的渐近性质

针对高频数据建模中常用的自回归条件持续期(ACD)模型,在允许误差方差无穷的条件下,构造模型参数的自加权最小一乘(SLAD)估计,并证明了该估计的相合性和渐近正态性.数值模拟显示SLAD估计比拟极大似然估计和最小一乘估计更稳健,最后将其应用于青岛海尔和宝信软件这两只股票的价格持续期建模.     

随机缺失数据下的时间序列分析建模

在时间序列建模过程中,数据的缺失会极大地影响模型的准确性,因此对缺失数据的填补尤为重要.选取北京市空气质量指数(AQI)数据。将其随机缺失10%.分别利用EM算法和polyfit直线拟合的方法对缺失值插补,补全数据后建立ARMA模型并作预测分析.结果表明,利用polyfit函数插补法具有较好的结果.     

分层混合效应模型迭代广义最小二乘估计的大样本性质

在许多领域中,我们常常需要处理具有分层结构的数据.对于这类数据,分层混合效应模型通过对回归系数进一步建模来刻画出同一层内变量之间的相关性.模型中随机部分比较复杂,这使得协方差矩阵的估计方法成为大家关注的问题.Goldstein(1986)提出了迭代广义最小二乘估计,并将它应用于一类特殊的分层模型——方差成分模型中,本文对其进行推广,对更一般的分层混合效应模型给出迭代广义最小二乘的具体表达形式,并运用到经济实例的分析中.     

灰色系统 GM(1,1) 模型的讨论

本文讨论灰色系统 GM(1,1)模型在建模过程中由于原始数列的变化对模型值及预测精度的有效性问题.指出,在通常的 GM(1,1)建模方法中,原始数列的第一个数据对模型值及预测精度不产生任何影响.为利用该数据提供的信息,可在原始数列的第一个数据前再增加一个任意数作为新的原始数列建模;另外,原始数列中每一个数据增加同一个常数后,对模型值和预测精度可产生影响.因此,在 GM(1,1)建模过程中,需选择合适的常数,以提高预测精度.     

基于DNA遗传算法的随机整数规划期望值模型求解

为了求解随机整数规划问题,提出了随机整数规划期望值模型的概念,分析了利用DNA遗传算法求解此类问题的优点,并设计了求解算法,最后通过报童问题,验证了算法的可行性和有效性.     

Advanced Genetic Programming Based Machine Learning

A Genetic Programming based approach for solving classification problems is presented in this paper. Classification is understood as the act of placing an object into a set of categories, based on the object’s properties; classification algorithms are designed to learn a function which maps a vector of object features into one of several classes. This is done by analyzing a set of input-output examples (“training samples”) of the function. Here we present a method based on the theory of Genetic Algorithms and Genetic Programming that interprets classification problems as optimization problems: Each presented instance of the classification problem is interpreted as an instance of an optimization problem, and a solution is found by a heuristic optimization algorithm. The major new aspects presented in this paper are advanced algorithmic concepts as well as suitable genetic operators for this problem class (mainly the creation of new hypotheses by merging already existing ones and their detailed evaluation). The experimental part of the paper documents the results produced using new hybrid variants of Genetic Algorithms as well as investigated parameter settings. Graphical analysis is done using a novel multiclass classifier analysis concept based on the theory of Receiver Operating Characteristic curves. The work described in this paper was done within the Translational Research Project L282 “GP-Based Techniques for the Design of Virtual Sensors” sponsored by the Austrian Science Fund (FWF).     

Genetic Algorithm based technique for solving Chance Constrained Problems

Management and measurement of risk is an important issue in almost all areas that require decisions to be made under uncertain information. Chance Constrained Programming (CCP) have been used for modelling and analysis of risks in a number of application domains. However, the resulting mathematical problems are non-trivial to represent using algebraic modelling languages and pose significant computational challenges due to their non-linear, non-convex, and the stochastic nature. We develop and implement C++ classes to represent such CCP problems. We propose a framework consisting of Genetic Algorithm and Monte Carlo Simulation in order to process the problems. The non-linear and non-convex nature of the CCP problems are processed using Genetic Algorithm, whereas the stochastic nature is addressed through Simulation. The computational investigations have shown that the framework can efficiently represent and obtain good solutions for seven test problems.     

GA算子的代数模型

采用矩阵形式表示遗传操作过程 ,可为遗传算法程序设计提供简明的数学模型     

基于改进遗传算法的多机调度问题

遗传算法是解决多机调度组合优化问题最有效的方法之一,但由于其自身存在着一定的缺陷应用受到一定的限制.针对遗传算法的“早熟”和非均匀地在优化空间中搜索等缺陷,提出了一种自适应选择交叉概率、变异概率以及交叉位置非等概率选取的改进的遗传算法,并将其用于某钢管钢绳企业的多机调度问题,进行了仿真分析.     

基因武器威胁及杀伤模型浅析

随着基因嫁接技术的日益成熟,人类可能面临新一轮全球基因武器竞赛.科学家们就发出警告说,能够使一个种族从地球上消失的基因武器有可能在5年内变成现实,原因是阻止生物物科技武器发展"重中之重"——基因武器发展的"机会窗口"正在缩小,因此对基因武器的发展进行研究具有一定的理论和实践意义.论述了基因武器发展对我国安全的威胁以及难以控制的理由,建立了基因武器杀伤模型.     

用遗传算法求解病态线性方程组

众所周知 ,病态方程组的条件数较大 ,当输入数据有微小扰动或计算过程中的舍入误差都可能引起输出数据的很大扰动 ,使得解严重失真 ,因此求解此类方程组是相当困难的 .本文尝试使用遗传算法来求解病态线性方程组 ,得到了较好的结果 ,并与传统的求解方法作了简单的比较     

Self-Adaptive Genetic Algorithm for Clustering

Clustering is a hard combinatorial problem which has many applications in science and practice. Genetic algorithms (GAs) have turned out to be very effective in solving the clustering problem. However, GAs have many parameters, the optimal selection of which depends on the problem instance. We introduce a new self-adaptive GA that finds the parameter setup on-line during the execution of the algorithm. In this way, the algorithm is able to find the most suitable combination of the available components. The method is robust and achieves results comparable to or better than a carefully fine-tuned non-adaptive GA.     

基于遗传算法与贪婪策略的多港口集装箱配载研究

在物流运输行业中,集装箱运输已经成为我国长江沿岸各大港口的主要运输业务。集装箱的处理流程,尤其是集装箱的配载过程直接影响着班轮的运输效率,配载方案的制定对班轮运输起着至关重要的作用。本文针对多港口集装箱船的配载情况,利用CPLEX对该线性规划问题进行求解,并设计遗传算法和贪婪算法对长江沿岸多港口集装箱船配载情形进行对比。通过仿真实验,在小规模时遗传算法与CPLEX求解的精确解相同,验证了遗传算法的有效性。并且在大规模运输情形下,遗传算法得出的结果明显优于贪婪策略,进一步说明了遗传算法是行之有效的。得出的解决方案降低了班轮公司的运输成本,提高了港口的工作效率,对我国长江沿岸港口集装箱配载计划的制定具有一定的指导作用。     

Crossing Over Genetic Algorithms: The Sugal Generalised GA

Sugal is a major new public-domain software package designed to support experimentation with, and implementation of, Genetic Algorithms. Sugal includes a generalised Genetic Algorithm, which supports the major popular versions of the GA as special cases. Sugal also has integrated support for various datatypes, including real numbers, and features to make hybridisation simple. This paper discusses the Sugal GA, showing how recombining the features of the popular algorithms results in the creation of a number of useful hybrid algorithms.