چکیده:
امروزه خواص فیزیکی اجسام، دستاویزی برای حل مسائل بهینهسازی است تا پاسخ بهینه مسائل با تعداد حالات زیاد سریعتر و دقیقتر یافته شود. بهعنوان نمونه میتوان به الگوریتمهای بهینهسازی مبتنی بر اسپینگلاس (شبکههای اسپینی) اشاره کرد که بهدلیل داشتن قابلیت جستجوی محلی و پردازش توزیع شده مورد توجه قرار دارند. از آنجایی که شبکههای اسپینی، بیشتر مبتنی بر الگوریتمهای تصادفی - مونتکارلو همچون تبرید تدریجی (SA) برای یافتن حالت بهینه استفاده میکنند، از سرعت همگرایی پائینی برخورداند. بنابراین برای افزایش سرعت، از الگوریتمهای بهینهسازی اکتشافی، تکاملی و غیره استفاده میشود. در این مقاله با در نظر گرفتن قابلیت شبکهاسپینی در حل مسائل بهینهسازی،کوشش شده است یکی از مسائل غیرچندجملهای (NP) با عنوان مسئله انتخاب بهینه سبدسهام با استفاده از تبرید تدریجی حل شود؛ سپس با توجه به خواص توزیعشدهگی اینگونه از شبکهها، الگوریتم جدید مبتنی بر اتوماتاییادگیر(LA) بعنوان پردازش متمرکزو همچنین بهینهسازیاکسترمال (EO) بعنوان پردازش توزیع شده، ارائه گردیده است. نتایج آزمایشها نشان میدهند که هرچند دو الگوریتم ارائه شده از حیث عملکرد، متفاوتند؛ ولی هردو در محدوده پاسخ، تقریبا توزیع احتمال یکسانی برای انتخاب اسپینهای برتر فراهم میکنند. به عبارت دیگر این دو روش از مرحلهای به بعد، شبیه هم عمل کرده و نتایج یکسانی تولید میکنند و کارایی شبکههای اسپینی از حیث سرعت همگرایی با حفظ دقت را به مقدار زیادی افزایش میدهند. همچنین دستاوردها نشان میدهد که انتخاب روش مبتنی بر LA یا EO برای شبکههای با تعداد اسپینکم تفاوتی ندارد؛ اما برای شبکههای بزرگ، EO که توانایی پردازش توزیع شده منحصر بفردی دارد، بسیار بهتر از روشهای مبتنی بر یادگیری پاسخ میدهد که نتایج آزمایشهای حاصل بر 5 بورس معتبر دنیا این موضوع را تائید میکند.
The several heuristic algorithms have been proposed for portfolio selection. One of these algorithms is based on spin glasses that have local searching and parallel processing properties. Because of the spin glass algorithms are actually based on Monte Carlo simulation such as simulated annealing (SA) and have low convergence speed against other method، yet composing with other methods such as Learning Automata (LA) and genetic algorithms have been considered. In this paper، one of the composing methods based on SA and Exteremal Optimization (EO) has been proposed، this algorithm select and change the low order spins with higher probability and take the state of all spins into the better situation. After a sufficient number of steps، the system reaches a highly correlated that almost all species have reached fitness above a certain threshold. This co-evolutionary activity gives rise to chain reactions and every fluctuation that rearrange major parts of the system، potentially making any configuration accessible. Therefore any fluctuations allow escaping from local minima and efficiently explore the configuration space. The experimental results show this method is powerful paradigm for finding ground state of spin glass and better than other methods such as SA and LA for solving portfolio selection problem.
خلاصه ماشینی:
در اين مقاله کوشش شده است دو روش بر اساس بهينه سازي اکسترمال و اتوماتاي يادگير، براي يـافتن حالت بهينه شبکه اسپين گلاس ارائه شود و با استفاده از آن ، مسئله انتخاب بهينه سبدسهام حل گردد.
در همين راستا براي اولين بار وفايي جهان و همکاران در [١٤]، روشي سريع ارائه دادند که براي اسپين گلاس با تعـداد بانـد محـدود (اتصـال محـدود) و اسـتفاده از عملگرهـاي مهـاجرت و نخبه گرايي (شبيه عملگرهاي الگوريتم ژنتيک ) حالت بهينه را مييافت ايـن روش بـراي تمـام ريسـک هـاي ممکن داراي پاسخ است اما به ماهيت داده هاي سهام وابسته و براي انواع مسـائل ديگـر بايـد مـورد بررسـي بيشتري قرار گيرد.
(رجوع شود به تصویر صفحه) شکل ٦- مقايسه توزيع احتمال انتخاب اسپين ها حاصل از دو روش EO-SA (نمودار بيروني)و LA-SA (نمودار دروني) بعد از رسيدن به حالت بهينه براي بورس هنگ سنگ آزمايش هاي ديگر نشان ميدهد که در بهينه سازي اکسترمال τيي وجود دارد کـه معـادل بـا عملکـرد اتوماتاي يادگير با مقدار پاداش و جريمه مشخص است .
R. Akbarzadeh Totonchi, “Hybrid local search algorithm via evolutionary avalanches for spin glass based portfolio selection,” Egyptian Informatics Journal, Vol. 13, Issue 2, pp:65-73, (2012).
R. Akbarzadeh Totonchi, “Composing Local and Global Behavior: Higher Performance of Spin Glass Based Portfolio Selection,” Journal of Computational Science, Vol 3, Issue 4, pp:238-245, (2012).
R. Akbarzadeh Totonchi, “From Local Search to Global Conclusions: Migrating Spin Glass-based Distributed Portfolio Selection“, Journal of IEEE Transaction on Evolutionary Computation, No. 14, Issue 4, pp:591-601, (2010).
Diosan, "A Multi-Objective Evolutionary Approach to The Portfolio Optimization Problem," IEEE Proceedings of the 2005 International Conference on Computational Intelligence for Modeling, Control and Automation, (2005).