فهرست
تصمیمات مالی اغلب بر اساس روش های طبقه بندی هستند که برای تعیین (تخصیص)مجموعه ای از مشاهدات در گروه هایی که از قبل تعیین شده اند استفاده می شوند.چنین مدل هایی باید تا حد امکان دقیق باشند. یک گام مهم در مورد توسعه مدل های طبقه بندی صحیح انتخاب متغیر های مستقل مناسب را در بر می گیردکه به مشکل موجود مربوط می شود .این مساله به عنوان مشکل انتخاب ترکیب دررشته استخراج اطلاعات/ یادگیری دستگاهی شناخته شده است .در تصمیمات مالی انتخاب ترکیب اغلب بر اساس قضاوت ذهنی کارشناسان استوار است. با وجود این، الگوریتم های انتخاب ترکیب اتوماتیک می توانند کمک بزرگی به تصمیم گیرندگانی باشند که ابزار موثری را برای پیدا کردن فضای انحلال ارائه می کنند.این تحقیق برای رفع این مشکل از دو روشی که از طبیعت الهام گرفته اند یعنی بهینه سازی اجتماعات مورچه ای و گروه کوچک زنبوری استفاده می کند.این بافت مدل سازی شده توسعه داده شده است وعملکرد روش ها در دو حوزه ی کارهای طبقه بندی مالی مورد آزمایش قرار گرفته است که ارزیابی ریسک اعتبار را در بر می گیرد وکمیت ها را بررسی می کند.
کلمات کلیدی
انتخاب ترکیب ، نزدیک ترین طبقه بندی کننده های مجاور ، ارزیابی خطر پذیری اعتبار، بررسی کردن.
مدیریت مالی مدرن یک رشته عمومی است که اغلب مشکلات سخت مربوط به تصمیم گیری را که به مدیریت ریسک کردن مربوط می شود را در بر می گیرد.در چنین مورد،مشکلات تصمیم گیری مالی مستلزم ارزیابی گزینه های موجود در گروه ها وطبقه های از قبل تعریف شده می باشد.تحلیل وتجزیه ریسک بستانکاری، پیش بینی ورشکستگی ،ارزیابی ریسک کشوری در میان سایرین چند نمونه از مثال های واقعی هستند(دبومپاس، زوپویونیدیس & پاردالوس2000)[1].
در این محیط ، توسعه مدل های طبقه بندی معتبریقیناٌ برای محققان وتجزیه گران مهم است.
توسعه مدل های طبقه بندی مالی یک فرایند پیچیده است که جمع آوری دقیق اطلاعات و پردازش اطلاعات ،توسعه مدل ،معتبر سازی واجرا را در بر می گیرد. با تمرکز کردن روی توسعه مدل، چندین روش استفاده شده اند که روش های آماری ،تکنیک های هوش مصنوعی ومتولوژی های تحقیقاتی را شامل می شوند. در تمامی این روش ها ،کیفیت اطلاعات یک نکته اساسی است. این امر اساساٌ به صحت اطلاعات نمونه ای در موضوعات شمار مشاهدات مربوط می شود وارتباط حالت های تصمیم گیری (به عنوان مثال ;متغیر های مستقل )در تحلیل استفاده می شود.
دومین مورد به مشکل انتخاب ترکیب مربوط می شود. انتخاب ترکیب به تشخیص حالت های (ترکیبات)مناسبی مربوط می شود که باید در تجزیه وتحلیل به منظور حداکثر کردن عملکرد موردانتظار مدل حاصله معرفی شوند.انتخاب ترکیب تاثیرات مهمی را روی موارد دارد (کیرا&رندل 1992) [2] که عبارتند از:(1)کاهش نویز از طریق حذف ترکیبات نویزی.(2)کاهش زمان وهزینه مستلزم اجرای یک مدل مناسب است.(3)ساده کردن مدل های حاصله و(4) آسان سازی کاربرد راحت وبه روز کردن مدل ها
مشکل اساسی انتخاب کیفیت (ترکیب)یک مشکل بهینه سازی همراه با اندازه گیری عملی برای هر زیر مجموعه ای از ترکیبات است که عملکرد وطبقه مورد انتظار از مدل حاصله را نشان می دهد. مشکل جستجو از میان فضای زیر مجمو عه های ترکیبی به منظور تشخیص روش مناسب یا تقریباٌ مناسب با توجه به اندازه گیری عملی است.متأسفانه ،یافتن زیر مجموعه کیفی بهینه به عنوانNP- سخت ،تصویب شده است(کیرا&ورندل1992) [2].
بنابراین الگوریتم های زیادی برای یافتن راه حل های تقریباٌ بهینه در مقادیر کمتر زمانی پیشنهاد شده اند.(جاین &زونگکار1997)[3].
دید گاه های شاخه ای وفراوانی (نارندرا&فیوکیوناگار1977) [4] ،تحقیقات متوالی آینده وگذشته (آها&بنکرت ،1996; کانتیو- پاز،نیوزم&کامت ،2004) [5] ودیدگاه های فیلتری(کانتیو- پاز،2004) [6] به طور متمایز تحقیقی برای راه حل های تقریباٌ بهینه ای هستند.یکی از مهم ترین دیدگاه های تصفیه کردن، الگوریتم رلیف رندل وکیرا است(کیرا &رندل1992) [2].
الگوریتم های احتمالی که زایش های شبیه سازی شده را در بر می گیرند (سیدلیکی&سکلانسکی1988) [7] تحقیق پراکنده (لوپز، تورس ،باتیستا، پرز& مدرنو- وگا2006) [8] بهینه سازی اجتماعات مورچه ای (آل-آنی a2005، b2005 ،پارپینلی، لوپز& فریتاس2002;شلوکر،جایارامن&کیل کارنی2004) [9] والگوریتم های ژنتیک (کانتیو-پازوهمکارانش2004) [6] اخیراٌ مورد توجه قرار گرفته اند چون این الگوریتم ها غالباٌ دقت وصحت بالایی را به ارمغان می آورند وخیلی سریع تر هستند.
در این تحقیق، دو الگوریتم برای حل مشکل انتخاب کیفی (ترکیب)بر اساس بهینه سازی اجتماعات مورچه ای وگروه های کوچک زنبور ها ارائه می شوند.این الگوریتم ها با سه گروه از نزدیک ترین طبقه های مجاور چون1-نزدیک ترین همسایه ،k – نزدیک ترین همسایه وk نزدیک ترین همسایگی طبقه بندی کننده اندازه گیری شده ترکیب می شوند .این الگوریتم ها برای دو مجموعه اطلاعات به کار برده می شوند که مشکلاتی در زمینه تصمیم گیری مالی را در بر می گیرند. اولین الگوریتم ارزیابی ریسک بستانکاری را در بر می گیرد ودومین الگوریتم به گزارشات واجد شرایط ممیزی مربوط می شود.مقایسه ای از الگوریتم های پیشنهاد شده همراه با دو مورد از فوق کشف کننده ها) فرا ابتکاری،فرا اکتشافی )ینی فوق کشف کننده تحقیقاتی تبو(گلاور1989-1990) [10] ویک الگوریتم ژنتیک (گولدبرگ ، 1989;ریوس 1995; ریوس2003) [11] عملکرد الگوریتم های پیشنهادی را نشان می دهد.
شامل 173 صفحه فایل word قابل ویرایش
چکیده
تصمیمات مالی اغلب بر اساس روش های طبقه بندی هستند که برای تعیین (تخصیص)مجموعه ای از مشاهدات در گروه هایی که از قبل تعیین شده اند استفاده می شوند.چنین مدل هایی باید تا حد امکان دقیق باشند. یک گام مهم در مورد توسعه مدل های طبقه بندی صحیح انتخاب متغیر های مستقل مناسب را در بر می گیردکه به مشکل موجود مربوط می شود .این مساله به عنوان مشکل انتخاب ترکیب دررشته استخراج اطلاعات/ یادگیری دستگاهی شناخته شده است .در تصمیمات مالی انتخاب ترکیب اغلب بر اساس قضاوت ذهنی کارشناسان استوار است. با وجود این، الگوریتم های انتخاب ترکیب اتوماتیک می توانند کمک بزرگی به تصمیم گیرندگانی باشند که ابزار موثری را برای پیدا کردن فضای انحلال ارائه می کنند.این تحقیق برای رفع این مشکل از دو روشی که از طبیعت الهام گرفته اند یعنی بهینه سازی اجتماعات مورچه ای و گروه کوچک زنبوری استفاده می کند.این بافت مدل سازی شده توسعه داده شده است وعملکرد روش ها در دو حوزه ی کارهای طبقه بندی مالی مورد آزمایش قرار گرفته است که ارزیابی ریسک اعتبار را در بر می گیرد وکمیت ها را بررسی می کند.
فایل ورد 115 ص
تصمیمات مالی اغلب بر اساس روش های طبقه بندی هستند که برای تعیین (تخصیص)مجموعه ای از مشاهدات در گروه هایی که از قبل تعیین شده اند استفاده می شوند.چنین مدل هایی باید تا حد امکان دقیق باشند. یک گام مهم در مورد توسعه مدل های طبقه بندی صحیح انتخاب متغیر های مستقل مناسب را در بر می گیردکه به مشکل موجود مربوط می شود .این مساله به عنوان مشکل انتخاب ترکیب دررشته استخراج اطلاعات/ یادگیری دستگاهی شناخته شده است .در تصمیمات مالی انتخاب ترکیب اغلب بر اساس قضاوت ذهنی کارشناسان استوار است. با وجود این، الگوریتم های انتخاب ترکیب اتوماتیک می توانند کمک بزرگی به تصمیم گیرندگانی باشند که ابزار موثری را برای پیدا کردن فضای انحلال ارائه می کنند.این تحقیق برای رفع این مشکل از دو روشی که از طبیعت الهام گرفته اند یعنی بهینه سازی اجتماعات مورچه ای و گروه کوچک زنبوری استفاده می کند.این بافت مدل سازی شده توسعه داده شده است وعملکرد روش ها در دو حوزه ی کارهای طبقه بندی مالی مورد آزمایش قرار گرفته است که ارزیابی ریسک اعتبار را در بر می گیرد وکمیت ها را بررسی می کند.
کلمات کلیدی
انتخاب ترکیب ، نزدیک ترین طبقه بندی کننده های مجاور ، ارزیابی خطر پذیری اعتبار، بررسی کردن.
سپاسگذاری
مقدمه
7.1.الگوریتم های پیشنهاد شده
7.1.2.تابع ارزیاب (برازندگی)
7.1.3.1. رمز گذاری کردن
7.1.3.2. اجتماع آغازی – محاسبه ی تابع کشف کننده(هیوریستیک)
7.1.3.3. رفتار مورچه ای
7.1.3.4. فرمون اولیه
7.1.3.6. به روز کردن فرمون
تاریخچه
Particle swarm optimization
معرفی Particle swarm optimization (PSO)
انواع الگوریتم pso
1) مقداردهی اولیه :
2) تعیین تابع برازندگی :
4) بررسی اینکه ما به جواب رسیدیم یا خیر ؟
5) به روز رسانی سرعت وموقعیت :
مزایا
کاربردها
معیارهای هوشمندی
دنیای فازی
گرم
بلند
4تابع استاندارد برای تابع تعلق:
غیر فازی ساز
ممدانی :
سیستم‌های فازی
شامل 173 صفحه فایل word