基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测

由于碳交易市场价格的波动性大及相互影响关系的复杂性,本文试图构建碳价格长期和短期的最优预测模型。考虑到碳交易价格波动的趋势性和周期性特点,基于经验模态分解算法(EMD)、遗传算法(GA)—神经网络(BP)模型、粒子群算法(PSO)—最小二乘支持向量机(LSSVM)模型及由它们构建的组合预测模型,对中国碳市场交易价格进行短期预测和长期预测。实证分析中将影响碳交易价格的不同宏观经济因素和碳价格时间序列因素做为输入变量,分别代入组合模型进行预测。研究结果表明,在短期预测中,EMD-GA-BP模型预测效果优于GA-BP模型和PSO-LSSVM模型;而在长期预测中,组合模型EMD-PSO-LSSVM模型预测效果优于只考虑碳价格波动趋势性或周期性预测效果。     

无容量限制设施选址问题的降阶回溯算法

无容量限制设施选址问题(uncapacitated facility location problem, UFLP)是经典组合优化中NP-Hard问题之一,在诸多领域具有广泛的应用价值。本文首先研究UFLP的数学性质,并进行了数学证明。运用这些数学性质不仅可以确定某些设施必定开设或者关闭,还可以确定某些连接边是否在服务集中,从而缩小问题的规模,加快求解速度;在此基础上设计出一个新的基于上下界的回溯算法来求解UFLP。最后,通过一个示例进一步阐述该算法的原理,结果表明该算法具有明显的可行性和有效性。     

循环结构：递推思想的算法表达

1引言 在遇到一个需要求解的问题后,算法研究的是怎样将它分解成一系列有序的、有限的、明确的操作步骤．每一个步骤只能有一个确定的后继步骤,前一步是后一步的前提．算法的这种特性与递推思想有着必然的联系,特别是在循环结构及循环语句中,这种联系体现得更为明显．算理是算法的灵魂和本质．在明确算理的前提下,从具体演算出发,将算理用数学语言表达,再将数学语言转化为算法语言．这是理解算法的一个有效方式．     

一类广义变分不等式组的隐迭代算法

依赖于投影映射的性质,许多学者在Hilbert空间研究了具不同映射的变分不等式组解的逼近问题,但在Banach空间的研究比较少.其主要原因是因为在Banach空间投影映射缺乏很好的性质.本文利用向阳非扩张保核映射(the sunny nonexpansiveretraction mapping)Q_K的性质,导出了一种隐迭代方法.用这一方法,本文的结果把[M.A.Noor,K.I.Noor,Projection algorithms for solving a system of generalvariational inequalities,Nonlinear Analysis,70(2009)2700-2706]的主要成果从Hilbert空间推广到了Banach空间.     

基于改进自适应萤火虫群算法的空调送风温度优化控制

为了提高变风量空调(VAV)送风温度系统的控制精度,减少冷冻水系统能耗,提出一种基于改进自适应萤火虫群算法(AGSO)优化的PID控制策略.建立被控对象数学模型,引入混沌搜索和变异策略,改善基本萤火虫群算法后期容易陷入震荡和局部最优的问题,利用改进自适应萤火虫群算法对冷冻水阀-送风温度PID控制进行优化.实验结果表明:...     

一种快速且全局收敛的BP神经网络学习算法

目前误差反向传播(BP)算法在训练多层神经网络方面有很多成功的应用.然而,BP算法也有一些不足:收敛缓慢和易陷入局部极小点等.提出一种快速且全局收敛的BP神经网络学习算法,并且对该优化算法的全局收敛性进行分析和详细证明.实证结果表明提出的算法比标准的BP算法效率更高且更精确.     

非扩张映像不动点新的简单逼近算法

提出了一个简单的非扩张映像不动点的逼近算法,该算法通过非迭代的逼近序列来实现.从算法的复杂性来看,提出的算法比经典的Mann迭代算法、Ishikawa迭代算法和Halpern迭代算法更简单.提出的算法紧密联系着非扩张映像不动点的存在性,因此,还得到了非扩张映像的新不动点定理, 拓展和改进了经典的Goebel-Kirk,Kim-Xu等作者的结果.     

用在线梯度法训练积单元神经网络的收敛性分析

<正>1引言仅由加和单元构成的传统前向神经网络已经广泛应用于模式识别及函数逼近等领域.但在处理比较复杂的问题时,这种网络往往需要补充大量的隐节点,这样就不可避免地增     

变量有界半定最小二乘问题

<正>1引言设A_i∈S~n,i=1,…,m,定义线性算子A:S~n→R~m,AX=(A_1·X,…,A_m·X)~T,其相应的伴随算子为A~*:R~m→S~n,且A~*y=sum from i=1 to my_iA_i.X∈S~n,b∈R~m.Malick.J在[6]中讨论了如下标准半定最小二乘问题(SDLS):     

一种修正的HS共轭梯度法及全局收敛性

<正>1引言考虑无约束极小化问题:(?),(1)其中f(x)连续可微,其梯度函数用g(x)表示.共轭梯度法求解(1)的常用迭代格式为:x_(k+1)=x_k+α_kd_k,(2)(?)(3)其中g_k=▽f(x_k),α_k≥0是由某种线搜索得到的步长因子;d_k为搜索方向,β_k为标量,β_k的不同选择产生了不同的共轭梯度法.著名的β_k公式有: