科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对原始量子粒子群优化算法(QPSO)在面对复杂多模函数时容易出现早熟和收敛精度低的情况，提出了一种具有随机扰动机制的改进QPSO算法(MQPSO)。在改进算法设计时，首先借鉴了遗传算法中交叉算子的思想，并结合随机扰动操作，对单个粒子的历史最优位置和全局最优位置进行了重新设定，以增强算法在迭代后期的收敛性能，同时维持种群的多样性；其次，对QPSO算法中的重要参数收缩-扩张因子，进行了非线性调整，以提高算法的全局收敛速度和精度。通过8个测试函数，将MQPSO算法与4个现有的改进算法从平均值、标准差和最好取值三个方面进行了对比；进而根据中国证券市场中15只股票的历史数据，分别运用粒子群优化算法、量子粒子群优化算法、布谷鸟搜索、蝙蝠算法和MQPSO算法对一类具有最小最大风险的投资组合优化模型进行数值求解。实验表明：MQPSO算法无论在基准测试中还是在仿真应用上，其计算结果在收敛精度和稳定性方面均优于其他群智能算法。
- 单位
