基于广义Hurst指数和蚁群优化算法的配对交易策略研究

以上海期货交易所的8种金属类期货为研究对象,首先结合传统协整理论和一阶矩广义Hurst指数方法筛选出具有较强均值回复特性的期货对作为最优配对组合,然后对选出的最优配对组合设计交易策略,利用蚁群智能优化算法确定多空交易的最优开仓阈值。在实证回测阶段,对历史数据采用滑动窗口方法进行多次样本内及样本外回测,并与基于均值和标准差的传统固定阈值策略进行对比。结果发现,螺纹钢-热卷、热卷-铝期货配对为不同样本期下的最佳配对组合。从交易效果看,采用蚁群智能优化算法所确定的上、下开仓阈值策略相比于传统阈值策略,在多空交易中获得了更高的年化收益率和夏普比率。

哈里斯鹰算法在广义非线性马斯京根参数优化中的应用——以洛河为例

马斯京根模型在河道洪水演算中发挥着重要作用,其演算精度在于参数的优选。针对目前马斯京根参数率定中存在的求解复杂、精度不高等问题,提出利用哈里斯鹰算法对其参数进行优化,这种方法具有广泛的全局搜索能力,且需要调节的参数较少。以黄河支流洛河为研究对象,利用广义非线性马斯京根模型对宜阳—白马寺段的河道进行洪水演算,且分别用哈里斯鹰算法、粒子群算法和蚁群算法对其参数进行优化。结果表明,基于哈里斯鹰算法的广义非线性马斯京根模型在洛河宜阳—白马寺段的演算精度较高,其Min.SSD为1237,洪峰误差DPO仅为5,均优于粒子群算法和蚁群算法优化后的结果,其成果适合应用于洛河宜阳—白马寺段的洪水预报工作。

基于改进麻雀搜索算法的广义预测控制参数整定

针对多输入多输出(MIMO)的变风量空调(VAV)系统,提出一种基于改进麻雀搜索算法(ISSA)的广义预测控制(GPC)参数整定方法。首先,针对GPC控制器众多参数和系统性能之间关系复杂且难以同时整定的问题,提出通过麻雀搜索算法(SSA)进行参数整定以提高控制系统的性能指标。其次,针对传统SSA在适应度函数较复杂时存在收敛周期较长的问题,提出一种基于非线性增减种群规模的ISSA以缩短算法的收敛周期。同时,引入事件触发机制(ETM)避免ISSA算法陷入局部最优。最后,通过半实物实验平台验证了所提算法的有效性和鲁棒性。实验结果表明,与传统的SSA算法相比,ISSA收敛时间可减少18.61%,并且通过ISSA进行参数整定后GPC控制系统的调节时间可分别减少87.5%、90%。

基于鹈鹕优化算法优化广义回归神经网络的电动汽车充电负荷短期预测

针对目前电动汽车充电负荷预测精度不足的问题,提出了一种结合互补集合经验模态分解和鹈鹕优化算法优化广义回归神经网络的组合预测方法。首先,利用互补集合经验模态分解将电动汽车充电负荷时间序列分解成多个固有模态函数分量和一个残差分量。其次,对于分解后的固有模态分量容易出现冗杂信息,利用样本熵对分解后数值相近的固有模态分量进行相加重构,降低冗杂程度。最后,考虑广义回归神经网络的预测效果与平滑因子的数值有很大关系,利用鹈鹕优化算法优化广义回归神经网络的平滑因子,进而对电动汽车充电负荷进行短期预测。仿真表明,所提出的预测方法可以有效地提高电动汽车充电负荷的预测精度,具有较高的实用性。

一类广义Sylvester矩阵方程组对称解的MCG算法

该文建立了求解一类广义Sylvester矩阵方程组对称解的修正共轭梯度算法(MCG算法),给出了MCG算法的性质和收敛性证明,在忽略舍入误差情况下,建立的MCG算法能在有限步迭代后得到该方程组的对称解.选取特殊初始矩阵时,可求得该方程组的极小范数对称解.任意给定初始矩阵,可以在约束解矩阵集合中求出给定初始矩阵的最佳逼近矩阵.数值算例验证了所建立算法的可行性.

求解广义周期Sylvester矩阵方程的有限步收敛算法

提出求解广义周期Sylvester矩阵方程的双共轭残差(biconjugate residual,BCR)算法。在理论方面,证明了该方法在不考虑舍入误差的情况下具有有限步内收敛性;在实验方面,对比数值结果验证了该方法的高效性。

一种广义决策保持的快速启发式属性约简算法

属性约简是粗糙集理论的重要概念之一,旨在获得一个可以保持原始信息系统分类能力的最小属性子集。广义决策保持约简是粗糙集中的属性约简方法之一,其目标为维护决策系统中的决策结果,确保在约简过程中不丢失原始决策。这意味着约简后的系统仍可正确地进行决策,而决策规则的有效性和决策能力得以保持。传统的广义决策保持启发式属性约简算法注重算法的有效性,而算法的效率有待优化。传统算法在计算广义决策保持相似度时需多次遍历每个对象的等价类与决策类,存在大量的重复计算。为了克服这个问题,我们通过引入哈希表来存储每个对象的等价类与其广义决策,使得计算广义决策保持相似度时可针对计算对象直接得出结果而不是依次遍历,由此提出了广义决策保持的快速启发式属性约简算法。最后,通过6组UCI数据集验证了本文提出算法的有效性与高效性。

基于ISSA-DELM算法的CSTR系统广义预测控制研究

连续搅拌反应釜(CSTR)作为典型的聚合反应化工生产用到的设备,其在工作运行时具有强非线性、大滞后性和不确定性,用传统的方法难以建立精准的数学模型。文中根据一类CSTR反应过程采用Hammerstein-Wiener模型,使用高斯径向基函数的LS-SVM分别对模型的两个非线性模块进行建模,并使用其建立的Hammerstein-Wiener模型作为广义预测控制的预测模型;针对广义预测控制的滚动优化环节,采用多策略改进的麻雀算法(ISSA)优化深度极限学习机(DELM)的混和优化算法策略,并利用基准函数测试改进麻雀算法的优越性;最后将混合优化算法应用在非线性CSTR对象上,经过实验证明,所提出的ISSA-DELM混合优化算法对CSTR系统具有较好的控制效果,并与未改进的SSA-DELM算法和DELM算法进行仿真结果对比,结果显示,文中算法控制效果明显优于SSA-DELM算法和传统的DELM算法。

粒子群算法优化的广义回归神经网络求解流形学习样本外点问题

目前流形学习已成功应用于降维和数据可视化领域,但在监督分类中的应用效果并不理想,解决好样本外点问题对其应用效果至关重要。基于此,采用粒子群算法优化广义回归神经网络计算测试样本的低维嵌入,获得的结果可直接用于分类。借助粒子群算法的全局搜索能力对处理样本外点问题具有较好的预测性能;在使用糖尿病、虹膜和声呐三个公开数据集的实验中,粒子群算法优化广义回归神经网络的分类总体精度分别为77.63%、100%和88.89%,优于其他8种分类方法,表明该算法可行、有效;同时,该算法能显著降低数据复杂度,提高了预测、模式分类和机器学习的准确性。

引入相量算子和流向算子的天鹰优化算法

针对天鹰优化算法搜索效率不足,容易陷入局部最优的缺点,提出多策略改进天鹰优化算法(MIAO).引入广义正态分布优化算法(GNDO),将该算法得出的结果与天鹰优化算法第1阶段得出的结果进行比较,筛选出这2种优化算法下的最优值.该操作扩大了搜索空间,提高了解的质量.引入相量算子,将第2阶段变为自适应的非参数优化,提高算法的高维优化能力.针对天鹰优化算法在迭代后期存在种群多样性降低、局部开发能力不足的问题,在天鹰算法的第3阶段引入流向算子,使信息可以在每个个体间相互传递,提高种群信息的利用率,增强天鹰优化算法的开发性能.通过对16个测试函数寻优对比分析以及Wilcoxon秩和检验可知,MIAO的寻优能力和收敛速度都有较大的提升.为了验证MIAO算法的实用性和可行性,采用所提算法求解减速器设计问题,通过实际工程优化问题的实验对比分析可知,MIAO算法在处理现实优化问题上具有一定的优越性.

一种非规则广义LDPC码的构造方法

广义低密度奇偶校验(Generalized Low-Density Parity-Check, GLDPC)码把低密度奇偶校验(Low-Density Parity-Check, LDPC)码中的单奇偶校验(Single Parity-Check, SPC)节点替换为校验能力更强的广义约束(Generalized Constraint, GC)节点,使其在中短码和低码率的条件下具有更低的误码率。传统GLDPC码要求基矩阵的行重等于分量码的码长,这限制了GLDPC码构造的灵活性。另外,相比于传统GLDPC码中GC节点位置的随机选取,GC节点的位置选择在GLDPC码的误码率性能上有一定的优化空间。针对以上两点,提出了一种基于渐进边增长(Progressive Edge-Growth, PEG)算法的非规则GLDPC码构造方法和一种基于Tanner图边数的GC节点位置选择算法。使用PEG算法生成的非规则LDPC码作为本地码,根据本地码的校验节点度使用多种分量码,结合GC节点位置选择算法构造非规则GLDPC码。仿真结果表明,与传统方法构造的GLDPC码相比,基于Tanner图边数的GC节点位置选择算法构造的非规则PEG-GLDPC码在误码率和译码复杂度上均得到明显改善。

基于广义交并比的无人艇激光与视觉目标关联算法

针对采用异源传感器关联水面小尺度目标时易出现的漏匹配和误匹配问题,考虑到传统的距离和交并比(Io U)等相关系数对方位偏差较大的目标的相关性度量能力不足,提出一种基于广义交并比(GIo U)和匈牙利算法的水面多目标关联算法。通过实船试验,比较基于不同相关系数的目标关联结果。试验结果表明:GIo U能克服Io U需目标区域相交的度量限制,能有效匹配小尺度目标;相比距离和Io U相关系数,GIo U能取得更高的目标关联平均准确率和平均召回率(分别达到95.97%和96.24%),能有效降低漏匹配率和误匹配率,具有较高的工程应用价值。

多策略融合改进的沙猫优化算法及其在非线性马斯京根模型参数估计中的应用

针对广义非线性马斯京根模型在河道洪水演进中参数估计精度低及易陷入局部最优解的问题,文章提出一种多策略融合改进的沙猫优化算法(MSCSO),以提高洪水演算的精准程度。首先,利用Logistic混沌映射等策略提升原算法寻优能力;其次,通过与沙猫优化算法(SCSO)、灰狼优化算法(GWO)及正余弦优化算法(SCA)对比,验证MSCSO在寻优性能上的优势;最后,将其应用于广义非线性马斯京根模型参数优化。实验结果表明:MSCSO算法有效提升模型精度,具有广泛的应用前景。

一种基于智能算法的GNSS高程拟合方法

广义回归神经网络(GRNN)是一种新型的前馈神经网络模型,具有训练次数少、耗时短、非线性参数的预报能力较强等优点。但GRNN唯一的调节参数SPREAD不能自动获取限制其进一步的应用。针对该缺陷,本文采用果蝇优化算法(FOA)与GRNN相结合构建FOAGRNN模型对GRNN进行优化,自动获取调节参数的值。为了检验FOAGRNN模型的GNSS高程拟合精度,进行了实验分析。实验结果证明了FOAGRNN模型的GNSS高程拟合精度可达6mm。为进一步检验FOAGRNN模型的优越性,采用与平面拟合模型、二次曲面拟合模型进行对比。实验结果表示FOAGRNN模型的拟合精度要优于平面拟合模型和二次曲面拟合模型,证明了FOAGRNN模型在数据样本较少的情况下,其GNSS高程拟合精度仍然可以达到较高精度。

一种改进的微分进化算法求解纳什均衡问题与广义纳什均衡问题

博弈分析的目的就是根据博弈规则预测博弈的均衡结果。基于相对占优策略概念的挖掘,改进了一种求解非线性连续博弈的纳什均衡问题(NEP)和广义纳什均衡问题(GNEP)的微分进化算法。该算法操作简单、易于实现,光谱性强,算法复杂度低、精确度高。通过随机选取三个不同位置的父代个体进行变异和交叉操作产生新个体,再根据相对占优策略实现优胜劣汰,既保持了种群多样性,又增强了算法的全局寻优能力。实验表明,该算法可以解决含有一个全局最优解的纳什均衡问题和广义纳什均衡问题,可以处理多维,非凸性等复杂的目标函数,具有一定的广泛适用性。对于NEP,对比当前最先进的算法,该算法只需较少的迭代次数和运行时间;对于GNEP,该算法可以随机选取初始点,不仅可以求得均衡解,效率也优于其它算法,具有高效性。

基于改进天鹰算法的隐式广义预测控制

在面对使用不确定的参数控制时隐式广义预测算法响应速度慢,导致辨识精度低下的问题,提出一种基于改进天鹰算法(AO)优化的隐式广义预测控制。首先在天鹰算法4个搜索阶段设置可变的惯性权,使得天鹰算法各个搜索阶段更加均衡,避免了收敛过程耗时长且易陷入局部最优的问题。其次采用改进的天鹰优化算法求出隐式广义预测控制有约束条件时的最优控制。最后将算法应用到某厂循环流化床锅炉进行仿真,从时间上来看,用改进AO算法优化的隐式广义预测的平均仿真速度为3.9831 s,比隐式广义预测平均用的5.9531 s有了明显的速度上的提高,并且在小误差内,能有良好的跟踪效果。仿真结果表明了该算法的可行性,以及其优越的控制性能。

广义最大覆盖模型的新型人类学习优化算法

广义最大覆盖模型是传统覆盖模型的扩展形式,通过覆盖水平评价服务质量。针对上述模型NP-hard问题特征,设计一种基于新型人类学习优化算法的求解方法。将自适应学习策略引入到基本人类学习优化算法中,采用随机学习算子、个体学习算子和社会学习算子进行优化搜索。利用多个算例进行数值实验,并将新算法与遗传算法、微粒群优化算法、最有价值球员算法和人类学习优化算法进行比较。实验结果证明了新算法的可行性和有效性,为广义最大覆盖模型的求解提供了一种有竞争力的算法。

基于双向安德森加速分解协调算法的输配协同无功优化

新型电力系统中新能源渗透率不断增加,输电网和配电网协同运行环境复杂多变,对输配协同优化算法的收敛性提出了更高的挑战。鉴于此,应用广义主从分裂法将输配协同无功优化问题分解为输电网和多个配电网的并行优化问题;为改善广义主从分裂法的计算效率,提出了基于功率、电压等多元信息交互及历史信息修正的双向安德森加速策略;在此基础上,提出了融合原对偶内点法、启发式算法和辅助函数的输配协同无功优化方法,实现了输电网和配电网多种类灵活性资源的协调配合和优化控制。算例仿真结果表明,所提方法能有效改善主从分裂法边界的收敛性能,在大规模分布式能源接入的输配协同无功优化场景中具有更好的应用价值。

改进VMD与广义互相关在供水管道泄漏定位中的应用

针对管道泄漏定位时,采集到的泄漏信号会受到噪声干扰而影响定位精度的问题,提出了一种参数自寻优变分模态分解结合广义互相关的定位方法。首先,在现有的频域加权函数的基础上,提出了一种复合加权函数,对不同的频域加权函数在供水管道泄漏声信号下的性能进行研究;其次,利用高斯变异和量子行为对粒子群进行优化,建立复合指标排列熵/互信息熵作为适应度函数,改善粒子在求解过程中的多样性;然后,通过改进的粒子群算法优化变分模态分解(VMD)最优参数组合,实现对信号的降噪处理。实验结果表明,文中方法在供水管道泄漏情况下具有更高的定位精度,平均相对定位误差仅为3.7%,且最大误差也只有8.0%,能够有效地滤除原始信号中的噪声干扰。

非对称偏斜噪声条件下一种鲁棒概率系统辨识算法研究

在现有的系统辨识算法中,常用的高斯、学生氏t(Student's t,St)、拉普拉斯等噪声分布均呈现出对称的统计特性,难以描述非对称性、有偏的输出噪声,使得在非对称偏斜噪声条件下算法的性能下降.基于此,研究一类广义双曲倾斜学生氏t(Generalized hyperbolic skew student's t,GHSkewt)分布,并在非对称偏斜噪声条件下,提出一种线性系统鲁棒辨识算法.首先,对GHSkewt分布的重尾特性和偏斜特性进行详细阐述,数学上证明了标准学生氏t分布可看作是GHSkewt分布的一个特例;其次,引入隐含变量将GHSkewt分布进行数学分解,以方便算法的推导和实现;最后,在期望最大化(Expectation-maximization,EM)算法下,重构具有隐含变量系统的代价函数,通过迭代优化的方式,不断从被污染数据集中学习过程的动态特性和噪声分布,实现噪声参数和模型参数的联合估计.