导读:本文包含了组合优化问题论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:组合,算法,投资组合,对偶,启发式,距离,目标。
组合优化问题论文文献综述
张清叶,丁利永[1]（2019）在《基于前景理论的投资组合优化问题研究》一文中研究指出借鉴Kahneman和Tversky提出的前景理论,从期望效用最大化的视角对风险资产进行组合投资。首先建立基于前景理论的投资组合优化模型,然后针对模型中S形价值函数在参照点的非光滑性,使用CHKS函数进行了光滑化处理;针对目标函数的非凹性,使用多初始点技术进行了处理。最后利用中国金融市场的实际数据进行了实证分析,通过设定不同参数取值,验证了前景理论对中国金融市场的适用性。(本文来源于《贵州师范大学学报(自然科学版)》期刊2019年06期）
严丽娜,吴军[2]（2019）在《动态种群规模协同进化算法求解多目标投资组合优化问题》一文中研究指出为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.(本文来源于《数学的实践与认识》期刊2019年19期）
王炜,李忠伟,毕天骄[3]（2019）在《基于CVaR约束的分布鲁棒投资组合优化问题的等价形式》一文中研究指出在许多实际问题中经常通过优化模型来指导决策.在这些模型中,存在着需要指定或估计的参数.而这些参数作为随机变量要限制在一个分布集合内,保守决策综合考虑了集合中分布最坏的情况下进行的优化求解.所以,此类问题的关键就是不确定集的构造.在本文中,研究了概率分布集合由JS-散度定义的CVaR分布鲁棒优化问题.对目标函数中的期望值函数,经过适当的度量测度的选取、Lagrange对偶理论将问题转化为经验分布下的约束优化问题,从而得到期望值函数的等价形式.对于约束中的CVaR函数,类似的方法也可以得到其等价形式.因此,最终可得到基于JS-散度的CVaR分布鲁棒投资组合优化问题的等价形式.(本文来源于《辽宁师范大学学报(自然科学版)》期刊2019年03期）
张宇丰[4]（2019）在《基于多目标粒子群算法的多约束组合优化问题研究》一文中研究指出组合优化问题在金融投资、资源分配等领域有着重要的应用,其求解方法一直是人们研究的重点。实际工程应用中的组合优化问题往往具有多个约束条件且在很多情况下问题规模较大,传统的优化算法由于需要遍历整个解空间,因此无法在多项式时间内完成求解。元启发式算法将随机搜索算法与局部搜索算法相结合,同时从目标空间中的多个位置开始搜索,且目标是尽可能获得更好的解,被认为更适合用来求解具有多个约束的组合优化问题。遗传算法、粒子群算法、蚁群算法等都是常见的元启发式算法。其中粒子群优化算法通过种群中个体之间的相互协作使得整个种群逐渐向问题的最优解靠近并最终收敛,其由分散到集中的寻优方式以及参数设置少、收敛快等特点使得该算法在解决多约束组合优化问题方面得到了广泛的应用。在解决多约束组合优化问题的过程中,如何妥善处理约束条件也是一个需要我们重点关注的问题。根据对已有约束处理方法优缺点的分析,本文采用约束转目标的方法将多约束优化问题转化为具有叁个以上目标的多目标优化问题,并结合粒子群算法对其进行求解。为了搜索到质量更高的最优解,本文提出一种改进的多目标粒子群优化算法IMaOPSO,以违反约束度来维护外部档案,以拥挤度和种群中个体与理想点的距离作为两个指标寻找种群的全局最优。并且加入扰动变异算子来扩大粒子的搜索区域,使参与变异的粒子个数随算法迭代次数的增加而减少,在保证算法开发能力的同时避免其陷入局部最优。此外,针对多约束组合优化问题目标空间复杂、问题规模大的情况,在IMaOPSO算法的基础上提出了一种基于多种群协同进化的多目标粒子群算法,使用多个种群分别搜索不同的区域,并且改进了算法的速度更新机制以及在算法中设计了一个替换算子,以提高算法的收敛性。最后,以不同规模的多背包问题为算例验证了所提算法的有效性。(本文来源于《西安理工大学》期刊2019-06-30）
石磊（Dalaijargal,Purevsuren）[5]（2019）在《组合优化问题的混合启发式算法中的路径重链接》一文中研究指出组合优化问题(Combinatorial Optimization Problems,COPs)在诸多领域具有广泛的实际应用。然而目前大多数组合优化问题(COPs)问题为NP难度问题,它还没有方法能在多项式时间内得到其最优解。实践表明,启发式算法能够在合理的时间内找到其近似解。然而随着问题规模的扩大,启发式算法的计算时间随之增加,随着可用数据的增加,问题的规模也在不断扩大。因此,开发设计高效的启发式算法来处理更大规模问题的需求显得日益迫切。而设计高效启发式算法的关键在于理解所考虑问题的本质,并以正确的方式集成优化各种有效方法。路径重链接(Path relinking)是对于难度问题的主要优化方法之一。本文的主要研究重点是通过理解问题本质以及路径重链接来提升启发式算法的性能。本文中,主要考虑两个具体的优化问题:关键节点检测问题(Critical Node Detection Problem,CNDP)和(Quality of Service,QoS)感知服务选择问题(QoS-aware Service Selection Problem,QSSP)。论文主要的工作如下:(1)在单目标优化的背景下,研究了一种成熟的元启发式方法,即贪婪随机自适应搜索过程(Greedy Randomized Adaptive Search Procedure,GRASP)与混合的外部路径链接的性能改进。外部路径重新链接是最近提出的一种元启发式方法。尽管路径链接被广泛用在贪婪随机自适应搜索过程中,但它仅限于路径连接的内部变体。因此,需要对外部路径连接与贪婪随机自适应搜索过程的混合外部路径连接进行研究。针对CNDP问题,提出了一种新的外路径连接贪婪随机自适应搜索过程混合方案。在新方案中,通过使用外部路径重新链接,将抓取迭代得到的结果与先前发现的高质量解决方案重新链接。外部路径重新链接通过探索两个解决方案之外的邻居来创建路径。计算实验表明,基于外部路径重新链接的算法在解决CNDP问题上优于其他变异的路径链接。此外,与其他方法相比,该算法找到了更高质量的解,并提高了文献中已知数据集16个实例中8个实例的最佳已知值。(2)在多目标优化的背景下,研究了路径链接与交互式进化多目标优化(Evolutionary Multi-objective Optimization,EMO)杂交路径链接的性能改进问题。由于许多组合优化问题(COPs)在本质上有多个目标,因此将用户偏好信息合并到优化过程中是找到最佳解决方案的唯一方法。我们提出了一种新的交互式EMO程序(用cdEMO表示),它在优化过程中周期性地合并用户偏好信息,并将信息建模为凸锥。该算法利用用户偏好信息将帕累托(Pareto)无与伦比的解决方法分为若干有序类。然后,我们研究了路径重新链接如何支持cdEMO算法的性能。根据用户反馈的要求,路径重新链接提高了cdEMO算法14.3%的性能。计算实验表明,cdEMO算法能够更快地收敛到所需的解。由于cdEMO是一种通用的优化算法,因此它可以用于任何组合优化问题(COPs)。(3)QSSP采用了先前提出的cdEMO的修改版本,这是一个具有高度重要性的现实问题,具有多个性质的目标。我们批判地分析了目前大多数求解QSSP的方法所采用的尺度化方法,并找出了严重的缺点,如难以定义正确的权值向量进行聚合,以及找不到帕累托前沿非凸部分的能力。cdEMO算法通过合并用户偏好信息来解决这两个缺点。实验结果表明,采用路径重链接的改进型cdEMO是一种有效的QSSP方法。(4)研究开发了有效的CNDP算法。通过对CNDP性质的理解,提出了一种适用于大型平面图CNDP的高效启发式算法。证明了CNDP在平面图上的NP难度。由于目标函数的计算代价是O(n),其中n是问题的大小,因此启发式算法的计算时间随着问题大小的增加而急剧增加。将目标函数转化为双目标函数。提出了一种利用平面图的特殊性质计算变换后的双目标函数的机制,可以通过使用特殊的平面图形的性质,在常数时间内计算被转换的双目标函数。能够用有效的方法开发一个大型图形的平面性需求。相比于最先近的一些方法,计算实验证明所提出的算法在运行时间和解法质量方面具有明显的优越性。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
周新,赵明君[6]（2019）在《人工智能背景下投资组合优化问题研究》一文中研究指出近年来,遗传算法在各个领域广泛应用,在投资组合领域也得到广泛重视。将股票市场作为研究对象,对复杂的股票市场的投资组合进行分析,利用遗传算法求解优化计算,详细描述染色体的设计、目标函数的设定及其对投资分析的作用,选择合适的甄选、杂交、变异算子,甄选上海证券交易所A股市场主板正常上市的股票作为备用股票,以对应市场的指数周收益为目标指数进行实证。通过实际验证分析,此算法是在人工智能背景下一种有效的求解方法。(本文来源于《常州工学院学报》期刊2019年02期）
李伟梅[7]（2019）在《基于BE-散度的分布鲁棒投资组合优化问题的求解》一文中研究指出在金融、债券和股票等投资领域中,投资组合优化模型常被用来为投资人提供决策方案,衡量投资风险.然而在实际问题中,投资收益率受多种因素影响呈动态变化,我们无法确定它的具体分布,只能根据历史数据得到它的一些相关信息,因此,在收益率分布不确定的情况下如何投资有待研究,为了解决这一问题我们引入如下模型其中,r(x,ζ)为投资的收益函数,随机向量ζ∈Rk表示收益,x∈X是决策变量,代表投资的组合选择,X(?)Rd是非空紧致集合.α,β是事先给定的置信水平,P表示ζ在有界支撑集(?)上的概率分布.我们把解决分布未知的投资组合优化问题的模型称为分布鲁棒投资组合优化模型.文章的主要思想是在分布鲁棒优化的基础上,应用BE-散度理论、测度转化、对偶理论将分布未知的投资组合优化问题等价为在经验分布P0下的投资组合优化问题.首先,根据历史数据得到经验分布P0,考虑经验分布P0与未知分布P的BE-散度距离,构造分布P的不确定集.其次,根据似然比概念和测度转换方法,将原来关于分布P的问题等价为关于分布P0的问题.最后借助凸规划的理论与方法,通过一系列的等价转化得到与原问题等价的投资组合优化问题.对于等价问题的进一步求解,我们采用Delta正态法得到一定置信度下的VaR值,并在此基础上,用样本均值的方法继续求解,得到,基于BE-散度,分布鲁棒投资组合优化模型可解.文章的第一部分介绍了投资组合优化问题的研究现状,分布鲁棒优化理论及其基本概念.第二部分讲解了根据散度理论,测度转换和凸优化理论求解原问题等价形式的过程.第叁部分是对等价问题的进一步求解,首先根据Delta正态法得到置信水平下的VaR值,其次用样本均值方法求解,并验证其收敛性.文章第四部分将本文研究内容与实际问题相结合,给出应用举例。(本文来源于《辽宁师范大学》期刊2019-04-01）
沈秋玲,胡甜,马婷,李社蕾[8]（2019）在《蝉鸣优化算法在组合优化问题中的应用》一文中研究指出文献(1)提出了蝉鸣优化(CSO)算法,利用CSO、 PSO和DE对9个高维Benchmark函数的仿真,得到了非常好的优化结果,该算法尚未在组合优化问题中应用,本文利用CSO算法对旅行商问题(TSP),这一典型的组合优化问题,进行优化,建立了CSO算法解决TSP问题的模型,并利用MATLAB进行仿真。实验结果表明, CSO也是一种非常适于求解组合最优化问题的进化算法。(本文来源于《科技视界》期刊2019年04期）
王炜,李伟梅,李忠伟[9]（2018）在《基于BE-散度的不确定投资组合优化问题的等价形式》一文中研究指出对于投资组合的优化问题,当目标函数和约束条件中具有不确定性时,应用Burg entropy-散度(BE-散度)理论、测度转化、对偶理论等将这类问题等价为在经验分布p_0下不具有鲁棒性的投资组合优化问题.具体地,将优化模型中的约束函数,利用经验数据得到经验分布,考虑经验分布与未知分布的Burg entropy-散度的距离,构造分布p的不确定集,对于定义在不确定集上的目标函数和约束函数,利用测度转换,将参数对于未知分布的极小化问题转化为似然比对于经验分布的凸优化问题,应用对偶理论得到等价的约束函数,从而得到分布鲁棒投资组合优化问题的等价形式.(本文来源于《辽宁师范大学学报(自然科学版)》期刊2018年04期）
任建洵,王浩华[10]（2018）在《基于组合优化算法下的校车发车时间问题研究》一文中研究指出以校车调度为研究对象,采用非线性动态组合优化的方法,以包含校车运营成本和学生出行成本在内的社会总成本为优化目标,考察最优校车发车时间间隔。以海南大学校车调度为研究对象,在考虑学生客流的变化规律时,将学校校车站点量化并采用驻站调查的方式,对其断面客流量包括上、下车人数、留站人数以及承载人数进行调查工作,获得运营时间内各时段内不同站点的客流量。依照客流规律建立了发车时间间隔的模型,通过分析最佳的校车发车时间间隔,进一步求得了全天客流高峰和全天客流低谷下的最优发车时间间隔,从而制定出新的发车方案。(本文来源于《井冈山大学学报(自然科学版)》期刊2018年04期）
组合优化问题论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
组合优化问题论文参考文献
[1].张清叶,丁利永.基于前景理论的投资组合优化问题研究[J].贵州师范大学学报(自然科学版).2019
[2].严丽娜,吴军.动态种群规模协同进化算法求解多目标投资组合优化问题[J].数学的实践与认识.2019
[3].王炜,李忠伟,毕天骄.基于CVaR约束的分布鲁棒投资组合优化问题的等价形式[J].辽宁师范大学学报(自然科学版).2019
[4].张宇丰.基于多目标粒子群算法的多约束组合优化问题研究[D].西安理工大学.2019
[5].石磊（Dalaijargal,Purevsuren）.组合优化问题的混合启发式算法中的路径重链接[D].哈尔滨工业大学.2019
[6].周新,赵明君.人工智能背景下投资组合优化问题研究[J].常州工学院学报.2019
[7].李伟梅.基于BE-散度的分布鲁棒投资组合优化问题的求解[D].辽宁师范大学.2019
[8].沈秋玲,胡甜,马婷,李社蕾.蝉鸣优化算法在组合优化问题中的应用[J].科技视界.2019
[9].王炜,李伟梅,李忠伟.基于BE-散度的不确定投资组合优化问题的等价形式[J].辽宁师范大学学报(自然科学版).2018
[10].任建洵,王浩华.基于组合优化算法下的校车发车时间问题研究[J].井冈山大学学报(自然科学版).2018
论文知识图
