tensorflow_model_optimization离线安装包

请检查笔记本中的分析：

在本文中，我们展示了如何将长短期记忆 (LSTM) 类神经网络用于股票选择和投资组合优化。 我们使用 LSTM 网络来预测股票运动的方向和股票价格代理度量，并将这些用于股票选择和 Markowitz 均值方差投资组合优化框架。 使用印度 SENSEX 股票数据构建了四种类型的 LSTM 模型——个体模型和集合模型，每种模型都使用批量和增量学习方法进行训练。 我们在投资组合优化阶段利用入围股票中股票运动方向分类的准确性。 在投资组合优化阶段，除了标准的 Markowitz 公式之外，还构建了多样化和卖空的 Markowitz 公式。 我们还建议使用 LSTM 分类精度的补充作为风险度量，代替 Markowitz 框架内的协方差矩阵。 LSTM 构建和投资组合优化公式类型的上述每种组合的结果都针对 SENSEX 和标准最优 Markowitz 投资组合进行了基准测试，没有股票选择。 我们还推导出具有股票价格预测因子比平均股票价格更准确的 Markowitz 公式优于标准 Markowitz 公式的条件。

关于多目标优化的电子书，最新版本，经典著作，适合工学理学等领域

Matlab Lsqnonlin代码Matlab中的优化代码 **此存储库包含matlab中的“优化”课程的代码。 如果看到任何错误或改进方法，请提出请求。 使用它们之前，请先了解代码。 ** 此文件夹包含： 一维最小化方法 _对于消除方法_ 斐波那契法 黄金分割 _对于三次插值方法_ 牛顿法 拟牛顿法 割线法 无约束优化方法（间接搜索下降方法） 无约束牛顿法 马夸特法 约束优化方法 单纯形法 增强拉格朗日法 MATLAB优化工具箱的应用 功能功能 fmincon功能 lsqnonlin函数 lsqlin函数 linprog函数 Quadprog函数

Robust optimization is still a relatively new approach to optimization problems affected by uncertainty, but it has already proved so useful in real applications that it is difficult to tackle such problems today without considering this powerful methodology. Written by the principal developers of robust optimization, and describing the main achievements of a decade of research, this is the first book to provide a comprehensive and up-to-date account of the subject. Robust optimization is designed to meet some major challenges associated with uncertainty-affected optimization problems: to operate under lack of full information on the nature of uncertainty; to model the problem in a form that can be solved efficiently; and to provide guarantees about the performance of the solution. The book starts with a relatively simple treatment of uncertain linear programming, proceeding with a deep analysis of the interconnections between the construction of appropriate uncertainty sets and the classical chance constraints (probabilistic) approach. It then develops the robust optimization theory for uncertain conic quadratic and semidefinite optimization problems and dynamic (multistage) problems. The theory is supported by numerous examples and computational illustrations. An essential book for anyone working on optimization and decision making under uncertainty, Robust Optimization also makes an ideal graduate textbook on the subject. Aharon Ben-Tal is professor of operations research at the Technion, Israel Institute for Technology. Laurent El Ghaoui is associate professor of electrical engineering and operations research at the University of California, Berkeley. Arkadi Nemirovski is professor of industrial and systems engineering at Georgia Institute of Technology.

优化已在最近的通信设计和网络系统中广泛使用。这项工作的主要障碍在于实际产生的许多优化问题的不凸性系统。为了解决此问题，我们注意到在通信和网络系统中遇到的大多数非凸问题都表现出单调性或隐藏的单调性结构。系统地使用单调性将大大减轻获得问题的全局最优解。本文提供了有关单调优化的简洁易懂的介绍，包括配方技巧和求解算法。通过几个应用示例，我们将说明建模技术和各种场景下单调优化的算法细节。用这种有前途的技术，现在可以解决许多以前困难的问题高效解决。有了这个专着，我们希望激发新的扩大单调应用范围的研究活动通信和网络系统的优化。

这是最近提出的 MFO 算法的一个方便的工具箱。 这个优化器的主要灵感是自然界中飞蛾的导航方法，称为横向定向。 飞蛾在夜间飞行，相对于月亮保持固定角度，这是一种非常有效的长距离直线飞行机制。 然而，这些花哨的昆虫被困在人造光周围的无用/致命的螺旋路径中。 MFO 算法对该行为进行数学建模以执行优化。 研究论文： S. Mirjalili，Moth-Flame 优化算法：一种新颖的自然启发式启发式范式，基于知识的系统，DOI： http : //dx.doi.org/10.1016/j.knosys.2015.07.006 ( http://www.sciencedirect.com/science/article/pii/S0950705115002580 ) 如果您无法访问该论文，请给我发送电子邮件至 ali.mirjalili@gmail.com，我会将论文发送给您。 更多信息请见

Discrete_optimization_coursera 离散优化 Coursera 此文件夹包含主要用于 Coursera 上的离散优化课程的不同离散优化技术的实现。

Citation: S. Mirjalili, Moth-Flame Optimization Algorithm: A Novel Nature-inspired Heuristic Paradigm, Knowledge-Based Systems, DOI: http://dx.doi.org/10.1016/j.knosys.2015.07.006.