發(fā)布時(shí)間：2020-04-26 22:05

【摘要】： 優(yōu)化問(wèn)題涉及范圍廣,許多領(lǐng)域都存在大量形式多樣的優(yōu)化問(wèn)題,解決優(yōu)化問(wèn)題具有重要的現(xiàn)實(shí)意義。優(yōu)化問(wèn)題是指在給定的約束條件下,求出使目標(biāo)函數(shù)最優(yōu)化的變量組合問(wèn)題。傳統(tǒng)的運(yùn)籌學(xué)方法可以解一些簡(jiǎn)單的優(yōu)化問(wèn)題,但隨著問(wèn)題的復(fù)雜化,許多問(wèn)題都找不到最優(yōu)解,特別是組合優(yōu)化問(wèn)題中的NP困難問(wèn)題。 神經(jīng)網(wǎng)絡(luò)作為一種智能化的方法,具有很強(qiáng)的自適應(yīng)性、魯棒性和非線性復(fù)雜問(wèn)題的搜索能力,在解決優(yōu)化難題上具有明顯的優(yōu)勢(shì)。本文的創(chuàng)新之處在于:從新的角度來(lái)研究解決優(yōu)化問(wèn)題的神經(jīng)網(wǎng)絡(luò)方法,將優(yōu)化問(wèn)題分為組合優(yōu)化問(wèn)題和連續(xù)變量?jī)?yōu)化問(wèn)題兩大類,分別從這兩類優(yōu)化問(wèn)題入手來(lái)研究解決這些問(wèn)題的神經(jīng)網(wǎng)絡(luò)方法。 本文首先探討了解決組合優(yōu)化問(wèn)題的神經(jīng)網(wǎng)絡(luò)方法,以TSP問(wèn)題為例,主要研究Hopfield網(wǎng)絡(luò)和隨機(jī)神經(jīng)網(wǎng)絡(luò)這兩種神經(jīng)網(wǎng)絡(luò)。在研究隨機(jī)神經(jīng)網(wǎng)絡(luò)過(guò)程中,引入DRNN網(wǎng)絡(luò)來(lái)解決TSP問(wèn)題。最后,分別從理論研究和實(shí)證分析兩方面對(duì)比了Hopfield網(wǎng)絡(luò)和DRNN網(wǎng)絡(luò)在解TSP問(wèn)題上的優(yōu)缺點(diǎn)。 接著,對(duì)解決連續(xù)變量?jī)?yōu)化問(wèn)題的神經(jīng)網(wǎng)絡(luò)方法做了詳盡的研究,主要針對(duì)該問(wèn)題中的證券組合優(yōu)化問(wèn)題,由于解決證券組合優(yōu)化問(wèn)題也具有現(xiàn)實(shí)的意義。 為了解證券組合優(yōu)化問(wèn)題,先要預(yù)測(cè)基礎(chǔ)證券的收益,本文利用RBF網(wǎng)絡(luò)的函數(shù)逼近能力來(lái)完成價(jià)格預(yù)測(cè)。在此基礎(chǔ)上,根據(jù)求得的基礎(chǔ)證券的預(yù)期收益,引入確定性模擬退火神經(jīng)網(wǎng)絡(luò)來(lái)求解最優(yōu)投資比例系數(shù),使得證券組合的風(fēng)險(xiǎn)最小。最后,利用該方法對(duì)中國(guó)證券市場(chǎng)進(jìn)行了實(shí)證研究,驗(yàn)證了該方法的有效性。
【圖文】：

圖 1：神經(jīng)元結(jié)構(gòu)模型其中，iu 為神經(jīng)元 i 的內(nèi)部狀態(tài)，iθ 為閾值，jx 為輸入信號(hào)，ijw 表示與神jx 連接的權(quán)值，is 表示某一外部輸入的控制信號(hào)。神經(jīng)元模型常用一階微分方程來(lái)描述，，它可以模擬生物神經(jīng)網(wǎng)絡(luò)突觸膜電時(shí)間變化的規(guī)律。( ) ( )( ) [ ( )]ii ij j ii iduu t w x tdty t f u tτ θ = + = ∑其中，神經(jīng)元的輸出由激活函數(shù) f 表示，一般利用以下函數(shù)的表達(dá)式來(lái)表絡(luò)的非線性特征。1）閾值型，為階躍函數(shù)

1 exp( / )iu c其中，c為常數(shù)。S 型函數(shù)反映了神經(jīng)元的飽和特性，由于其函數(shù)是連續(xù)可導(dǎo)的，調(diào)節(jié)曲線的參數(shù)可以得到類似閾值函數(shù)的功能，因此，該函數(shù)被廣泛應(yīng)用于許多神經(jīng)元的輸出特性中。2．神經(jīng)網(wǎng)絡(luò)的互連模式根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的連接有如下四種形式：（1）前向網(wǎng)絡(luò)其結(jié)構(gòu)如圖 2 所示，神經(jīng)元分層排列，分別組成輸入層、中間層（也稱為隱含層，可以由若干層組成）和輸出層。每一層的神經(jīng)元只接受來(lái)自前一層神經(jīng)元的輸入，后面的層對(duì)前面的層沒(méi)有信號(hào)反饋。輸入經(jīng)過(guò)各層的順序傳播，最后在輸出層上得到輸出。
【學(xué)位授予單位】：廈門大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2007
【分類號(hào)】：F830.91;F224

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫守宇，鄭君里;Hopfield網(wǎng)絡(luò)求解TSP的一種改進(jìn)算法和理論證明[J];電子學(xué)報(bào);1995年01期

2 李宗偉,王美娟,鄭淑華;基于徑向基神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測(cè)[J];上海理工大學(xué)學(xué)報(bào);2002年01期

3 高尚;模擬退火算法中的退火策略研究[J];航空計(jì)算技術(shù);2002年04期

4 王怡雯,叢爽;RNN和Hopfield兩網(wǎng)絡(luò)中的優(yōu)化解法的對(duì)比研究[J];計(jì)算機(jī)仿真;2004年11期

5 叢爽,王怡雯;隨機(jī)神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀綜述[J];控制理論與應(yīng)用;2004年06期

6 劉延年;馮純伯;;神經(jīng)元網(wǎng)絡(luò)在控制中的若干應(yīng)用[J];控制與決策;1992年02期

7 王凌,鄭大鐘;TSP及其基于Hopfield網(wǎng)絡(luò)優(yōu)化的研究[J];控制與決策;1999年06期

8 黃西士，吳滄浦;精確求解一類動(dòng)態(tài)規(guī)劃問(wèn)題的神經(jīng)網(wǎng)絡(luò)[J];控制與決策;1996年02期

9 王怡雯,叢爽;用隨機(jī)神經(jīng)網(wǎng)絡(luò)優(yōu)化求解改進(jìn)算法的研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2004年09期

10 鄭丕諤,韓珊珊;基于遞歸神經(jīng)網(wǎng)絡(luò)的證券組合投資(英文)[J];Transactions of Tianjin University;2000年02期

本文編號(hào)：2641943