Mixed Tabu Machine for portfolio optimization problem

توضیحات

ABSTRACT

In this paper, we introduce a novel artificial neural network to solve the portfolio optimization problem. The proposed neural network is called  the Mixed Tabu Machine since its structure is similar to the Tabu Machine, but includes both discrete and continues variables. Similar to the Hopfield network, the state of the Mixed Tabu Machine is updated to find the global minimum energy state. To escape from local minimum  states of the energy in the Mixed Tabu Machine, the state transition mechanism is controlled by a tabu search in both discrete and continues search spaces. The experimental results for five standard benchmark data sets show that the Mixed Tabu Machine can clearly obtain better solutions in less CPU time than the recently proposed Hopfield network

INTRODUCTION

For the first time, the idea of using neural networks for solving optimization problems was proposed by . They applied the Hopfield network to solve the travelling salesman problem which is an NP-hard combinatorial optimization problem. Starting from an initial state, updating of the Hopfield network is guided by the transition mechanism so that the energy function is reduced consecutively. The updating of the Hopfield network is continued until a stable state for the energy function is achieved. There is no rule embedded in the transition mechanism of the Hopfield network to escape from local minima. Hence, the stable state of the Hopfield network may be so far from the global minimum state. This is the main limitation of the Hopfield network for solving the optimization problems . A recently successful hybridization of the Hopfield network and tabu search is the TabuMachine proposed by . Tabu Machine has the same structure as the Hopfield network. To escape from poor local minima, in the Tabu Machine, a memory based state transition mechanism is applied. The incorporated memory into the state transition mechanism is implemented using the short and long term memory processes in a tabu search. In spite of different methods  proposed for improving the performance of neural networks , most of them are discrete-valued and presented for combinatorial optimization
problems.

چکیده

در این مقاله، یک شبکه عصبی مصنوعی جدید را برای حل مشکل بهینه سازی نمونه کارها معرفی می کنیم. شبکه عصبی پیشنهاد شده از ماشین مخلوط Tabu نامیده می شود، زیرا ساختار آن مشابه ماشین Tabu است، اما شامل هر دو متغیر گسسته و پیوسته است. شبیه به شبکه Hopfield، وضعیت ماشین مخلوط مخلوط به روز شده برای پیدا کردن وضعیت انرژی حداقل جهان است. برای فرار از حداقل حالت های محلی انرژی در ماشین Tabu مخلوط، مکانیزم انتقال دولت با جستجوی tabu در هر دو فضای جستجو گسسته و ادامه می دهد. نتایج تجربی برای پنج مجموعه داده استاندارد معیار نشان می دهد که دستگاه مخلوط Tabu می تواند به طور واضح راه حل های بهتر در زمان CPU کمتر از شبکه های Hopfield اخیرا پیشنهاد شده است.

مقدمه

برای اولین بار، ایده استفاده از شبکه های عصبی برای حل مشکلات بهینه سازی پیشنهاد شده است. آنها شبکه Hopfield را برای حل مشکل فروشندگان مسافرتی که یک مشکل بهینه سازی ترکیبی NP-hard هستند، مورد استفاده قرار داد. با شروع از یک حالت اولیه، به روز رسانی شبکه Hopfield توسط مکانیزم انتقال هدایت می شود تا عملکرد انرژی به طور پیوسته کاهش یابد. به روز رسانی شبکه Hopfield تا زمانی که حالت ثابتی برای عملکرد انرژی به دست می آید ادامه یابد. هیچ قانونی در مکانیزم انتقال از شبکه Hopfield دخالت نمی کند تا از مینیماهای محلی فرار کند. از این رو، وضعیت پایدار شبکه Hopfield ممکن است تا کنون از حداقل وضعیت جهانی باشد. این محدودیت اصلی شبکه Hopfield برای حل مشکلات بهینه سازی است. Hybridization اخیرا موفقیت آمیز شبکه Hopfield و جستجوی tabu TabuMachine پیشنهاد شده توسط. ماشین Tabu دارای ساختار مشابهی با شبکه Hopfield است. برای فرار از حداقل ضعیف محلی، در ماشین Tabu، یک مکانیزم انتقال حالت مبتنی بر حافظه استفاده می شود. حافظه مجتمع به مکانیزم انتقال دولت با استفاده از فرآیندهای حافظه کوتاه مدت و طولانی مدت در جستجوی tabu اجرا می شود. به رغم روش های مختلفی که برای بهبود عملکرد شبکه های عصبی پیشنهاد شده است، اکثر آنها به صورت جداگانه ارزشمند و برای بهینه سازی ترکیبی
چالش ها و مسائل.

Year: 2012

Publisher : Third Conference on Mathematical Finance and Applications

By :  E. Hajinezhad.  S. Effati.  R. Ghanbari

File Information: English Language/ 7 Page / size: 84.55 KB

Only site members can download free of charge after registering and adding to the cart

Download tutorial

سال : 1391

ناشر : سومین کنفرانس ریاضیات مالی و کاربردها

کاری از : حاجی نژاد ,عفتی ,رضا قنبری

اطلاعات فایل : زبان انگلیسی / 7 صفحه / حجم : KB 84.55

فقط اعضای سایت پس از ثبت نام و اضافه کردن به سبد خرید می توانند دانلود رایگان کنند.خوشحال می شویم به ما پبیوندید

آموزش دانلود