粒子群和遺傳算法優化支持向量機的破產預測

楊鐘瑾

YANG Zhongjin

廣東財經大學 信息學院，廣州 510320

School of Information Science and Technology,Guangdong University of Finance and Economics,Guangzhou 510320,China

1 引言

破產預測能讓人類做出理性的決策，從而最小化風險造成的損失。破產預測廣泛應用于各行各業，尤其在學術界和商界備受關注。但是，現實世界所面對的破產預測問題經常是復雜多變和難于捉摸。由于統計模型方法固有的缺陷，因此難于勝任破產預測。與傳統的統計模型方法相比，雖然神經網絡[1]對破產預測的效果有所改進，但是神經網絡具有以下的缺點：（1）難以構建合適的預測模型；（2）常常陷入局部極小值；（3）經驗風險最小化原則的運用不能確保良好的推廣能力；（4）不容易正確選定訓練集的大小。

支持向量機[2]是一種新型的破產預測智能技術，不僅備受矚目，而且日益盛行。支持向量機以統計學習理論為基礎，與神經網絡明顯不同之處在于運用結構風險最小化原理，克服了神經網絡容易陷入局部極小值的問題，提高了推廣能力。同時，在運用支持向量機構建預測模型時，在正確選定了核函數[3]的基礎上，只需選擇最優參數。因此，相對神經網絡而言，支持向量機更簡易快捷。目前，啟發式優化技術[4-5]得到眾多研究者的追捧，其中粒子群優化[6]和遺傳算法[7]等最為流行，它們都具有并行處理的特征。與其他的優化技術相比，粒子群優化有許多優點：減少內存、快速運算、容易與其他優化技術集成和易于實現。同樣，遺傳算法也具有以下優點：有效地掃描和探測復雜空間、避免陷入局部極小值、出色地平衡效果與效率之間的關系和不乏靈活性。……