基于多目标人工蜂群算法的项目投资组合研究

Artificial bee colony algorithm (ABC) is a newer branch in the domain of intelligent computing. It shows the excellent performance in high-dimensional and multi-modal problem solving and received highly concentration due to its simplicity, high efficiency and versatility. So far, ABC research is largely concentrated in the single-objective areas. In view of the present evolutionary multi-objective(EMO) algorithm is easily trapped into the local Pareto fields in the high-dimensional and multi-modal problems. This project will extend ABC to the field of multi-objective domain In this study, we will embed project scheduling as a constraint into the project portfolio model to build a complex multi-objective project portfolio model based on the proposed multi-objective ABC algorithm for the solution .The main research consternations in our project are as follows:1) multi-objective ABC algorithm based on the elitist strategy; 2) an external file-based hybrid PSO-ABC multi-objective algorithm; 3) bee breeding - collecting nectar behavior-based co-evolutionary multi-objective ABC algorithm; 4) considering the multi-objective model of project scheduling, project portfolio and optimization. The research results not only have the scientific value in terms of theory and methodology, but also have wild application prospects in decision-making management and engineering technology.

人工蜂群算法（ABC）是智能优化算法中较新的一个分支，在高维和多模态问题的优化中体现了优异的性能，因其简单快速、通用性强而受到学术界的高度关注。迄今为止，ABC的研究基本上集中在单目标领域。鉴于目前进化多目标算法（EMO）在高维和多模态的问题中的不足，容易陷入局部Pareto域，本项目将ABC拓展到多目标领域。本研究将项目调度作为约束，嵌入到项目投资组合模型中，在构建复杂的多目标项目投资组合模型的基础上，将提出的多目标ABC算法用于模型的求解。研究内容包括：1）基于精英策略的多目标ABC算法；2）基于外部档案的混合PSO-ABC多目标算法；3）基于蜜蜂繁殖-采蜜行为的协同进化多目标ABC算法；4）综合考虑项目调度的项目投资组合多目标模型及优化。本项目的研究不仅具有理论和方法上的科学价值，而且在管理决策和工程技术领域具有广阔的应用前景。

人工蜂群(ABC)算法是启发于蜜蜂的觅食行为而提出的一种智能优化算法，在高维和多模态问题的优化中体现了优异的性能。由于ABC算法具有简单易实施、收敛速度快和通用性强的特点而受到学术界的高度关注。ABC算法的探索能力较强，但开发能力较差，本项目旨在根据ABC算法的特点，提出改进的方法，并应用于复杂的项目投资组合问题。本项目的研究工作主要集中在：1）撰写了《人工蜂群算法的研究综述》投稿到《智能系统学报》已经被录用；2）提出了一种基于差分进化与ABC算法的混合算法，并成功应用于易腐品的车辆路径问题，成果发表于ICIC 2013；3）提出了模糊环境下基于CVaR测度的项目投资组合风险度量方法，成果发表在ICACI 2013；4）根据现实情况，提出了模糊环境下基于CVaR的机会约束模型，并采用智能优化算法进行求解，成果发表在ISKE 2013；5）粒子群算法和ABC算法具有天然结合的优势，设计了一种新颖的改进算法，测试函数的实验表明了其有效性，目前已经完成工作论文，计划投稿到《Information Sciences》6）在项目投资组合问题中，平衡财务和非财务收益非常重要，提出了一个考虑非财务收益的两阶段项目投资组合模型，投稿到CCDC 2014。另外在本项目的支持下，提出了多种改进的智能优化算法（譬如交互学习的粒子群算法，多策略的正交粒子群算法）。本项目的研究成果不仅具有理论和方法上的科学价值，而且在管理决策和工程技术领域具有广阔的应用前景。