论如何做一个英明地财务决策者（以驿园甜品为例）.doc

论如何做一个英明的财务决策者（以驿园甜品为例） 1、相关定义 1.1、单目标基本概念介绍 单目标进化算法是指被优化的问题只有一个优化目标,个体之间是一种全序最 优关系,任意两个个体之间都可以进行比较,所以只存在一个最优解。算法的基本 流程如图 1.1 所示。 图 1.1 单目标进化算法流程图 种群初始化:随机产生种群大小的初始种群,种群中的个体表示为基于编码的染色 体(以二进制,实数以及符合编码等)。 个体适应度计算:根据个体的编码计算适应度。 选择:自然选择的模拟,选择个体作为父代个体。常用的方法有轮盘赌、锦标赛、随 机选择等。 交叉:对选择作为父代的个体进行基因交叉,如单点交叉,多点交叉等,从而产生 遗传父代特性的子代个体。 变异:对交叉之后产生的子代个体以一定的变异概率进行基因突变,可以产生更加 优秀的子代个体,可以使种群跳出局部最优。 单目标优化问题在现实生活中也有很多应用的例子如 TSP 问题(旅行商问题)。 所谓 TSP 问题用数学方式来进行描述即找出从某一个城市出发经过其它 n-1 个城市 再回到出发城市的一条最短的路径。其实这是一个带有一定约束条件的优化问题, 除了出发的城市其它城市有且只能经过一次(如下图 1.2-1.4 为三个 TSP 问题优化结 果图)。带有约束的优化问题的优化难度要比无约束的问题要难很多。如果只是单纯 的用遗传算法来优化 TSP 问题将很难收敛,特别是当问题的目标城市比较多的时候 2 将很容易陷入局部最优之中,因此我们在优化 TSP 问题时通常会引入一些局部优化 算法如爬山算法[17]等。 图 1.2 Berlin52 优化结果图 图 1.3 Eil76 优化结果图 图 1.4 Lin105 优化结果图 1.2、高维多目标基本概念介绍 求解多目标问题的方法有很多,目前用得比较多的是基于支配关系的方法,与 4 之前的一些方法[27-28]相比确实有了很大的进步。但被优化问题的目标个数只有两三 个是可以得到很好的优化解,但是随着目标个数的增加个体之间相互支配的情况也 变得越来越少甚至多是互不支配的(如图 1.6 所示[29]),导致收敛速度和效果很差, 当目标个数大到一定程度如 10 个基于非支配排序的算法效果比随机算法还要差。从 而产生了一个新的研究领域”高维多目标”,它主要研究目标个数大于等于 4 的多目 标问题。如雷达优化问题(5 个优化目标:最大化目标尺寸在距离值可以被解码且 不会出现鬼影;最大化目标尺寸在速度值可以被解码且不会出现鬼影;最大化杂波 频谱尺寸在距离可以容忍范围内和盲距出现之前;最大化杂波频谱尺寸在速度容忍 范围内和盲距出现之前;使传输雷达波时间最短)[30]和水资源管理问题(4 个优化 目标:洪峰到达时间;洪峰的流量;体积误差最小;误差平方根最小)[31]等。 图 1.6 目标个数与非支配个体比例关系 1.3、多目标基本概念介绍 多目标优化是指使两个或者以上的目标同时达到最优,然而这些目标之间是相 互冲突的。与单目标优化问题只有一个最优解所不同的是多目标问题有无穷多个折 中的解集(如图 1.5 所示),广泛应用于工程、科学研究等各个领域。最优解空间随着 目标数的增加以指数级增长,因此多目标问题的求解对算法的要求比较高。传统的 多目标优化算法是对各个目标的加权和进行优化,采用多目标的优化技术,优点是 操作简单,但也存在各目标单位不一致不易比较、加权值主观性太强、各目标优化 进度不可操作等缺点。 近二十年来,研究者们提出了许多多目标进化算法。其中,国际上有代表性的 有由 Deb 等人所提出的非支配排序遗传算法 NSGA-II[18];由 Zitzler 等人提出的强 Pareto 进化算法 SPEA2[19];Knowles 等提出的自适应网格算法 AGA[20];Horn 等提 出的小生境 Pareto 遗传算法 NPGA[21]等。在国内多目标进化算法是一个重要的研究 3 热点,取得了不少成果[22-24]以及我们自己的一些研究成果[25]等。它们在解决不同类 型的多目标问题上有着各自不同的特点和优势[26]。多目标问题定义如下: 给定一个多目标优化问题,在这里我们只考虑最小化问题(最大化问题也很容 易转化成最小化问题)可表示为: MIN f ( X ) [ f1 ( X ), f 2( X ),..., f M( X)] g i( X) 0 (i=1,2,...,k)(1.1) h j( X) 0 (j=1,2,...l) 其中X ( x1 , x2 ,...x )T n是决策向量, f : R n k R (k 1,..., M)是目标函数,g i和hi : R n R (i 1,..., k ; j 1,...l )是问题的约束条件。 定义 1.1(P