基于动态自适应t分布变异的人群搜索算法

针对人群搜索算法在进化后期大量个体聚集局部最优时,易陷入局部最优,搜索精度低的缺陷,提出一种基于t分布变异的人群搜索算法.算法使用动态自适应方式确定变异步长,引入t分布变异算子以融合柯西变异和高斯变异的优点,促进算法在进化早期具备良好的全局探索能力,在进化后期收获较强的局部开发能力,增加种群的多样性;采用边界缓冲墙策略处理越界问题,避免越界个体聚集在边界值上的缺陷.实验结果表明,算法比基本人群搜索算法具有更高的寻优精度和收敛速度,是一种有效的算法.     

斜t及斜Laplace分布

本文首先介绍一种用来处理重尾数据的斜t分布,并给出其相应的基本数字特征.基于Laplace分布的对称性及重尾性,定义一种新的分布一斜Laplace分布,推导出新分布的密度函数和分布函数,且通过密度函数曲线图书其与Laplace分布进行比较.最后,证实所提斜Laplace分布的重尾性质.     

基于二维t分布的条件VaR研究

根据多元t分布的定义及性质,推导出二维t分布随机变量差的条件分布仍服从t分布.在假定股票价格对数与收益率服从二维t分布的基础上,利用该性质,可以得到不同股票价格水平条件下,收益率的一维条件t分布,进而计算出价格条件VaR.利用多元t分布研究价格条件的收益率分布问题,与正态分布相比,较好地刻画了证券收益率分布的尖峰厚尾现象.     

基于t分布的VaR的次可加性

在资产收益服从标准t分布假设下,主要用数值计算方法证明了,当置信水平α>0.5时,VaR满足次可加性,并用计算机模拟检验了所得结果的正确性.     

求解带时间窗车辆路径问题的改进离散花朵授粉算法

针对当前算法在求解带时间窗车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW)时存在精度、效率方面的不足,提出一种改进的离散花朵授粉算法.算法在基本花朵授粉算法的基础上进行离散化,使其适合求解带时间窗车辆路径问题,重新定义花朵授粉算子操作.为了提高求解精度和效率,设计了随机插入、路径内的2-opt、交换和逆序操作,为了增加种群间信息的交互,结合改进的遗传算子.通过11个测试算例表明,改进的离散花朵授粉算法在求解VRPTW是行之有效的,与文献中其他算法比较,算法在精度、效率和鲁棒性方面具有优势.     

关于矩阵乘法的一个算法的时间复杂度

两个n阶非负整数方阵相乘,常规算法的时间复杂度为O(n³),文献[1]提出一个“运算次数”为O(n²)的“最佳”算法,本文根据算法分析理论得出此算法的时间复杂度不低于O(n³log₂ⁿ),因而比常规算法的运算量还大.     

关于整数向量卷积的一个算法的时间复杂度

众所周知,两个n维整数向量循环卷积的常规算法(即按定义计算)的时间复杂度为O(n~2),现在已有时间复杂度为O(nlog_2n)的快速算法,[1]中提出一个新算法,称其时间复杂度为O(n),因而是最佳的。 本文首先指出[1]的错误原因,再根据算法分析理论得出[1]中算法的时间复杂度不低于O(n~2log_2n),因而比常规算法的运算量还大。     

整数向量卷积的一个最佳算法

在离散概率、数字信号处理及其他工程问题中,常会遇到两个向量的卷积(这里指的是循环卷积)的计算,即已知向量     

偏t分布假设下的空间效应模型及其应用

在非寿险索赔强度预测中,目前使用最为广泛的是广义线性模型。索赔强度的广义线性模型假设因变量服从伽马分布或逆高斯分布,且在预测项中仅能考虑协变量的线性效应。这些限制性条件都有可能影响索赔强度预测结果的准确性。本文对索赔强度的广义线性模型进行了推广:用偏T分布代替常用的伽马分布和逆高斯分布;在预测项中引入惩罚样条函数来描述连续型协变量的非线性效应;考虑索赔强度在不同地区的差异性和相邻地区的相依性。最后基于一组实际的车损险数据进行了实证研究,结果表明,本文的推广模型可以明显提高索赔强度预测模型的拟合优度。     

从偏态Pearson Ⅶ分布生成的新的多元偏态t分布

一般而言,偏态的椭球等高分布是一类分布族,有相当一部分的分布都是积分形式,且此类积分不易求出,而偏态的正态、偏态的正态尺度混合、偏态的PⅦ型、偏态的PⅡ型的分布却有着很好的结构,偏态t分布属于偏态PⅦ型分布,因此,本文在偏态PⅦ型分布的基础上着重研究新的偏态t分布,给出它的背景、定义、两种随机表示及其等价性.     

基于自适应遗传算法的逐次超松驰迭代法

确定逐次超松驰迭代法中的最佳松驰因子,迄今,人们还没有给出一可行实用的方法.利用自适应遗传算法全局搜索性能、并行性及其遗传操作,构造出近似确定最佳松驰因子的一种自适应进化方法,并由此得到一近似确定ω功能的自适应逐次超松驰迭代算法.数值算例表明,该算法在求解线性方程组中是可行的,实用和快捷的.     

基于云自适应遗传算法的K-means聚类分析

现有的基于遗传算法的K-means聚类算法,利用遗传算法的全局优化性提高了K-means算法的寻优能力,收敛速度却过慢.为了解决上述问题,提出基于云自适应遗传算法的K-means聚类算法,利用云模型云滴的随机性和稳定趋向性设计遗传算法的交叉和变异概率,并在进化过程中引入K均值算子,以克服算法收敛速度过慢的问题.实验比较表明,算法具有较好的全局优化性,且收敛速度较快,提高了聚类算法解决物流管理中数据聚类工作的能力.     

求解复杂优化问题的基于信息熵的自适应蚁群算法

针对基本蚁群算法存在收敛速度慢、易陷入局部最优、计算复杂且不易求解连续优化问题等缺陷 ,提出了一种基于信息熵的改进自适应蚁群算法 ,采用由信息熵控制的路径选择及随机扰动策略实现了算法的自适应调节 ,克服了基本蚁群算法的不足 .典型的 NP-hard问题的计算实例表明 ,该方法具有较好的收敛性、稳定性和鲁棒性 ,可用于离散及连续的组合优化问题求解中 ,其不失为求解复杂组合优化问题的一种较好的方法 .     

基于自适应均匀变异人工鱼群投资组合优化算法的研究

投资市场具有一定的风险,影响因素包括经济、政治、市场自身规律等,根据市场机制构建合适的投资组合模型,可以有效降低市场风险,提高投资回报率.人工鱼群算法是模仿自然界鱼类的一种人工智能优化算法,具有较好的优化能力,但有时会陷入局部最优解.首先将人工鱼群算法与均匀变异相结合,加入均匀变异随机数,使算法能够跳出局部最优解,得到全局最优,从而提高算法精度.然后采用改进人工鱼群算法对投资组合模型进行优化求解.实验表明,改进人工鱼群算法具有较好的收敛精度和收敛速度,对投资组合模型的求解效果更好,风险下降,收益增加、     

基于卫星云图的风矢场度量模型与自适应算法

探讨了基于卫星云图度量风矢的模型与算法.首先,构建三维地球坐标系和二维帧平面坐标,实现了经纬度与灰度矩阵的行列号的相互转换;其次,近似修正定位目标云,采用最大交叉相关系数选择最优化匹配云,进而建立固定尺度下风矢度量模型;再其次,根据该先验信息构造变尺度的搜索空间,设计自适应算法加快搜索进程和提高精度;最后,挖掘预报文件中的温度-压强关系,分段拟合风矢的压强和所在等压面层数.     

基于精英区域学习的多种群自适应的差分进化算法

为了进一步提高差分进化算法的收敛速度、算法精度和稳定性,采用多种群技术来增加算法收敛速度和降低复杂度;利用精英区域学习策略来对算法的全局搜索能力和算法精度进一步提升,引进自适应免疫搜索策略,以实现自适应修正差分算法的变异因子和交叉因子。通过五个测试函数,把本文算法与最新文献中的算法进行对比,表明算法在收敛速度、精度和高维问题寻优能力方面的优越性。     

基于下半矩风险度量与t分布的单向金融指数跟踪模型

本文探讨沿如下新的思路构造投资组合来最有效地单向"跟踪"某个金融指数;为灵活刻画不同投资者对跟踪风险的感知,我们采用跟踪偏差相应阶数的下半矩作为风险的度量;为较好描述证券收益分布的厚尾现象,我们假设市场上风险资产的收益服从多元t分布.在分析基于上述框架所建立跟踪优化模型基本性质的同时,我们还设计出相应的求解算法.实证检验结果不仅表明新模型与算法的有效性和实用价值,而且较好地克服了基于MAD等准则的传统跟踪方法的不足.     

基于一维搜索的ICA自适应算法及其在股票分析中的应用

在固定步长的ICA极大似然估计自适应算法的基础上,通过一维搜索引入了步长修正方案,使新算法可在收敛速度和稳定状态时的失调误差这两个性能指标上达到最佳结合点,具有较好的时变系统跟踪能力。仿真结果证实了本文所提出的算法可以有效地提高ICA的自适应性,能够更准确地完成盲源分离。在此基础上将算法用在时变性很强的股票数据上,以验证该算法的有效性和可行性。