机器学习与智能金融第十一章经典方法的第二春智能优化
机器学习与智能金融 第十一章 经典方法的第二春 智能优化
》》》本讲主要内容智能优化概述遗传算法一宽基指数择时因子的挖掘
一 智能优化概述 本讲主要内容 二 遗传算法 三 宽基指数择时因子的挖掘
学习目标本章从智能优化方法介绍出发，介绍不同智能优化方法的思想，并着重介绍了遗传算法，最后用一个量化智能优化投资的应用进行说明。通过本章学习，应了解基本智能优化方法的思想，能够使用遗传算法，并掌握本章提供的应用案例
学习目标 本章从智能优化方法介绍出发，介绍不同智能优化方 法的思想，并着重介绍了遗传算法，最后用一个量化 智能优化 投资的应用进行说明。 通过本章学习，应了解基本智能优化方法的思想，能 够使用遗传算法，并掌握本章提供的应用案例
智能优化概述
一、 智能优化概述
智能优化的原理智能优化算法是人工智能的分支，其主要的是解决最优化问题，即在一定的约束条件下，求解一个可行甚至最优方案的决策问题。一般来说，智能优化适用于规模大、复杂度高的问题，常见于目标函数不可求导的优化问题，或是归类于NP-hard的组合问题。智能优化算法并非遍历全部解空间，属于后启发式搜索的范畴。智能优化算法多次计算求近似解，属于选代求解的数值算法，而它对目标函数的形式以及光滑条件等要求很低，在参数调整后，往往也更不容易落入局部极值点中，同时也更适用于一些更为复杂的问题
智能优化算法是人工智能的分支，其主要目的是解决最优化问题，即在一 定的约束条件下，求解一个可行甚至最优方案的决策问题。 智能优化的原理 一般来说，智能优化适用于规模大、复杂度高的问题，常见于目标函数不 可求导的优化问题，或是归类于NP-hard的组合问题。 智能优化算法并非遍历全部解空间，属于启发式搜索的范畴。 智能优化算法多次计算求近似解，属于迭代求解的数值算法，而它对目标 函数的形式以及光滑条件等要求很低，在参数调整后，往往也更不容易落 入局部极值点中，同时也更适用于一些更为复杂的问题
常见智能优化方法模拟退火算法·在求解函数最优化的过程中，设定迭代点的行为模仿退火的过程中固体粒子的行为，把求解最优化的问题转化为求解寻找低势能点位的问题：一边通过迭代寻找附近的低势能位置，一边随机的跳向附近的高势能点位，这个随机行为受到温度的调控。随着温度的降低，算法逐步收敛到函数的最优解。遗传算法·利用计算机仿真运算，遗传算法将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。其基本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，通过随机选择、交叉和变异操作，产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，这样不断繁衍进化，最后收敛到一群最适应环境的个体，从而求得问题的优质解
模拟退火算法 常见智能优化方法 • 在求解函数最优化的过程中，设定迭代点的行为模仿退火的过程中固体粒子的行为， 把求解最优化的问题转化为求解寻找低势能点位的问题：一边通过迭代寻找附近的低 势能位置，一边随机的跳向附近的高势能点位，这个随机行为受到温度的调控。随着 温度的降低，算法逐步收敛到函数的最优解。 遗传算法 • 利用计算机仿真运算，遗传算法将问题的求解过程转换成类似生物进化中的染色体基 因的交叉、变异等过程。其基本思想是从初始种群出发，采用优胜劣汰、适者生存的 自然法则选择个体，通过随机选择、交叉和变异操作，产生一群更适合环境的个体， 使群体进化到搜索空间中越来越好的区域，这样不断繁衍进化，最后收敛到一群最适 应环境的个体，从而求得问题的优质解
常见智能优化方法蚁群算法：设计一群人工蚁，用于模拟蚂蚁寻找连接起点（蚁穴）和终点（食物源）的最短路径（最小代价）的过程。每只蚂蚁会随机的探索，但更倾向于信息素多的方向。每次寻路成功，算法都会更新信息素的信息，让找到更短路径的蚂蚁的排放的信息素量更大。配合信息素的蒸发设定，原先路径的信息素就会逐步的让位给最短路径的信息素，进而引导蚁群走向更为简短的路径。粒子群算法：粒子群算法是将某粒子视为一个潜在解，把鸟群寻找食物的过程与求解最优化问题的过程类比起来：每只鸟儿都会在搜索空间中以一定的速度飞行，并用叫声报告自己搜寻食物的结果。算法每次选代的时候根据粒子飞行的方向和速度计算下一个位置。速度在每次选代的时候也会有修正一一对应的加速度向量，指向个体到过的最好的位置以及群体到过的最好位置的平均值。在多次迭代后，粒子群就会收敛到最优解附近
蚁群算法 常见智能优化方法 • 设计一群人工蚁，用于模拟蚂蚁寻找连接起点（蚁穴）和终点（食物源）的最短路径 （最小代价）的过程。每只蚂蚁会随机的探索，但更倾向于信息素多的方向。每次寻 路成功，算法都会更新信息素的信息，让找到更短路径的蚂蚁的排放的信息素量更大。 配合信息素的蒸发设定，原先路径的信息素就会逐步的让位给最短路径的信息素，进 而引导蚁群走向更为简短的路径。 粒子群算法 • 粒子群算法是将某粒子视为一个潜在解，把鸟群寻找食物的过程与求解最优化问题的 过程类比起来：每只鸟儿都会在搜索空间中以一定的速度飞行，并用叫声报告自己搜 寻食物的结果。算法每次迭代的时候根据粒子飞行的方向和速度计算下一个位置。速 度在每次迭代的时候也会有修正——对应的加速度向量，指向个体到过的最好的位置 以及群体到过的最好位置的平均值。在多次迭代后，粒子群就会收敛到最优解附近
常见智能优化方法免疫算法·免疫算法和遗传算法比较相似，用二进制串表示那些描述了抗体决定簇和抗原决定基性质的氨基酸序列，然后假设每个抗原和每个抗体分别只有一个抗原决定簇。麻雀算法。受麻雀的觅食行为和反捕食行为的启发：发现者通常拥有较高的能源储备并且在整个种群中负责搜索到具有丰富食物的区域，为所有的加入者提供觅食的区域和方向。在模型建立中能量储备的高低取决于麻雀个体所对应的适应度值（FitnessValue)的好坏
免疫算法 常见智能优化方法 • 免疫算法和遗传算法比较相似，用二进制串表示那些描述了抗体决定簇和抗原决定基 性质的氨基酸序列，然后假设每个抗原和每个抗体分别只有一个抗原决定簇。 麻雀算法 • 受麻雀的觅食行为和反捕食行为的启发：发现者通常拥有较高的能源储备并且在整个 种群中负责搜索到具有丰富食物的区域，为所有的加入者提供觅食的区域和方向。在 模型建立中能量储备的高低取决于麻雀个体所对应的适应度值(Fitness Value)的好坏
遗传算法
二、 遗传算法
遗传算法简介遗传算法（GeneticAlgorithm，GA）起源于对生物系统所进行的计算机模拟研究，是一种随机全局搜索优化方法，最早于20世纪70年代由美国的JohnHolland提出，该算法模拟达尔文生物进化论的自然选择和遗传学机理，通过模拟自然进化过程搜索全局最优解。遗传算法以数学为底层逻辑，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。其基本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，通过随机选择、交叉和变异操作产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，这样不断繁衍进化，最后收敛到一群最适应环境的个体，从而求得问题的优质解
遗传算法（Genetic Algorithm，GA）起源于对生物系统所进行的计算机模拟研究， 是一种随机全局搜索优化方法，最早于20世纪70年代由美国的 John Holland提出， 该算法模拟达尔文生物进化论的自然选择和遗传学机理，通过模拟自然进化过程 搜索全局最优解。 遗传算法简介 遗传算法以数学为底层逻辑,利用计算机仿真运算,将问题的求解过程转换成类似 生物进化中的染色体基因的交叉、变异等过程。其基本思想是从初始种群出发， 采用优胜劣汰、适者生存的自然法则选择个体，通过随机选择、交叉和变异操作， 产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，这样不 断繁衍进化，最后收敛到一群最适应环境的个体，从而求得问题的优质解