【摘要】： 本文主要介紹了近些年來(lái)新提出的優(yōu)化算法——粒子群優(yōu)化算法。該算法簡(jiǎn)潔、易實(shí)現(xiàn)、容易理解,不需要優(yōu)化函數(shù)的梯度信息等優(yōu)點(diǎn)。粒子群優(yōu)化算法收斂快,特別是在算法的早期,但也存在著精度較低,易發(fā)散等缺點(diǎn)。算法受加權(quán)系數(shù)、加速系數(shù)和最大速度等參數(shù)影響比較大,若加權(quán)系數(shù)、加速系數(shù)和最大速度等參數(shù)太大,粒子群可能錯(cuò)過(guò)最優(yōu)解,算法不收斂;而在收斂的情況下,由于所有的粒子都向最優(yōu)解的方向飛去,所以粒子趨向同一化(失去了多樣性),使得后期收斂速度明顯變慢,同時(shí)算法收斂到一定精度時(shí),無(wú)法繼續(xù)優(yōu)化,所能達(dá)到的精度也比遺傳算法低,因此本文對(duì)粒子群優(yōu)化算法作了改進(jìn),提出了分組粒子群優(yōu)化算法。在分組粒子群優(yōu)化算法中將粒子群分成幾個(gè)小群,每個(gè)小群有不同的進(jìn)化參數(shù)且每個(gè)小群分別進(jìn)化,在間隔一定時(shí)刻進(jìn)行組間變異和重組操作,并且在重組的同時(shí)對(duì)各小組參數(shù)進(jìn)行粒子群優(yōu)化,仿真結(jié)果顯示相比標(biāo)準(zhǔn)粒子群優(yōu)化算法無(wú)論在收斂速度還是在精度和操作方便性上都有提高。 因粒子群優(yōu)化算法具有簡(jiǎn)潔、易實(shí)現(xiàn)、容易理解,不需要優(yōu)化函數(shù)的梯度信息等優(yōu)點(diǎn),所以算法一經(jīng)提出就被廣泛應(yīng)用。在2007年,Hassan和Nath提出了隱馬爾科夫模型與神經(jīng)網(wǎng)絡(luò)、遺傳算法的組合模型—AGHWA模型,并用于股票價(jià)格預(yù)測(cè),預(yù)測(cè)結(jié)果表明這方法是可行的,但由于隱馬爾科夫模型的矩陣運(yùn)算加上遺傳算法的編碼與解碼使得整個(gè)過(guò)程相當(dāng)?shù)膹?fù)雜。鑒于粒子群優(yōu)化算法的優(yōu)點(diǎn),本文提出了用粒子群優(yōu)化算法來(lái)對(duì)這組合模型中的隱馬爾科夫模型的初始參數(shù)進(jìn)行了優(yōu)化,并運(yùn)用模型對(duì)股票價(jià)格進(jìn)行了預(yù)測(cè),仿真結(jié)果顯示優(yōu)化后的模型有比較好的性能。
【圖文】：

從之前的討論可知，HMM模式識(shí)別的性能與它的參數(shù)的估計(jì)有很大的聯(lián)系。因此在這個(gè)算法中，我們用ANN算法把訓(xùn)練數(shù)據(jù)(歷史的股票價(jià)格)分離為一組獨(dú)立的值，并作為HMM的輸入值，使得訓(xùn)練數(shù)據(jù)更適于用HMM來(lái)進(jìn)行識(shí)別。PSO算法則用于尋找更好的HMM參數(shù)初始值。在應(yīng)用上述兩個(gè)算法之后，得到了分離的訓(xùn)練數(shù)據(jù)和最優(yōu)的初始參數(shù)，這時(shí)便用Baum-Welch[66]算法來(lái)對(duì)HMM的參數(shù)進(jìn)行重估，，從而得到最終的”HMM模型。在妙HMM模型中，我們可以通過(guò)叭terbi算法【66]對(duì)今天股票價(jià)格行為模式進(jìn)行識(shí)別，然后在訓(xùn)練數(shù)據(jù)中找到與今天股票價(jià)格行為模式相似的一組數(shù)據(jù)。在這組數(shù)據(jù)中，計(jì)算每個(gè)數(shù)據(jù)與它后一天的價(jià)格差，然后對(duì)這組價(jià)格差進(jìn)行加權(quán)平均。則今天的股票價(jià)格加上這個(gè)加權(quán)平均價(jià)格差便為我們預(yù)測(cè)的(明天的)股票價(jià)格。妙HMM模型的示意圖如下所示:ANN一PSO一llMM組合摸型

F19.2ForwardneuralnetworkseParationinPut在實(shí)驗(yàn)中我們發(fā)現(xiàn)作為HMM輸入的股票價(jià)格中的開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)這四組數(shù)值之間的相關(guān)性是很高的(如圖3a所示)，因此我們使用ANN算法的目的就是把這個(gè)訓(xùn)練數(shù)據(jù)中的四組數(shù)值分離為它們是相互獨(dú)立的。但是由于ANN算法內(nèi)結(jié)點(diǎn)的權(quán)重是隨機(jī)生成的，所以不能保證每組權(quán)重都能很好的分離訓(xùn)練數(shù)據(jù)。在這種情況下我們生成多個(gè)不同的ANN，然后取分離效果最好的那個(gè)ANN(如圖3b所示)。
【學(xué)位授予單位】：廣州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2008
【分類號(hào)】：TP301.6;F830.91

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 丁玉忠;吾守爾·斯拉木;那斯?fàn)柦ね聽栠d;;基于垃圾模型的維吾爾語(yǔ)關(guān)鍵詞識(shí)別[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2011年12期

2 楊曉慶;左為恒;李昌春;;基于K-Means變異算子的混合PSO算法聚類研究[J];微電子學(xué)與計(jì)算機(jī);2011年07期

3 鐘銳;;基于隱馬爾科夫模型的入侵檢測(cè)系統(tǒng)研究[J];贛南師范學(xué)院學(xué)報(bào);2011年03期

4 屈敏;高岳林;江巧永;;基于Pareto鄰域交叉算子的多目標(biāo)粒子群優(yōu)化算法[J];計(jì)算機(jī)應(yīng)用;2011年07期

5 段其昌;黃大偉;雷蕾;段盼;;帶擴(kuò)展記憶的粒子群優(yōu)化算法仿真分析[J];控制與決策;2011年07期

6 孫鋒利;何明一;高全華;;一種引入密度因子的改進(jìn)粒子群優(yōu)化算法[J];計(jì)算機(jī)應(yīng)用研究;2011年08期

7 李龍星;余炳輝;;用整體分布優(yōu)化算法求解水火電力系統(tǒng)短期優(yōu)化調(diào)度[J];計(jì)算機(jī)應(yīng)用與軟件;2011年07期

8 徐星;吳昱;李元香;;基于布朗運(yùn)動(dòng)的改進(jìn)粒子群優(yōu)化算法[J];計(jì)算機(jī)應(yīng)用研究;2011年07期

9 李蕊;雷群泌;;一種面向汽車系統(tǒng)可靠性優(yōu)化的任務(wù)分配方法[J];計(jì)算機(jī)應(yīng)用研究;2011年07期

10 楊華;周銳;;基于熵值法的PSOBP神經(jīng)網(wǎng)絡(luò)私家車保有量的預(yù)測(cè)[J];電腦知識(shí)與技術(shù);2011年19期

相關(guān)會(huì)議論文 前10條

1 王光輝;陳杰;潘峰;;多種群協(xié)同粒子群優(yōu)化算法求解動(dòng)態(tài)環(huán)境優(yōu)化問(wèn)題[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

2 徐東;李曄;唐旭東;龐永杰;廖煜雷;;基于變異行為的自適應(yīng)粒子群優(yōu)化算法[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

3 文建輝;鐘科軍;唐麗娟;蔣健暉;;基于離散的粒子群優(yōu)化算法結(jié)合主成分分析用于相似煙氣樣品的色譜區(qū)分[A];全國(guó)生物醫(yī)藥色譜學(xué)術(shù)交流會(huì)（2010景德鎮(zhèn)）論文集[C];2010年

4 李猛;王道波;甄子洋;;基于改進(jìn)混合粒子群優(yōu)化算法的模型最優(yōu)降階[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

5 陳志盛;李勇剛;;改進(jìn)粒子群優(yōu)化算法及其在磨削加工中的應(yīng)用[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

6 馬琰銘;;基于粒子群優(yōu)化算法的晶體結(jié)構(gòu)預(yù)測(cè)新技術(shù)及其在高壓新結(jié)構(gòu)研究中的應(yīng)用[A];2011中國(guó)材料研討會(huì)論文摘要集[C];2011年

7 司維超;韓維;史瑋韋;顏剛;;一種基于蜜蜂多群體覓食的粒子群優(yōu)化算法[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)B卷[C];2011年

8 王群杰;齊美清;汪偉;李磊;;粒子群優(yōu)化算法在波導(dǎo)高通濾波器設(shè)計(jì)中的應(yīng)用[A];2011年全國(guó)微波毫米波會(huì)議論文集（上冊(cè)）[C];2011年

9 王宏生;孫美玲;李家峰;;隱馬爾科夫模型在構(gòu)建語(yǔ)言模型中的應(yīng)用[A];創(chuàng)新沈陽(yáng)文集（A）[C];2009年

10 張翔;李綱;熊偉清;;修正AHP中判斷矩陣一致性的粒子群優(yōu)化算法[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 戴運(yùn)桃;粒子群優(yōu)化算法研究及其在船舶運(yùn)動(dòng)參數(shù)辨識(shí)中的應(yīng)用[D];哈爾濱工程大學(xué);2010年

2 劉波;粒子群優(yōu)化算法及其在機(jī)電設(shè)備中的應(yīng)用研究[D];中北大學(xué);2011年

3 劉華鎣;粒子群優(yōu)化算法的改進(jìn)研究及在石油工程中的應(yīng)用[D];東北石油大學(xué);2012年

4 徐星;融合熱運(yùn)動(dòng)機(jī)制的粒子群優(yōu)化算法研究及其應(yīng)用[D];武漢大學(xué);2010年

5 徐文星;混沌粒子群優(yōu)化算法及應(yīng)用研究[D];北京化工大學(xué);2012年

6 李丹;粒子群優(yōu)化算法及其應(yīng)用研究[D];東北大學(xué);2007年

7 張瑋;粒子群優(yōu)化算法研究及在陣列天線中的應(yīng)用[D];太原理工大學(xué);2010年

8 譚佳琳;粒子群優(yōu)化算法研究及其在海底地形輔助導(dǎo)航中的應(yīng)用[D];哈爾濱工程大學(xué);2010年

9 王宇嘉;多目標(biāo)粒子群優(yōu)化算法的全局搜索策略研究[D];上海交通大學(xué);2008年

10 陳治平;智能搜索引擎理論與應(yīng)用研究[D];湖南大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 葉海燕;粒子群優(yōu)化算法及其在股票市場(chǎng)預(yù)測(cè)優(yōu)化問(wèn)題中的應(yīng)用[D];廣州大學(xué);2008年

2 孫晶晶;粒子群優(yōu)化算法的改進(jìn)及其應(yīng)用研究[D];陜西師范大學(xué);2010年

3 王婧;基于粒子群優(yōu)化算法的集群調(diào)度策略研究[D];中國(guó)石油大學(xué);2011年

4 張新娟;改進(jìn)粒子群優(yōu)化算法及其在圖像分割中的應(yīng)用[D];陜西師范大學(xué);2011年

5 劉煌;基于GA的改進(jìn)粒子群算法研究及其在TSP上的應(yīng)用[D];武漢理工大學(xué);2010年

6 苗愛敏;基于動(dòng)態(tài)特征的粒子群優(yōu)化算法研究[D];云南大學(xué);2010年

7 于錫才;基于粒子群優(yōu)化算法的低NO_x排放過(guò)程的優(yōu)化研究[D];東北大學(xué);2008年

8 楊洋;基于粒子群優(yōu)化算法的準(zhǔn)循環(huán)LDPC碼構(gòu)造[D];北京交通大學(xué);2011年

9 沈錫;基于粒子群優(yōu)化算法的船舶航向PID控制[D];大連海事大學(xué);2011年

10 劉現(xiàn);蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的粒子群優(yōu)化算法研究[D];福建農(nóng)林大學(xué);2011年

本文編號(hào)：2630766