模糊投资组合选择问题的改进帝企鹅优化算法

模糊投资组合选择问题是在基本投资组合模型中引入模糊集理论,使所建立的模型与实际市场更加吻合,但同时也增加了模型求解难度.因此,本文针对两种不同的模糊投资组合模型,提出一种改进帝企鹅优化算法.算法首先引入可行性准则,处理模糊投资组合模型中的约束.其次,算法中加入变异机制,平衡算法的开发和探索能力,引导种群向最优个体收敛.通过对CEC 2006中的13个标准测试问题及两个模糊投资组合问题实例进行数值实验,并与其他群智能优化算法进行结果比较,发现本文所提出的算法具有较好的优化性能,并且对于求解模糊投资组合选择问题是有效的.     

基于IAFSA-MUSIC算法的阵列信号DOA估计

针对传统MUSIC算法运算量过大以及低信噪比下分辨率差的问题,提出将改进人工鱼群算法与MUSIC的谱峰搜索相结合,利用鱼群觅食和追逐来对解空间进行高效搜索,从而保证算法收敛的快速性和全局性.聚群的存在促使少量陷于局部最优解的人工鱼向着全局最优解的方向靠拢,提高了鱼群对不利环境的自适应性,也增强了算法的稳定性.与此同时,改进人工鱼群算法在一定程度上加快了后期收敛速度,提高了算法的估计性能.实验结果表明在低信噪比时方法相较于MUSIC而言具有更好的估计性能,并且大大减少了运算量,保证了算法的实时性.     

基于PSO-AFSA混合算法的模糊投资组合问题的研究

针对模糊不确定的证券市场,用可能性均值、下可能性方差和协方差分别替换了投资组合模型中概率均值、方差和协方差,构建了双目标均值-方差投资组合模型。然后采用线性加权法将双目标模型转化为单目标模型,进而提出了一个PSO-AFSA混合算法对其求解。该混合算法中,将粒子群算法搜索的结果作为人工鱼群算法初始鱼群,进一步搜索,这样能有效的避免粒子群算法陷入局部最优。同时,将人工鱼群中的最好位置反馈到粒子群算法的速度更新公式中,指引粒子运动,加快算法收敛。最后,进行实例分析,结果表明:PSO-AFSA混合算法是有效的,混合算法搜索到的全局最优值好于基本粒子群算法搜索到的全局最优值。     

约束粒子群算法求解自融资投资组合模型研究

在马克维茨投资组合的均值-方差模型框架下,给出限制投资数量的自融资投资组合优化模型.在金融市场上有广泛应用,为了有效地求解此类问题的最优解,采用一种基于广义学习策略的约束粒子群算法(CPSO).CPSO算法具有广义的学习策略,极大地提升了种群的多样性,进而提升种群跳出局部最优解的能力.在基准函数测试中,结果显示CPSO算法有较好的运行结果.在自融资投资组合优化模型上,优化结果表明CPSO算法是可行的,有效的,并有较好的优化结果.     

一种求解路径优化问题的新型人工鱼群算法

针对人工鱼群算法由于固定视野导致寻优效率低、易陷入局部极值的弊端,引入视野递减反馈策略,提出一种改进人工鱼群算法.视野随着迭代次数和寻优反馈信息适时变化,旨在平衡算法的全局搜索和局部搜索能力.实验测试表明算法在保证收敛速度的基础上提高了计算精度,并且增加了算法陷入局部极值时快速跳出的可能性,最后将改进算法应用于求解国家AAAAA级风景区最短遍历路径问题.     

基于正弦控制因子的Lateral变异鲨鱼优化算法

针对传统鲨鱼优化算法在求解高维目标函数时,易早熟收敛,陷入局部最优的缺陷.提出一种基于正弦控制因子的Lateral变异鲨鱼优化算法.通过正弦曲线的特性和自适应惯性权重,改善了传统鲨鱼优化算法中由于随机选取控制因子数值大小可能导致算法在迭代后期全局搜索能力降低的问题,提高了算法在迭代后期的全局收敛能力,并对最佳鲨鱼位置引入Lateral变异策略,加强了算法跳出局部最优的可能性.改进后的算法对多个shifted单峰,多峰以及固定维测试函数进行求解,实验结果表明,对比多种不同优化算法而言,本文所提LSSO算法具有更高的收敛精度和搜索速度.     

基于正余双弦自适应灰狼优化算法的医药物流配送路径规划

针对传统灰狼优化算法易早熟收敛陷入局部最优和收敛速度慢的缺陷,提出一种正余双弦自适应灰狼优化算法.首先,在灰狼捕食阶段引入正弦搜索,增强算法的全局勘探能力,减少算法的搜索盲点,提高算法的搜索精度.在引入正弦搜索的同时,引入余弦搜索,增强算法的局部开发能力,提高算法的收敛速度.其次,在搜索过程中加入自适应交叉变异机制,通过适应度值的大小自适应选取交叉变异概率,有效的提高了粒子跳出局部最优的概率.通过数值对比试验,验证了改进算法具有较强的收敛精度和收敛速度.     

求解高维全局优化问题的改进飞蛾火焰优化算法

针对标准飞蛾火焰优化算法在求解高维全局优化问题时存在收敛速度慢、解精度低和易陷入局部最优等缺点,提出一种改进的飞蛾火焰优化算法(简记为IMFO).该算法首先引入动态惯性权重对飞蛾位置更新方程进行修改以平衡算法的勘探和开采能力.受差分进化算法启发,设计出一种新的随机差分变异策略,以帮助种群跳出局部最优.选取18个高维(100、500和1000维)全局优化问题进行数值测试,结果表明,在相同的适应度函数评价次数下,IMFO在收敛速度和求解精度指标上明显优于基本MFO算法和其他对比算法.     

求解旅行商问题的搜寻者遗传算法

针对简单遗传算法易陷入局部最优及收敛速度慢的不足,提出一种改进遗传算法-基于启发式策略的搜寻者遗传算法.首先将搜寻者优化算法中的模糊思想和近邻策略相结合改进变异算子,增强种群多样性,避免陷入局部最优;然后针对路径优化问题基于启发式策略设计反转算子,使得路径中不存在交叉边,加快收敛速度;最后将改进遗传算法用于求解旅行商问题.结果表明,改进遗传算法的求解精度和求解效率明显优于基本遗传算法.     

离散变量结构优化设计的组合算法*

本文首先给出了离散变量优化设计局部最优解的定义,然后提出了一种综合的组合算法.该算法采用分级优化的方法,第一级优化首先采用计算效率很高且经过随机抽样性能实验表明性能较高的启发式算法─—相对差商法,求解离散变量结构优化设计问题近似最优解 X ;第二级采用组合算法,在 X 的离散邻集内建立离散变量结构优化设计问题的(-1,0.1)规划模型,再进一步将其化为(0,1)规划模型,应用定界组合算法或相对差商法求解该(0,1)规划模型,求得局部最优解.解决了采用启发式算法无法判断近似最优解是否为局部最优解这一长期未得到解决的问题,提高了计算精度,同时,由于相对差商法的高效率与高精度,以上综合的组合算法的计算效率也还是较高的.     

基于可信性理论的均值-熵-偏度投资组合模型及其算法求解

本文考虑到证券市场的投资者往往面临着随机和模糊两种不确定性的情形,在模糊随机环境下把证券的收益率视作三角模糊变量,在可信性理论基础上建立了带融资约束条件的均值-熵-偏度三目标投资组合决策模型,拓展了基于可信性理论的投资组合决策模型的研究内容,同时通过对约束条件处理方法,外部档案维护方法等关键算子的改良,提出了一种新的约束多目标粒子群算法。本文运用该算法对模型进行求解,把得到的最优解与传统的多目标粒子群算法得到的最优解进行对比,结果表明新算法得到的最优解的质量会显著地优于传统的多目标粒子群算法的最优解,从而验证了算法的有效性和准确性。该算法可以在三维空间中得到一个分布性和逼近性较好的Pareto最优曲面,满足投资者对不同目标的差异需求,为投资者提供合理的投资组合决策方案。     

基于改进粒子群算法的复杂现实约束投资组合研究

基于可能性理论,假设各资产的未来收益率均为梯形模糊数,本文构建了带有V-型交易费用、投资比例上下限和基数约束限制的均值-方差-Yager熵模型。本文采用了带有宽容量的逐步宽容法使构建的三目标模型转化为单目标模型,通过调整宽容量的大小来控制收益和风险的大小,从而使得投资者根据自己的偏好选择适合自己的投资决策。此外,本文通过非线性惯性权重来刻画搜索速度,通过对个体最优适应度值较差的部分粒子进行初始化处理,提出了改进的粒子群算法,从而降低了陷入局部最优的可能性;同时通过0-1矩阵和放缩因子处理了基数约束和上下限约束,使得模型的求解更加有效。最后,通过实例说明了算法的可行性和有效性,给出了投资模型的有效前沿,分析了收益/风险宽容量不变时,风险/收益宽容量变化的作用,从而给投资者提供了更多的决策方案。     

Study on network traffic forecast model of SVR optimized by GAFSA

There are some problems, such as low precision, on existing network traffic forecast model. In accordance with these problems, this paper proposed the network traffic forecast model of support vector regression (SVR) algorithm optimized by global artificial fish swarm algorithm (GAFSA). GAFSA constitutes an improvement of artificial fish swarm algorithm, which is a swarm intelligence optimization algorithm with a significant effect of optimization. The optimum training parameters used for SVR could be calculated by optimizing chosen parameters, which would make the forecast more accurate. With the optimum training parameters searched by GAFSA algorithm, a model of network traffic forecast, which greatly solved problems of great errors in SVR improved by others intelligent algorithms, could be built with the forecast result approaching stability and the increased forecast precision. The simulation shows that, compared with other models (e.g. GA-SVR, CPSO-SVR), the forecast results of GAFSA-SVR network traffic forecast model is more stable with the precision improved to more than 89%, which plays an important role on instructing network control behavior and analyzing security situation.     

Uncertain portfolio optimization problem under a minimax risk measure

Portfolio optimization problem is concerned with choosing an optimal portfolio strategy that can strike a balance between maximizing investment return and minimizing investment risk. In many cases, the return rate of risky asset is neither a random variable nor a fuzzy variable. Then, it can be described as an uncertain variable. But, the existing works on uncertain portfolio optimization problem fail to find an analytic solution of optimal portfolio strategy. In this paper, we define a new uncertain risk measure for the modeling of investment risk. Then, an uncertain portfolio optimization model is formulated. By introducing a new variable, we transform it into an equivalent bi-criteria optimization model. Then, we derive a method for the construction of the set of analytic Pareto optimal solutions. Finally, a numerical simulation is carried out to show the applicability of the proposed model and the convenience of finding the analytic solution.     

A hybrid glowworm swarm optimization algorithm to solve constrained multimodal functions optimization

In this paper, a novel hybrid glowworm swarm optimization (HGSO) algorithm is proposed. The HGSO algorithm embeds predatory behaviour of artificial fish swarm algorithm (AFSA) into glowworm swarm optimization (GSO) algorithm and combines the GSO with differential evolution on the basis of a two-population co-evolution mechanism. In addition, to overcome the premature convergence, the local search strategy based on simulated annealing is applied to make the search of GSO approach the true optimum solution gradually. Finally, several benchmark functions show that HGSO has faster convergence efficiency and higher computational precision, and is more effective for solving constrained multi-modal function optimization problems.     

混合变异粒子群优化算法及其应用

为改善粒子群优化算法在解决复杂优化问题时收敛质量不高的不足,提出了一种改进的粒子群优化算法,即混合变异粒子群优化算法(HMPSO).HMPSO算法采用了带有随机因子的惯性权重取值更新策略,降低了标准粒子群优化算法中由于粒子飞行速度过大而错过最优解的概率,从而加速了算法的收敛速度.此外,通过混合变异进化环节的引入,缓解了粒子种群在进化过程中的多样性与收敛性这一矛盾,使得算法的全局探索与局部开发得到有效平衡.利用经典的基准测试函数和平面冗余机械臂逆运动学问题的求解来验证提出算法的有效性,试验结果表明:与其他算法相比,HMPSO算法具有更快的收敛速度、更高的收敛精度、更强的收敛稳定性以及更低的计算成本.     

基于风险网络结构的资产分配策略研究

股票市场是一个高风险市场,如何在频繁发生的极端波动环境下进行有效的资产分配是当前热点问题。本文首次应用VaR模型构建股市风险网络,并基于风险网络模型进行最优投资组合成分选择,分析不同市场波动行情下最优资产分配权重和股票中心性的时变关系,融合风险网络时变中心性和个股表现提出新的动态资产分配策略(φ投资策略)。结果表明:在股市上涨和震荡期,股票中心性和最优投资组合权重呈正相关关系;股市下跌期,股票中心性和最优投资组合权重呈负相关关系;当φ>0.05时,投资者的合理投资区域向高中心性节点移动,反之。φ投资策略的绩效表现证明了风险网络结构能提高投资组合选择过程。此研究对于优化资产配置、提高投资收益、多元化分散投资风险具有重要意义。     

Calculating risk neutral probabilities and optimal portfolio policies in a dynamic investment model with downside risk control

This paper presents a method for solving multiperiod investment models with downside risk control characterized by the portfolio’s worst outcome. The stochastic programming problem is decomposed into two subproblems: a nonlinear optimization model identifying the optimal terminal wealth distribution and a stochastic linear programming model replicating the identified optimal portfolio wealth. The replicating portfolio coincides with the optimal solution to the investor’s problem if the market is frictionless. The multiperiod stochastic linear programming model tests for the absence of arbitrage opportunities and its dual feasible solutions generate all risk neutral probability measures. When there are constraints such as liquidity or position requirements, the method yields approximate portfolio policies by minimizing the initial cost of the replication portfolio. A numerical example illustrates the difference between the replicating result and the optimal unconstrained portfolio.