【摘要】： 本文主要介紹了近些年來新提出的優(yōu)化算法——粒子群優(yōu)化算法。該算法簡潔、易實現(xiàn)、容易理解,不需要優(yōu)化函數(shù)的梯度信息等優(yōu)點。粒子群優(yōu)化算法收斂快,特別是在算法的早期,但也存在著精度較低,易發(fā)散等缺點。算法受加權(quán)系數(shù)、加速系數(shù)和最大速度等參數(shù)影響比較大,若加權(quán)系數(shù)、加速系數(shù)和最大速度等參數(shù)太大,粒子群可能錯過最優(yōu)解,算法不收斂;而在收斂的情況下,由于所有的粒子都向最優(yōu)解的方向飛去,所以粒子趨向同一化(失去了多樣性),使得后期收斂速度明顯變慢,同時算法收斂到一定精度時,無法繼續(xù)優(yōu)化,所能達(dá)到的精度也比遺傳算法低,因此本文對粒子群優(yōu)化算法作了改進(jìn),提出了分組粒子群優(yōu)化算法。在分組粒子群優(yōu)化算法中將粒子群分成幾個小群,每個小群有不同的進(jìn)化參數(shù)且每個小群分別進(jìn)化,在間隔一定時刻進(jìn)行組間變異和重組操作,并且在重組的同時對各小組參數(shù)進(jìn)行粒子群優(yōu)化,仿真結(jié)果顯示相比標(biāo)準(zhǔn)粒子群優(yōu)化算法無論在收斂速度還是在精度和操作方便性上都有提高。 因粒子群優(yōu)化算法具有簡潔、易實現(xiàn)、容易理解,不需要優(yōu)化函數(shù)的梯度信息等優(yōu)點,所以算法一經(jīng)提出就被廣泛應(yīng)用。在2007年,Hassan和Nath提出了隱馬爾科夫模型與神經(jīng)網(wǎng)絡(luò)、遺傳算法的組合模型—AGHWA模型,并用于股票價格預(yù)測,預(yù)測結(jié)果表明這方法是可行的,但由于隱馬爾科夫模型的矩陣運算加上遺傳算法的編碼與解碼使得整個過程相當(dāng)?shù)膹?fù)雜。鑒于粒子群優(yōu)化算法的優(yōu)點,本文提出了用粒子群優(yōu)化算法來對這組合模型中的隱馬爾科夫模型的初始參數(shù)進(jìn)行了優(yōu)化,并運用模型對股票價格進(jìn)行了預(yù)測,仿真結(jié)果顯示優(yōu)化后的模型有比較好的性能。
【圖文】：

從之前的討論可知，HMM模式識別的性能與它的參數(shù)的估計有很大的聯(lián)系。因此在這個算法中，我們用ANN算法把訓(xùn)練數(shù)據(jù)(歷史的股票價格)分離為一組獨立的值，并作為HMM的輸入值，使得訓(xùn)練數(shù)據(jù)更適于用HMM來進(jìn)行識別。PSO算法則用于尋找更好的HMM參數(shù)初始值。在應(yīng)用上述兩個算法之后，得到了分離的訓(xùn)練數(shù)據(jù)和最優(yōu)的初始參數(shù)，這時便用Baum-Welch[66]算法來對HMM的參數(shù)進(jìn)行重估，，從而得到最終的”HMM模型。在妙HMM模型中，我們可以通過叭terbi算法【66]對今天股票價格行為模式進(jìn)行識別，然后在訓(xùn)練數(shù)據(jù)中找到與今天股票價格行為模式相似的一組數(shù)據(jù)。在這組數(shù)據(jù)中，計算每個數(shù)據(jù)與它后一天的價格差，然后對這組價格差進(jìn)行加權(quán)平均。則今天的股票價格加上這個加權(quán)平均價格差便為我們預(yù)測的(明天的)股票價格。妙HMM模型的示意圖如下所示:ANN一PSO一llMM組合摸型

F19.2ForwardneuralnetworkseParationinPut在實驗中我們發(fā)現(xiàn)作為HMM輸入的股票價格中的開盤價、最高價、最低價、收盤價這四組數(shù)值之間的相關(guān)性是很高的(如圖3a所示)，因此我們使用ANN算法的目的就是把這個訓(xùn)練數(shù)據(jù)中的四組數(shù)值分離為它們是相互獨立的。但是由于ANN算法內(nèi)結(jié)點的權(quán)重是隨機生成的，所以不能保證每組權(quán)重都能很好的分離訓(xùn)練數(shù)據(jù)。在這種情況下我們生成多個不同的ANN，然后取分離效果最好的那個ANN(如圖3b所示)。
【學(xué)位授予單位】：廣州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2008
【分類號】：TP301.6;F830.91

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 丁玉忠;吾守爾·斯拉木;那斯?fàn)柦ね聽栠d;;基于垃圾模型的維吾爾語關(guān)鍵詞識別[J];現(xiàn)代計算機(專業(yè)版);2011年12期

2 楊曉慶;左為恒;李昌春;;基于K-Means變異算子的混合PSO算法聚類研究[J];微電子學(xué)與計算機;2011年07期

3 鐘銳;;基于隱馬爾科夫模型的入侵檢測系統(tǒng)研究[J];贛南師范學(xué)院學(xué)報;2011年03期

4 屈敏;高岳林;江巧永;;基于Pareto鄰域交叉算子的多目標(biāo)粒子群優(yōu)化算法[J];計算機應(yīng)用;2011年07期

5 段其昌;黃大偉;雷蕾;段盼;;帶擴展記憶的粒子群優(yōu)化算法仿真分析[J];控制與決策;2011年07期

6 孫鋒利;何明一;高全華;;一種引入密度因子的改進(jìn)粒子群優(yōu)化算法[J];計算機應(yīng)用研究;2011年08期

7 李龍星;余炳輝;;用整體分布優(yōu)化算法求解水火電力系統(tǒng)短期優(yōu)化調(diào)度[J];計算機應(yīng)用與軟件;2011年07期

8 徐星;吳昱;李元香;;基于布朗運動的改進(jìn)粒子群優(yōu)化算法[J];計算機應(yīng)用研究;2011年07期

9 李蕊;雷群泌;;一種面向汽車系統(tǒng)可靠性優(yōu)化的任務(wù)分配方法[J];計算機應(yīng)用研究;2011年07期

10 楊華;周銳;;基于熵值法的PSOBP神經(jīng)網(wǎng)絡(luò)私家車保有量的預(yù)測[J];電腦知識與技術(shù);2011年19期

相關(guān)會議論文 前10條

1 王光輝;陳杰;潘峰;;多種群協(xié)同粒子群優(yōu)化算法求解動態(tài)環(huán)境優(yōu)化問題[A];第二十七屆中國控制會議論文集[C];2008年

2 徐東;李曄;唐旭東;龐永杰;廖煜雷;;基于變異行為的自適應(yīng)粒子群優(yōu)化算法[A];中國自動化學(xué)會控制理論專業(yè)委員會A卷[C];2011年

3 文建輝;鐘科軍;唐麗娟;蔣健暉;;基于離散的粒子群優(yōu)化算法結(jié)合主成分分析用于相似煙氣樣品的色譜區(qū)分[A];全國生物醫(yī)藥色譜學(xué)術(shù)交流會（2010景德鎮(zhèn)）論文集[C];2010年

4 李猛;王道波;甄子洋;;基于改進(jìn)混合粒子群優(yōu)化算法的模型最優(yōu)降階[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

5 陳志盛;李勇剛;;改進(jìn)粒子群優(yōu)化算法及其在磨削加工中的應(yīng)用[A];第二十七屆中國控制會議論文集[C];2008年

6 馬琰銘;;基于粒子群優(yōu)化算法的晶體結(jié)構(gòu)預(yù)測新技術(shù)及其在高壓新結(jié)構(gòu)研究中的應(yīng)用[A];2011中國材料研討會論文摘要集[C];2011年

7 司維超;韓維;史瑋韋;顏剛;;一種基于蜜蜂多群體覓食的粒子群優(yōu)化算法[A];中國自動化學(xué)會控制理論專業(yè)委員會B卷[C];2011年

8 王群杰;齊美清;汪偉;李磊;;粒子群優(yōu)化算法在波導(dǎo)高通濾波器設(shè)計中的應(yīng)用[A];2011年全國微波毫米波會議論文集（上冊）[C];2011年

9 王宏生;孫美玲;李家峰;;隱馬爾科夫模型在構(gòu)建語言模型中的應(yīng)用[A];創(chuàng)新沈陽文集（A）[C];2009年

10 張翔;李綱;熊偉清;;修正AHP中判斷矩陣一致性的粒子群優(yōu)化算法[A];第二十九屆中國控制會議論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 戴運桃;粒子群優(yōu)化算法研究及其在船舶運動參數(shù)辨識中的應(yīng)用[D];哈爾濱工程大學(xué);2010年

2 劉波;粒子群優(yōu)化算法及其在機電設(shè)備中的應(yīng)用研究[D];中北大學(xué);2011年

3 劉華鎣;粒子群優(yōu)化算法的改進(jìn)研究及在石油工程中的應(yīng)用[D];東北石油大學(xué);2012年

4 徐星;融合熱運動機制的粒子群優(yōu)化算法研究及其應(yīng)用[D];武漢大學(xué);2010年

5 徐文星;混沌粒子群優(yōu)化算法及應(yīng)用研究[D];北京化工大學(xué);2012年

6 李丹;粒子群優(yōu)化算法及其應(yīng)用研究[D];東北大學(xué);2007年

7 張瑋;粒子群優(yōu)化算法研究及在陣列天線中的應(yīng)用[D];太原理工大學(xué);2010年

8 譚佳琳;粒子群優(yōu)化算法研究及其在海底地形輔助導(dǎo)航中的應(yīng)用[D];哈爾濱工程大學(xué);2010年

9 王宇嘉;多目標(biāo)粒子群優(yōu)化算法的全局搜索策略研究[D];上海交通大學(xué);2008年

10 陳治平;智能搜索引擎理論與應(yīng)用研究[D];湖南大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 葉海燕;粒子群優(yōu)化算法及其在股票市場預(yù)測優(yōu)化問題中的應(yīng)用[D];廣州大學(xué);2008年

2 孫晶晶;粒子群優(yōu)化算法的改進(jìn)及其應(yīng)用研究[D];陜西師范大學(xué);2010年

3 王婧;基于粒子群優(yōu)化算法的集群調(diào)度策略研究[D];中國石油大學(xué);2011年

4 張新娟;改進(jìn)粒子群優(yōu)化算法及其在圖像分割中的應(yīng)用[D];陜西師范大學(xué);2011年

5 劉煌;基于GA的改進(jìn)粒子群算法研究及其在TSP上的應(yīng)用[D];武漢理工大學(xué);2010年

6 苗愛敏;基于動態(tài)特征的粒子群優(yōu)化算法研究[D];云南大學(xué);2010年

7 于錫才;基于粒子群優(yōu)化算法的低NO_x排放過程的優(yōu)化研究[D];東北大學(xué);2008年

8 楊洋;基于粒子群優(yōu)化算法的準(zhǔn)循環(huán)LDPC碼構(gòu)造[D];北京交通大學(xué);2011年

9 沈錫;基于粒子群優(yōu)化算法的船舶航向PID控制[D];大連海事大學(xué);2011年

10 劉現(xiàn);蛋白質(zhì)結(jié)構(gòu)預(yù)測的粒子群優(yōu)化算法研究[D];福建農(nóng)林大學(xué);2011年

本文編號：2630766