管理决策课程汇报论文1.ppt

算法结果比较 在进行研究前，要给每个算法设置合适的参数，这样为了确保算法间的可比性。包括使用的电脑环境什么都一样。 分别使用了随机数据和实际世界中的数据。 当5个目标，限制条件少，每种算法可产生的有效资产组合数为：92,58,232；限制条件多，有效资产组合数为：17,14,77. 从图1中可以看出，当运行时间较短，PSA要比P-ACO与NSGA结果好；随着运算时间增加后，P-ACO比PSA与NSGA结果好。 这三种方法在这些目标和限制条件下，P-ACO的结果是要比另外两个算法好一些。NSGA结果在这两个算法中是比较差。 结论 主要说明P-ACO三优点： 处理有交互作用和多限制的项目选择的时候有效。 在问题背景不同的时候（多限制/少限制，多目标/少目标），它的结果很稳健。 启发式信息能便捷的利用在算法中。 对于算法，思想很重要。 面对决策问题的时候，想着去通过搜寻解决方案，找到好的解决方案，掌握算法很有用；如果是要想着找到它的影响因素和作用机制，就去使用传说中的那一套方法。 谢谢！请老师与同学们给予指导。 * * Pareto Ant Colony Optimization: A MetaheuristicApproach to Multiobjective Portfolio Selection帕累托蚁群优化法：一种多目标资产组合选择的元启发式算法 Karl Doerner, Walter J. Gutjahr, 2004 汇报人：庞学卿 文章结构 关于多目标组合优化问题的背景介绍 问题描述 帕累托蚁群优化算法介绍 同其他两种启发式算法进行比较 摘要 现实中，我们会经常遇到的问题是从一大堆提案中选择一个最优的项目。通常决策者要面对的问题是只有少量有限信息的多目标决策问题。 一般解决办法是：先定义出所有的可行解集（解空间），然后在其中找到最优解。当项目数量很多的时候，就会耗费很大的精力。这个时候如何平衡运算时间和可行解质量，就成了一个重要的问题。 这篇文章主要就是介绍了一种为了解决这种困扰的启发式算法——帕累托蚁群优化算法。同时，文章将其与其他算法进行了比较，让我们明白优缺点在哪里。 背景介绍 我们经常会面临一些多目标决策的问题，同时这些目标之间常常存在着矛盾。由此，也产生了一些专门的组合优化和多目标决策研究。在实际的企业生产过程中，可选的研发项目会有很多，应该去选哪些项目才能取得最大收益成为关键。 这样，建立一个恰当的多目标函数变得很难。因为，建立一个包含不同属性的函数进行研究，需要一定的先验信息，比如权重，阈值，边际收益，资源替代率等。但是，实际生活中，这样建立的多目标数学规划表现的并不好。 当决策者面对大量的竞争性项目时，启发式算法可提供一个折衷办法（解空间的质量和计算量）。常用的一些启发式算法有遗传算法（genetic algorithm, GA），模拟退火算法（simulated annealing, SA），禁忌有哪些信誉好的足球投注网站法（Tabu search, TS）等。 首先，文章对蚁群算法做了简单的介绍，主要遵循了蚂蚁觅食路径选择的一个原理。蚁群在选择巢穴同食源间的最短路径的过程中，通过散发出一种气味进行交流。回来早的蚂蚁所走过的路，会吸引其他蚂蚁也走这条路。结果就是会使得这条路上的信息素更多。同前面提到的几种算法比较后，蚁群算法在考虑了项目间复杂的交互作用基础上，能够最大程度的避免计算过程中出现的那些不可行解。 问题描述 在一堆投资项目中找到有效的项目组合。 X=(X1,…,Xn) L代表了收益种类：资金流，销售额，专利。t表示计划期. 将每一个时期分别看待： 不同时期T, 不同收益B,构成了(B*T)种目标。 其中一类 另一类， 最小项目数量约束 资源及收益约束 解决程序 用象限四分树（quad trees）来放置和处理数据。接下来作者主要对帕累托蚁群优化进行了介绍，并拿两个其余的帕累托模拟退火法和非劣势排序遗传算法进行了比较。 帕累托蚁群优化 在算法的初始阶段，每个蚂蚁采用伪随机比例规则（pseudo-random-proportional rule）,基于启发式信息和信息素，构造出一个资产组合。如果这个资产组合是可行和有效的，那么将它存储下来。然后，在最佳或次佳的资产组合中采取全局信息素更新。 （代码略） 启发式信息 基于一个数量值，启发式信息用来判断一个备选项目是否适合包含在资产组合中。对于每一个备选项目，基于特定的资产组合，都会计算出一个吸引度（attractiveness）。此外，还有四类限制和目标要遵循：最大最小限制，资源限制，收益限制。如果最大限制和资源限制不能满足，那么其吸引度为0. 若是这两个限制满足后，就得看其余两个限制条件是否满足。还有一种特殊情况就是，所有条件都满足