基于效用最大化的投资组合旋转算法研究

文章综合考虑投资组合的期望收益率和风险(方差),提出了基于效用最大化的投资组合模型,并用线性不等式组的旋转算法进行求解.计算结果表明,在允许卖空的情况下,风险偏好系数能够在整个变化范围内较好地反映投资者的期望收益率,而在不允许卖空情况下,风险偏好系数只能在某个区间起作用.因此,投资者应结合自己的风险偏好和投资组合的期望收益率作出决策.文章运用自编程序能够很快地计算出各种不同的风险偏好系数所对应的有效投资组合,以帮助投资者得到最优投资策略.所运用的线性不等式组的一种旋转算法避免了通常处理二次规划问题所需的松弛变量、剩余变量和人工变量,操作简便、计算效率高.     

基于蚁群算法的物流配送路线优化研究——以重庆市渝中区为例

蚁群算法于上世纪末提出,是继遗传算法之后的一种启发式算法,用于解决组合优化问题.它借鉴蚂蚁通过自组织的协作能力而产生的群体智慧来解决组合优化问题.ACO算法的特点在于使用正反馈,在较优的解的路径下,留下较多的信息激素,信息素会吸引更多蚂蚁走这条路径,这个过程中,会引导整个系统向最优解的方向迈进.蚁群算法可以用来解决一些尚未找到有效算法的问题,而且蚁群算法还是元启发式算法(Meta-heuristic),是一种算法框架,可以在其基本思想上针对不同问题做改进从而应用到不同问题上去.     

多项目多期组合投资优化的双目标模糊相关机会模型

对于多项目单期优化模型已经有了比较满意的结论,现在已有研究基础上讨论一种基于净现值和净现值成本的多项目多期投资组合优化的双目标模糊相关机会模型,并且提出了一种集模糊模拟、改进的神经网络与遗传算法于一体的人工智能算法,结合一种能够实时调整权数的评价函数法,从而对模型进行有效求解。最后数值仿真说明了模型的合理性与算法的有效性。     

一类多目标投资组合优化模型求解算法研究

构建一类含交易费的约束多目标非线性投资组合优化模型,已有的数学规划方法直接求解极其困难,故从智能优化的角度设计了一种提高的进化算法（INSGAII）,算法中进化群体分离为可行群与非可行群,两种群体中的父体经由相互交叉获多样性的子体,修正算子对非可行个体修复。数值实验中,基本遗传算法（GA）及线性规划法（LP）被用于与该算法比较,结果表明该算法能获得较均匀的Pareto面,收敛性较好。     

企业投资优化的决策模型研究

蚁群算法是一种新兴高效的人工智能优化方法。在企业投资规划中应用蚁群算法,可得到全局优化的解,从而更有效地利用资本,为企业创造更多的利润。     

模拟退火算法和应用

模拟退火算法．算法是基于Mente arlo迭代求解策略的一种随机寻优算法,其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法在某一初温下,伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法。     

用单纯形-模拟退火算法研究优化PSS参数

本文提出了一种基于单纯形-模拟退火算法的电力系统稳定器(PSS)参数优化方法.它是一种全局寻优方法,分析表明该方法是一种有效的PSS优化方法,所得优化参数对系统运行方式的变化具有良好的鲁棒性.     

双重SGA算法对股票投资组合的优化分析

随着证券市场的不断发展而发展起来的,证券投资组合的选择和确定面临大量繁重和复杂的计算,SGA算法在客观和理性的证券投资组合决策中可以起到很好的辅助支持作用。本文通过双重遗传算法模型设计,对证券组合投资中的权重进行智能化的求解,并进行投资组合权重方案的评价,为决策的支持提供很好的参照。     

基于改进的粒子群算法的PID参数优化

改进的粒子群优化PSO算法通过采用改进的PSO算法对PID参数进行了优化,使用实数编码方法,用局部版粒子群算法取得了良好的优化结果.说明了改进的粒子群算法寻优简单、鲁棒性强、易于并行化,是一种效率很高的寻优方法,是PID参数优化的理想方法.     

有交易成本的极大极小化投资组合

本文研究了在一种新的投资组合原理-极大化最小可能的预期收益率的基础上,建立了一个考虑了交易成本的投资组合优化模型,给出了其最优投资比例公式.所得结果是原不含交易费的资本市场下该模型结果的推广.