论文摘要
本文主要介绍了近些年来新提出的优化算法——粒子群优化算法。该算法简洁、易实现、容易理解,不需要优化函数的梯度信息等优点。粒子群优化算法收敛快,特别是在算法的早期,但也存在着精度较低,易发散等缺点。算法受加权系数、加速系数和最大速度等参数影响比较大,若加权系数、加速系数和最大速度等参数太大,粒子群可能错过最优解,算法不收敛;而在收敛的情况下,由于所有的粒子都向最优解的方向飞去,所以粒子趋向同一化(失去了多样性),使得后期收敛速度明显变慢,同时算法收敛到一定精度时,无法继续优化,所能达到的精度也比遗传算法低,因此本文对粒子群优化算法作了改进,提出了分组粒子群优化算法。在分组粒子群优化算法中将粒子群分成几个小群,每个小群有不同的进化参数且每个小群分别进化,在间隔一定时刻进行组间变异和重组操作,并且在重组的同时对各小组参数进行粒子群优化,仿真结果显示相比标准粒子群优化算法无论在收敛速度还是在精度和操作方便性上都有提高。因粒子群优化算法具有简洁、易实现、容易理解,不需要优化函数的梯度信息等优点,所以算法一经提出就被广泛应用。在2007年,Hassan和Nath提出了隐马尔科夫模型与神经网络、遗传算法的组合模型—AGHWA模型,并用于股票价格预测,预测结果表明这方法是可行的,但由于隐马尔科夫模型的矩阵运算加上遗传算法的编码与解码使得整个过程相当的复杂。鉴于粒子群优化算法的优点,本文提出了用粒子群优化算法来对这组合模型中的隐马尔科夫模型的初始参数进行了优化,并运用模型对股票价格进行了预测,仿真结果显示优化后的模型有比较好的性能。