基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法

针对蝴蝶优化算法(BOA)收敛速度较慢和过早收敛到局部解的问题,提出一种基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法(HSSBOA)。首先,将樽海鞘群算法(SSA)引入BOA中,使算法快速处理局部搜索阶段,并更新种群位置,从而更有效地完成寻优过程,避免算法陷入局部最优;然后,引入邻域重心反向学习以便更好地帮助算法在邻域内进行小范围精确搜索,从而提高算法的精度;最后,引入动态切换概率以改善搜索中全局与局部的比重,从而加快算法的搜索速度。选取10个标准检测函数进行测试,将HSSBOA与几个先进的优化算法从收敛精度、高维度数据、收敛速度、Wilcoxon秩和检验和平均绝对误差(MAE)五个方面进行对比分析。研究结果表明,相较于其他算法,HSSBOA取得了更优的结果。消融实验进一步验证了各项改进均为正向作用。实例问题上的表现表明相较于其他方法,在求解有约束的复杂问题时,HSSBOA能够更有效地搜索出最优解。可见HSSBOA在寻优精度、稳定性和收敛效率等方面取得了一定的优势,并且能够求解复杂的现实问题。

几种风险度量方法的比较

VaR(Value at Risk)指市场正常波动下,在一定概率水平(置信度)下,某一金融资产或证券组合价值在未来特定时期内的最大可能损失.VaR方法应用的前提是市场正常波动,但其无法准确度量损失超过VaR这种极端情况时的大小,故我们考虑了度量风险的另一种方法CVaR以及基于GARCH模型对VaR计算方法进行改进.选取上证指数数据分别采用三种方法进行实例分析并进行比较。