综述
本文在进入正题前,加入了数学建模的方法作为说明铺垫,虽然简单但是是个很好示例。
首先说明,在求解线性与非线性问题时lingo软件是一个很好的选择。当然,如果能用遗传算法求解,在保证其算法和代码的正确性的前提下,选择该方法也是一个不二之选。读者会其他更好的优化软件,也可以权当了解拓展视野;对于笔者,也是一个拓展提高的机会。
问题叙述
背景
背景:结合市场行情和实践的背景情况,我们对可能的风险进行讨论。国家推出促进小资企业的创新创业政策,可以说政策风险很小,甚至说经济政策甚至是一个优势,所以我们不予考虑;之后在忽略去财务风险之后,我们综合考虑的风险有以下五种:行业风险、技术开发风险、经营管理风险、市场开拓风险、生产风险。
分析
分析:对于风险的控制,我们不能都做到减小,只能说是相对当前所面对的情形下的最低风险,即转化为一个规划问题的最优解。但是在进行求解风险时,应对着重处理影响力最大的风险,即是占比风险权重最大的一些部分。综上所述,我们先通过进行求解各风险在问题中的占比权重,然后通过风险最小和利益最大的线性或非线性规划问题,进行求解最好的投资方式,从而对风险进行控制。因为所给的风险种类小,用层次分析法进行求解简单而准确;之后再通过解规划模型得出实际情况下的最优风险控制方案。
优化目标
优化目标:在风险最小的情况下获得做大利润。我们都知道,风险越高获益越大,显然这是一个矛盾性的问题。接下来我们用数学语言对其进行描述:
模型建立
模型求解
在不失一般性的前提下,我们假定我们的资本是1w元。五种风险分别命名为甲、乙、丙、丁、戊,在权重确定
后得到获利权重向量w=(3.8,1.5,2.6,0.7,1.4),其中X=(x1,x2,x3,x4,x5),总收益为w*X’。
而损失的权重向量为l=(-2.9,-0.21,-1.52,-0.33,-2.0),总损失为l*X’。但是风险的产生是以概率存在的,
我们设这个概率向量p=(0.5,0.05,0.15,0.1,0.2)。
下面是对遗传算法解决问题的概述和流程图
初始种群:初始种群大小为20,这里的基因型采用以分量和为1的向量来表示,而不是采用二进制。迭代次数为100,变异概率0.1,交叉概率0.9,选择时采用轮盘赌进行选择。适应度函数即为模型中的目标函数。
交叉:从种群中随机选取2个样本作为父代,进行交叉。
选择:选择适应度大的个体得以保存下来。
变异:在概率较小的情况下,对基因型进行值的改变,稀释其他未变异基因比重,得到新的个体。
迭代:如此循环往复进行迭代100次,最终得出较优的解。
图1 流程示意图
代码
完整代码大家可以参考我的网址
https://download.csdn.net/download/wlfyok/12604709
% 下面是对于初始条件的设定
gen = 10000;
cp = 0.9; % crossoverpossibility
mp = 0.1; % mutatepossibility
popsize = 20;
pop = zeros(20,5);
% 种