建模算法整理

news2024/10/1 17:22:58

优化

改进的蝙蝠算法

2022 E 2218144
使用背景：将每年砍伐树木比例定义为n，每年树木种植比例定义为m，设置一系列指标以及指标的加权计算方法（即函数F(X)的设定），寻找最优的n,m。
蝙蝠算法主要用于目标函数搜索，其特点是蝙蝠种群利用产生的声波搜索猎物并控制飞行方向以实现函数搜索。蝙蝠被用作基本单元，每个蝙蝠都有一个适应值来优化函数解空间。每只蝙蝠都可以调整自己发出的声波的响度和频率来搜索空间，从而使整个种群的活动逐渐从无序变为有序。
然而，bat算法在优化搜索结束时容易陷入局部极值。在本文中，我们引入了可变速度加权因子校正系数，以尽可能避免局部极值的困境，从而达到全局优化搜索的效果。
步骤1：初始化相关参数。蝙蝠的位置为Xi，飞行速度为Vi，声音响度为Ai，频率为yi，目标函数为F（Xi）（i=1，2，…，n）。
步骤2：改变脉冲频率产生的解，改变蝙蝠的位置和飞行速度。蝙蝠i在（t−1）时的位置和飞行速度分别按Xt−1 i和Vt−1 i表示。该组目前找到的最佳位置是X*。然后，根据猎物自身的声音搜索猎物，并通过接收反馈信息来调整位置xi和飞行速度v（i）。其飞行速度变化公式如下。
在这里插入图片描述

其中，w（t）是力矩可变速度惯性加权因子，其作用是使蝙蝠进行预搜索，为以后的搜索提供参考，wmax表示w（t的最大值，wmin表示w（t）的最小值；
在这里插入图片描述

灰狼优化算法（GWO）

2022 C 2224609
使用背景：该算法使用GWO智能优化算法来优化ARIMA算法中的参数（p, d,
q）。在深度学习中，决定性因素R2 是一个常用的指标。GWO-
ARIMA算法将不断优化R2 ，直到获得其最大值。
在这里插入图片描述

遗传算法

2022 C 2212336
在这里插入图片描述

评价

TOPSIS

在这里插入图片描述

AHP-EWM（权重确定）

在这里插入图片描述

三维向量模型

基于多元线性回归的评估模型

2021 E 2123733
使用背景：在分析得到三个主成分并利用TOPSIS计算最终得分之后，分析发现最终得分与三个主成分之间存在线性关系，故利用OLS 普通最小二乘法对各个指标的相关洗漱进行求解，可以得到带有三个主成分指标的多元回归方程。
在这里插入图片描述

数据包络分析（DEA）

在这里插入图片描述
CCR

BCC

DEA-Malmquist 指数模型

预测

LSTM

设置周期T，利用前T天的数据预测T+1天的数据（滑动窗口）。
优化随机梯度下降，如自适应动量估计算法(Adam)。

ARIMA

使用背景：预测评价类得分的未来几年的一个分数变化趋势，一般用于建议提出后是否使用建议的未来几年得分对比。

ARIMA-LSTM

在这里插入图片描述

聚类

在这里插入图片描述

聚类代码

系统聚类

在这里插入图片描述

kmeans++

在这里插入图片描述

OPTICS基于密度的聚类

在这里插入图片描述

Agglomerative层次聚类算法

在这里插入图片描述

图论

重新缩放的PageRank

2021 D 2101855

首先提取静态图结构网络，并且比较有向图与无向图间边的数量以及平均测地距离的差异。边缘数量之间的差异相当小，这表明音乐家之间的双向影响相当少。同时，有向图的平均距离远小于无向图表明，伟大的明星经常影响他人，而他们不容易受到他的年轻一代的影响，当代也很少相互影响。
引入初始的PageRank模型。
提出原始PageRank模型中存在的三个问题。（1）它忽略了网络的时间结构，这可能会产生不现实的特征。（2）.PageRank的重新分布在时间上强烈偏向于旧节点，这使得新节点的PageRank得分接近0。（3）PageRank算法没有考虑一个追随者受不同影响者的影响程度不同。
为了解决问题（2），作者引入的相对位置，以此来减少对于旧结点的偏好。
利用当前版本的PageRank模型进行一次影响力计算，并可视化前100位艺术家的流派与年份。
进行相似度度量。
通过艺术家之间的相似度量化影响，解决问题（3）。
考虑影响者的滞后效应，解决问题（1）。
利用最新的PageRank再次进行计算，可视化。

图卷积神经网络GCN

在这里插入图片描述

降维

Boruta特征选择

Boruta算法是一种特征选择方法，使用特征的重要性来选取特征，一般与随机森林、XGboost、GBDT结合使用。
python实现
在这里插入图片描述

LDA线性判别分析

因子分析

在这里插入图片描述

RDE（随机分布式嵌入）框架

在这里插入图片描述

决策

寡头竞争博弈模型

在这里插入图片描述

评估指标

Apriori关联规则挖掘

利用Apriori算法分析价格上涨与下跌之间的关联规则，找到连续上涨与下跌2-6次的频繁项目集，发现连续6天上涨的概率很小很小等等。

评价指标三种量化

在这里插入图片描述

贝叶斯误差率

在这里插入图片描述

傅里叶变换

在这里插入图片描述

参数检验与非参数检验

绘图

箱线图与散点图进行结合

在这里插入图片描述

计算机视觉

ResNet判别胡蜂

在这里插入图片描述

进一步扩展

自然语言处理情感分析

众所周知，股票市场很容易受到投资者情绪的影响。换句话说，任何关于比特币和黄金的事情都会触动投资者的神经，然后强烈地影响股票价格。因此，我们认为，我们应该找出一个反映市场情绪的因素。对于大多数投资者来说，新闻是他们获得有关比特币和黄金信息的最重要途径之一。 Francisca Adoma Acheampong的研究表明，使用自然语言处理（NLP），我们可以根据新闻文章来检测情绪。我们相信这是改进我们模型的一个好方法。
接下来制定与新闻关键字相关的指标，计算皮尔逊乘积相关系数来分析价格与情感之间的关联性。