基于量子行为粒子群优化方法的随机规划算法

在不断变化的金融市场中,多阶段投资组合优化通过周期性地重组投资对象来追求回报最大,风险最小。提出了使用基于量子化行为的粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)解决多阶段投资优化问题,并使用经典的利润风险函数作为目标函数,通过算法对标准普尔指数100的不同股票和现金进行投资组合的优化研究。根据实验得出的期望收益率与方差表明,QPSO算法在寻找全局最优解方面要优于粒子群算法(Particle Swarm Optimization,PSO)和遗传算法(Genetic Al-gorithm,GA)。

基于模糊多目标规划的防空反导火力分配

针对现有多目标火力分配(weapon target assignment,WTA)方法很难适用于不确定情况下防空反导作战的问题,提出了基于模糊多目标规划的防空反导WTA方法。首先,采用三角模糊数刻画不确定的目标威胁度,在考虑防空反导作战特点的基础上,基于模糊多目标规划建立了WTA模型;然后,根据必要性测度原理将含有模糊参数的目标函数进行了等价清晰化;接着,提出了具有单/双势阱的多目标量子行为粒子群算法用于求解WTA模型,该算法采用了单/双势阱位置更新方式、粒子混合随机变异方法、领导粒子两阶段选取方法;最后,通过实例仿真验证了模型的合理性和算法的有效性。

基于改进多目标HQPSOGA求解武器目标分配问题

由于进化算法求解多目标问题时易过早丧失种群多样性,造成早熟收敛,提出一种粒子多样性判别方法。基于随机选择的聚类算法与模糊贴近度原则综合求解粒子多样性贡献度,用于混合量子行为粒子群和可调节遗传算法的粒子群迭代中,结合随机新增粒子更新个体最优解,引导粒子向Pareto最优解靠近。仿真表明,所提方法是一种有效的多样性保持方法,具有更强的全局寻优能力,可有效提高求解质量,在武器-目标分配问题上求解精度更高。