简介：从行为金融学的角度考虑投资者损失厌恶的心理特征,构建了基于线性损失厌恶和非线性损失厌恶行为投资组合模型。利用中国市场数据模拟一种静态情景和四种动态情景,实证研究不同损失厌恶投资组合模型在不同情景下不同损失厌恶程度的最优资产配置策略和投资绩效表现,并将结果与均值方差模型等传统的投资组合模型进行比较。研究发现损失厌恶投资组合模型优于传统投资组合模型,不同情景下不同程度损失厌恶投资者具有不同的资产配置策略,其投资绩效表现也不尽相同。

简介：在非线性效用函数基础上,运用混合人工智能技术,建立非线性双边多属性谈判模型,给出在一定精度范围内逼近Pareto最优解的近似求解方法。最后通过价格、质量两属性的非线性双边谈判模拟算例,验证了方法的正确性与有效性。为多属性谈判研究提供了新的思路。

简介：本文提出一种用正交尺度函数代替RBF网络中的激活函数的小波网络,给出相应小波网络学习算法;并以天津市国内生产总值为样本进行宏观经济模拟预测,预测结果表明该模型预测误差低于普通BP网络.

简介：由于非线性两层规划具有非凸性、NP-难等计算困难,高效的算法并不多见.本文设计了一种新的进化算法,基于此进化算法提出了求解带有一重或多重下层的非线性两层规划的高效算法.该算法充分利用两层规划的结构特点.最后,给出了六个不同类型的算例,数值结果表明,本算法是快速和有效的.

简介：提出了求解线性规划（LP）问题的一种新方法-筛选迭代算法。它通过筛选n维LP问题的n个控制约束方程（不添加驰变量）的方法求得LP问题的最优解。

简介：提出了求解线性规划问题的一种新方法--基解算法.它是一个不需引入人工变量,不必预先求出一个可行基的直接求解算法.

简介：利用线性规划单纯形表对线性规划原问题存在无穷多最优解和对偶问题存在无穷多最优解的情况进行了讨论，并分析了对偶问题存在无穷多最优解情况下的影子价格的方向性，最后以实例说明了各种情况，对初学者加深理解及决策者决策参考有一定帮助。

简介：本文构造了一些线性规划问题来探讨多重最优解的判别准则;补充了现行文献中关于多重最优解判别准则描述的不足,并指出多重最优解判别准则在出现退化解时可能失效的例外情况.

简介：为求解大规模无约束优化问题,本文提出了一种自适应线性信赖域法。与传统的线性信赖域法相比,新方法借助一数量矩阵近似Hesse阵,并据此计算线性信赖域半径。理论上证明了新算法的全局收敛性,数值实验表明新算法非常适合大规模问题的求解。

简介：区间数线性规划可用于处理含有离散区间数的不确定性优化问题。针对已有算法所求区间解可能包含非可行解的缺陷,基于可能度概念提出了区间数线性规划的有效解、弱有效解、最优解及其解域的定义,给出了改进解法,所得区间解为以上解域的子集。以一个数值模型为例求解,将运算结果与已有算法所得区间解作了对比,说明了改进解法的有效性。

简介：用罚函数法将线性双层规划转化为带罚函数子项的双线性规划问题,由于其全局最优解可在约束域的极点上找到,利用对偶理论给出了一种求解该双线性规划的方法,并证明当罚因子大于某一正数时,双线性规划的解就是原线性双层规划的全局最优解.

简介：在文献[1]的基础上，讨论了线性规划中人工变量的作用问题。并针对文献[1]提出的避免人工变量的算法，提出了相应的改进意见。

简介：在对偶单纯形方法的基础上,提出了线性规划的目标函数最速递减算法.它避开求初始可行基或初始基,以目标函数全局快速递减作为选基准则,将选基过程与换基迭代合二为一,从而大大减少了迭代次数.数值算例显示了该算法的有效性和优越性.

简介：本文在线性规划问题核心矩阵概念的基础之上，对单纯形算法的块转轴规则进行了深入的研究。在线性规划的Kuhn-Tucker条件基础之上，证明了单纯性算法块转轴规则的理论可行性，并在文章中给出了块转轴规则的理论算法，为转轴规则的研究提出了一个新的方向。

简介：可替代资源是指在产品生产过程中具有相同功能且能相互替代的资源。本文根据可替代资源之间通常具有的线性替代关系，建立了线性可替代资源的多阶段分配模型，并在产品生产水平与产品需求的加权相对偏差最小的目标下，给出了求模型最优解的方法。

简介：本文论述了组合预测理论中，对组合预测值采用“各个个体预测值的加权算术平均值”的不合理性，提出了用多重线性组合预测模型进行预测的方法，并将它运用于对××市税收的实际预测中去，预测精度高，效果好。

简介：本文就线性规划基本定理的证明方法及过程提出一点修改意见.

简介：在[3]中，给出了一类奇异性方程组Ax=b的唯一解x=Adb的Cramer法则，本文将其推广到带W-权Drazin逆Ad,w,得到如下结果：奇异线性方程组Ax=b的唯一解x=WAd,wWb的分量xj可表示成xj=det[(WA)(j→Wb)UV(j→0）0]/det[WAUV0]j=1,2,…,n，其中A∈Cm×n,W∈C^n×m，Ind（WA）=k1,Ind(AW)=k2,rank(WA)^k1=r

简介：文[1][2]提出了求解线性规划问题的一种新方法--分解筛选法.文[3]证明了文[2]的命题A是错误的.本文进一步证明,用分解筛选法筛选出的变量不一定是最优基变量.

简介：文章讨论了线性规划中人工变元问题，且给出一种避免人工变元有效的并且有可能较简便的方法。