在投资组合优化中处理不确定性:一种基于中立主义逻辑的自适应神经网络求解器,用于二次规划问题

《Neural Networks》:Handling Uncertainty in Portfolio Optimization: A Neutrosophic Logic Adaptive Neural Network Solver for Quadratic Programming

【字体: 大 中 小 】 时间:2026年04月24日 来源:Neural Networks 6.3

编辑推荐:

  问题三:摘要翻译 众多领域,包括机器人技术和人工智能,都广泛利用了时变二次规划(Time-Varying Quadratic Programming, TVQP)。鉴于TVQP的重要性,本研究引入了一种新颖的自适应Neutrosophic逻辑/模糊神经网络TV

  
问题三:摘要翻译 众多领域,包括机器人技术和人工智能,都广泛利用了时变二次规划(Time-Varying Quadratic Programming, TVQP)。鉴于TVQP的重要性,本研究引入了一种新颖的自适应Neutrosophic逻辑/模糊神经网络TVQP求解器,称为NZNN-TVQP。所提出的TVQP求解器采用了一种新近开发的Neutrosophic逻辑/模糊自适应零化神经网络(Neutrosophic Logic/Fuzzy adaptive Zeroing Neural Network, NZNN)技术以及一种Neutrosophic逻辑/模糊自适应惩罚函数。值得一提的是,NZNN是对传统零化神经网络(Zeroing Neural Network, ZNN)技术的改进,后者在解决时变任务方面已显示出巨大的潜力。为了处理TVQP任务,研究人员检验了NZNN-TVQP求解器的四种变体的性能。正如两个仿真测试和两个投资组合选择问题的实际应用所证明的那样,该求解器的所有变体均表现出卓越的性能。

问题四:论文解读

这篇题为“Handling Uncertainty in Portfolio Optimization: A Neutrosophic Logic Adaptive Neural Network Solver for Quadratic Programming”的论文深入探讨了在动态环境下求解优化问题的先进计算方法,发表于《Neural Networks》期刊。该研究针对时变二次规划(TVQP)问题,提出了一种结合Neutrosophic逻辑与模糊控制的新型神经网络求解器,旨在克服传统数值方法在处理实时、时变系统时的局限性。
研究背景源于非线性规划中约束二次规划(Quadratic Programming, QP)问题的广泛应用,涵盖计算机视觉、图像处理、机器学习及机器人控制等领域。尽管存在Lemke–Howson技巧、惩罚函数法及拉格朗日法等传统数值方法,但这些迭代过程复杂且计算时间长,难以满足实际系统的实时(即连续时间)要求。特别是对于随时间变化的TVQP问题,由于历史算力限制,相关研究较为匮乏,导致标准迭代技术往往不适用于动态计算任务。为此,Zhang等人引入了零化神经网络(ZNN)框架,作为一种专为并行计算设计的递归神经网络,其通过迫使误差矩阵方程E(t)趋近于零来追踪解轨迹。然而,ZNN的性能高度依赖于设计参数λ的选择,在时变问题中预先设定静态λ值通常不可行。
为解决这一挑战,研究人员开发了NZNN-TVQP求解器。该研究的主要贡献在于结合了Neutrosophic逻辑控制器(NLC)、ZNN方法和惩罚函数法。具体而言,研究人员通过将模糊逻辑系统与Neutrosophic集合理论相结合,处理了模型中的不确定性、模糊性和不一致性。Neutrosophic集合理论在模糊集的基础上增加了不确定性隶属度函数,能够更有效地应对含有噪声或不精确信息的场景。通过将ZNN的动态系统设计为Neutrosophic逻辑/模糊自适应形式,即?(t) = -λν(t)E(t),其中ν(t)代表由NLC产生的模糊参数,实现了对收敛速率参数的动态调整。
在关键技术方法上,作者首先定义了TVQP的数学模型及符号体系,随后构建了基于NZNN技术的求解模型,并进行了理论收敛性验证和计算复杂度分析。核心创新在于设计了NLC,用于将精确值映射到对应的Neutrosophic有序三元组(真、不确定、假),并通过去模糊化技术将其转化为动态参数。此外,研究还引入了自适应惩罚函数(NP)来处理不等式约束。实验验证部分则采用了两种仿真场景(SEs)和两种实际的投资组合选择问题(POCs)。
研究结果部分,论文通过多个维度的测试验证了模型的有效性。在“Simulation experiments”中,研究人员对比了四种求解器变体:ZNN-P(固定参数)、ZNN-NP(仅自适应惩罚)、NZNN-P(仅自适应ZNN)以及NZNN-NP(全自适应)。结果显示,结合了Neutrosophic逻辑自适应机制的NZNN-NP模型在处理时变问题时表现最佳,优于传统的ZNN和VPRNN等模型。在“Portfolio selection problem”的实际应用中,该求解器成功解决了两个具体的投资组合案例,证明了其在金融工程领域的实用价值。理论分析部分则严格证明了模型在Liapunov意义上的稳定性及全局收敛性,并分析了其计算复杂度,表明该算法适合硬件实现。
结论部分指出,NZNN-TVQP求解器通过整合NLC、ZNN方法和惩罚函数,有效地解决了TVQP任务。四种变体均能成功处理TVQP问题和投资组合选择应用,但全自适应版本展现了最优的综合性能。该研究不仅为TVQP问题提供了坚实的理论基础,还通过复杂度分析验证了其计算效率,为实时控制系统提供了一种鲁棒性强、适应性高的新型求解范式。论文最后声明无利益冲突,并致谢Imam Mohammad Ibn Saud Islamic University (IMSIU)的科研资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号