在不确定性条件下的动态投资组合优化:基于惩罚函数的神经求解器

《Applied Mathematics and Computation》:Dynamic portfolio optimization under uncertainty: A penalty-function-based neural solver

【字体: 大 中 小 】 时间:2026年05月05日 来源:Applied Mathematics and Computation 3.4

编辑推荐:

  斯皮里多尼·D·穆尔塔斯 雅典卡波迪斯特里亚大学经济系,数学-信息学与统计学-计量经济学分部 索福克勒乌斯1街,雅典,10559,希腊 摘要 在机器人技术和人工智能领域,时变二次规划(TVQP)是一个重要的工具。为了有效应对TVQP挑战,本研究提出了一种新的神经

  斯皮里多尼·D·穆尔塔斯
雅典卡波迪斯特里亚大学经济系,数学-信息学与统计学-计量经济学分部
索福克勒乌斯1街,雅典,10559,希腊

摘要
在机器人技术和人工智能领域,时变二次规划(TVQP)是一个重要的工具。为了有效应对TVQP挑战,本研究提出了一种新的神经网络方法。具体来说,该研究在零化神经网络(ZNN)架构的基础上增加了三种新的求解器——ZNN-PQ、ZNN-PEP和ZNN-PQP,并与众所周知的ZNN-PE模型进行了全面的性能比较。通过整合不同的外部惩罚函数,我们得到了不同的TVQP问题重构方案,从而在收敛速度和计算开销之间取得了平衡。两项模拟研究和两个实际的投资组合选择应用验证了这些求解器的有效性。其中,ZNN-PQP求解器结合了较低的计算复杂度、更高的准确性和鲁棒性,在所有测试的设计中表现最为可靠和有效。

引言
在等式和不等式约束下的二次规划(QP)是非线性规划领域中的一个关键数学范式。由于QP在计算机视觉[1]、图像处理[2]、机器学习[3]和机器人控制[4]等领域的广泛应用,最近的优化研究都将其作为重点。尽管Lemke-Howson算法[5]、惩罚函数方法[6][7]和拉格朗日乘数[8]等常用方法被广泛采用,但它们通常依赖于复杂的迭代过程。由于这些传统数值方法存在显著的计算延迟,它们往往无法满足当代实际系统对实时、连续时间的要求[9][10]。
对于时不变的QP问题,传统迭代方法更为适用。然而,由于计算限制[11],时变二次规划(TVQP)长期以来未受到足够的关注。因此,这些迭代方法通常不适用于处理时变矩阵相关的动态计算问题,例如混沌系统同步[12]、移动系统控制[13]、运动冗余的机器人操作臂[14][15]和图像恢复[16]。利用零化神经网络(ZNN)技术实现精确的实时收敛是近期多个领域发展的共同特点。
张等人[17]开发了ZNN技术,以解决实时时变优化问题。ZNN是一种专为并行计算设计的循环神经网络,最初因其计算时变Moore-Penrose逆矩阵的高效率而闻名[18][19]。此后,ZNN的研究范围大大扩展,涵盖了非线性方程组[20]、广义求解[21][22]、线性及二次规划[23][24]和线性矩阵方程(LMEs)[25]等领域。在此基础上,本研究提出了一种专门用于有效解决TVQP问题的新型神经网络框架。
需要强调的是,神经网络方法的有效性不仅限于ZNN框架。例如,平滑惯性投影神经网络在解决复杂变分不等式问题和有效处理稀疏信号方面展现了显著的优势[26]。尽管其在这些领域的应用已经得到验证,但其直接用于解决TVQP问题的可行性仍需进一步深入分析。因此,继续开发专门的实时求解器对于应对TVQP任务的动态特性至关重要。为此,像ZNN这样的方法,特别是当与固定时间算法或分布式神经动态方法[27]相结合时,对于保持现代实际系统所需的计算速度和鲁棒性至关重要。

ZNN模型的构建采用了一个系统的两步过程。第一步是定义误差矩阵方程(EME),E(t),以表达当前状态与目标解之间的差异。第二步中,动态架构控制ZNN设计的发展:
E˙(t) = ?λE(t)
其中 t ∈ [0, tf) ? [0, ∞) 表示时间变量,(˙) 表示对t的导数。设计参数 λ ∈ R+ 控制收敛速度;较大的λ值可以加速收敛过程[28]。ZNN设计的主要目标是通过构建(1.1)作为连续时间学习规则,使误差E(t)随着t → ∞趋近于零。因此,网络的演化通过EME进行跟踪。

为了有效解决TVQP问题,本研究提出了一种新的神经网络方法。通过整合外部惩罚函数(即用于不等式约束的指数函数和二次函数,以及用于等式约束的抛物线函数[29][30]),得到了四种基于ZNN的求解器:ZNN-PE、ZNN-PQ、ZNN-PEP和ZNN-PQP。值得注意的是,ZNN-PQ、ZNN-PEP和ZNN-PQP求解器是首次在本研究中提出,而ZNN-PE技术目前是文献中的标准方法[23]。通过详尽的模拟研究和实际的投资组合选择应用,我们验证了这些模型的准确性及其良好的鲁棒性。此外,本文提供了一个包含对每种求解器计算复杂性全面分析的理论框架。

本研究的主要贡献总结如下:
• 我们提出了三种针对TVQP问题的新型ZNN求解器,这些求解器是通过整合专门的外部惩罚函数开发而来的。
• 通过正式的理论分析,严格证明了所提出求解器的稳定性和收敛性。
• 通过全面的数值模拟和实际的投资组合选择应用,进一步验证了该理论框架的有效性。

本文的其余部分结构如下:第2节定义了TVQP问题,建立了主要符号,并介绍了问题重构和最优性分析。第3节介绍了用于处理这些重构问题的ZNN求解器,并对其进行了详细的理论分析和计算复杂性评估。第4节通过数值模拟和投资组合选择的实际应用评估了这些求解器的性能。第5节总结了本文内容,并提出了未来研究的方向。

**问题表述、约束重构和最优性分析**
本节概述了TVQP任务、其重构方法、整个工作中使用的符号以及将要讨论的重要发现。

在本研究的其余部分,单位矩阵q × q将被表示为Iq。0q和0b,r分别表示零矩阵q × 1和b × r,1q表示全1矩阵q × 1。此外,矩阵转置用(())T表示,符号函数用sign(·)表示,Hadamard积用⊙表示。

**使用ZNN框架解决TVQP问题**
本节介绍了为处理指数、二次和抛物线惩罚函数下的TVQP重构问题而设计的ZNN-PE、ZNN-PQ、ZNN-PEP和ZNN-PQP求解器,并对其计算复杂性进行了严格的理论分析。

**模拟实验**
本节提供了两个模拟示例以及两个实际的投资组合选择应用。在数值模拟中,计算时间区间为[0, 10],使用MATLAB的ode15s求解器;而在投资组合应用中,时间区间缩短为[0, 5]。为保持所有测试的一致性,惩罚函数的设计参数统一设置为s = sE = sQ = sP。

**结论**
为了解决TVQP问题,我们开发并评估了一组结合外部惩罚函数的ZNN求解器。特别地对四种不同架构——ZNN-PE、ZNN-PQ、ZNN-PEP和ZNN-PQP——的性能进行了深入研究。理论模拟和实际的投资组合选择应用均证实了这些求解器的有效性。数值结果显示,计算效率和收敛速度实现了良好的平衡。ZNN-PE...
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