遗传算法神经网络的国际黄金现货价格预测.pdfVIP

· 财 政 金 融 遗传算法神经网络的国际黄金现货价格预测 刘 澄 张均东 孙 彬 一 、 遗传算法优化神经网络的基本原 节点数；P：1，…，r为学习样本数；为教师 GA—BP算法初始染色体设置如下：从 理 信号。结合BP网络，将初始染色体编码解 输入层至隐层的权值为O．5，隐层至输出层 用遗传算法优化神经网络体现了遗传 码后，对应至神经网络各层权值阈值。 的权值为0．75；隐层和输出层的阈值分别 算法和神经网络结合的思想，遗传算法是 4、交叉操作指导 为0．5，0。遗传算法参数设定：种群代数 基于达尔文进化论的思想，模拟生物进化 产生随机概率P与交叉概率 进行比 (Generation)=200，种群规模(Population)=50； 过程的计算方法。同样，神经网络也是模拟 较，若，，P，则执行多点交叉操作：即对 交叉概率 =o6，变异概率P=O05； 生物大脑神经网络机制的计算模型，所以 父个体 羊llq。交叉操作产生新子个体 神经网络参数设置如下：隐层节点范 遗传算法的研究与神经网络的研究有若干 手¨(+ +。 ( ’，即在选择的两个染色 N[3，131；最大迭代次数(MaxEpochs)=500； 共同点。 体随机设定两个断点，交叉交换对应断点 训练误差(SettingPerformance)=O．O1。 遗传算法和神经网络的不同点主要体 问的基因。没有进行交叉操作的个体进行 (二)结果与分析 现为：神经网络进行的是个体的学习，而遗 直接复制。 采用Matlab语言在PCPentium4C／PU3． 传算法进行的是个体群的学习；从搜索方 5、变异操作指导 OGHzR／AM1．0(3上编程实现上述GA—BP算 法看，神经网络基本上是一个局部搜索方 产生随机概率 与交叉概率Pm进行 法。为了测试算法的有效性，将针对伦敦金 法，每次在解空间的当前解的近邻来搜索 比较，若 ，则执行变异操作：突变产生 价的预测与传统BP算法预测效率及结果 下一个解，遗传算法总体上是一个全局搜 Gj的新个体G，’。即针对选择染色体(Chro— 进行比较。 索方法，其次在解空间设定一群体解，并经 mo~me)随机选择基因位，随机产生一个 实验 1：GA—BP算法与传统神经网络 过选择淘汰，交叉和变异的方法来决定下 O【，1】的随机数替换原染色体对应基因位上 模型对网络优化比较 一 批搜索点。 的基因；将新个体插入到下一代种群中 (1)将本章所采用的GA—BP算法与传 显然，遗传算法和神经网络各有所长， ， 并重新计算新个体的评价函数。 统BP算法、RBF算法进行比较结果 (略)。 两者取长补短，相互结合可以形成更优化 算法步骤如下： GA—BP算法与传统的BP算法，在迭代次 的搜索算法，日前，国内外正在这方面展开 Step1：初始化种群和染色体； 数还是预测精度上均优于后者；与RBF算 积极的研究。 Step2：如果已达到最大迭代次数 法相比，GA—BP的计算时间比RBF长，但 二、GA—BP模型求解算法 Maxhers，或在迭代过程中最优值连续不提 是预测精度上要优于后者。 (一)GA—BP模型结构 高的次数达到Stag_times，迭代停止；否则 (2)GA—BP算法与其他神经网络算法 基于遗传算法建立三层BP网络