تصمیمات مالی اغلب بر اساس روش های طبقه بندی هستند که برای تعیین (تخصیص)مجموعه ای از مشاهدات در گروه هایی که از قبل تعیین شده اند استفاده می شوند.چنین مدل هایی باید تا حد امکان دقیق باشند. یک گام مهم در مورد توسعه مدل های طبقه بندی صحیح انتخاب متغیر های مستقل مناسب را در بر می گیردکه به مشکل موجود مربوط می شود .این مساله به عنوان مشکل انتخاب ترکیب دررشته استخراج اطلاعات/ یادگیری دستگاهی شناخته شده است .در تصمیمات مالی انتخاب ترکیب اغلب بر اساس قضاوت ذهنی کارشناسان استوار است. با وجود این، الگوریتم های انتخاب ترکیب اتوماتیک می توانند کمک بزرگی به تصمیم گیرندگانی باشند که ابزار موثری را برای پیدا کردن فضای انحلال ارائه می کنند.این تحقیق برای رفع این مشکل از دو روشی که از طبیعت الهام گرفته اند یعنی بهینه سازی اجتماعات مورچه ای و گروه کوچک زنبوری استفاده می کند.این بافت مدل سازی شده توسعه داده شده است وعملکرد روش ها در دو حوزه ی کارهای طبقه بندی مالی مورد آزمایش قرار گرفته است که ارزیابی ریسک اعتبار را در بر می گیرد وکمیت ها را بررسی می کند.
کلمات کلیدی
انتخاب ترکیب ، نزدیک ترین طبقه بندی کننده های مجاور ، ارزیابی خطر پذیری اعتبار، بررسی کردن.
سپاسگذاری
مقدمه
7.1.الگوریتم های پیشنهاد شده
7.1.2.تابع ارزیاب (برازندگی)
7.1.3.1. رمز گذاری کردن
7.1.3.2. اجتماع آغازی – محاسبه ی تابع کشف کننده(هیوریستیک)
7.1.3.3. رفتار مورچه ای
7.1.3.4. فرمون اولیه
7.1.3.6. به روز کردن فرمون
تاریخچه
Particle swarm optimization
معرفی Particle swarm optimization (PSO)
انواع الگوریتم pso
1) مقداردهی اولیه :
2) تعیین تابع برازندگی :
4) بررسی اینکه ما به جواب رسیدیم یا خیر ؟
5) به روز رسانی سرعت وموقعیت :
مزایا
کاربردها
معیارهای هوشمندی
دنیای فازی
گرم
بلند
4تابع استاندارد برای تابع تعلق:
غیر فازی ساز
ممدانی :
سیستم‌های فازی
شامل 173 صفحه فایل word
دانلود تحقیق استفاده از ACO وPSO برای رفع مشکلات طبقه بندی مالی
