多目标协同进化算法研究及其在投资组合中的应用

发布时间：2020-06-26 05:31

【摘要】：在工程及科学研究领域中,存在许多复杂的优化问题,而这些优化问题一般会存在两个或两个以上相互制约的优化目标,对这些目标不能同时求解到最优的结果。因此,这些优化问题便成为优化领域的难题。由于进化算法是基于种群,模拟生物进化的算法,在一次运行后可以获得多个帕累托最优解,非常适合用于解决多目标优化问题,所以采用进化算法对多目标优化问题进行研究具有重要意义。本文主要工作是通过阅读大量的国内外相关文献,在认真学习多目标优化理论和进化算法理论基础上,对多目标进化算法进行深入研究。针对多目标优化问题和投资组合问题设计高效的求解策略,并对其进行相应的实验和理论分析。本论文的主要研究内容如下:首先,针对多目标优化问题,本文提出一个基于分解的多目标协同进化算法(A Novel Multi-objective Co-evolutionary Algorithm Based on Decomposition Approach,MCEA)。该算法提出一种动态资源分配策略,用于协同进化算法框架中。考虑到多目标优化问题每个目标的计算难度各不相同,那么优化这些目标所需的计算资源也就不同。因此,提出动态资源分配策略对计算资源进行合理分配。另外,由于差分进化操作DE具有较高的全局搜索能力,本文设计一个强有力的自适应DE选择算子运行与子种群和存档之间,使其提高种群的收敛性和多样性。实验仿真结果证明,同对比算法相比,MCEA的性能表现最好,以及提出的策略可充分提高MCEA的性能。其次,针对投资组合优化问题,利用多目标进化算法求解资金分配最优比,提出基于多目标协同进化算法的投资组合优化(A multi-objective co-evolutionary algorithm for constrained portfolio optimization,CMCPO)。为搜寻投资组合问题的边界点,该算法引入多种群多目标机制,分别对投资组合问题的各目标进行搜索。另外,设计一个参数自适应的DE算子,使CMCPO算法具有更好的收敛性和多样性。通过实验仿真结果表明,在解决投资组合问题时,CMCPO同对比算法相比表现出更好的性能。另外,通过实验证明,设计的参数自适应DE算子可以提高CMCPO的性能。最后,对本论文主要工作进行总结,并对今后的研究方向进行展望。
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;F830.59
【图文】：

投资组合,问题解,表达形式

投资组合问题解的表达形式

【参考文献】