粒子群算法（PSO）作为一种群智能算法，有效提高了投资组合模型的实用性，但存在搜索精度较低和易陷入局部最优的缺陷.为克服其缺点，本文提出基于天牛须搜索（BAS）的粒子群优化算法（简称BSO），并将其应用到包含完整费用的投资组合模型中.在基于天牛须搜索的优化算法中（BSO），每个粒子的更新规则源自BAS，在每次迭代中都有自己对环境空间的判断，而不仅依赖于PSO中历史最佳解决方案和粒子个体的当前全局最优解，从而减少迭代次数、提高搜索速度和精度.实证结果表明算法更具稳定性和有效性.

针对风电出力的随机性及间歇性，采用灰色理论建立灰色预测一威布尔风速分布组合模型，并对威布 1 尔风速分布参数进行了求解，根据实际地形下风电场风速数据准确预测了风电场的风速分布及有效风电出 力密度，进而求得了风电场风机出力功率及发电量等重要数据

基于组合模型的网络安全态势估计.pdf

基于灰色关联度的GM(1,1)-BP神经网络组合模型研究.pdf

基于LightGBM优化组合模型的销售预测，葛天萌，王春露，针对超市商品销量的预测问题，本文在研究大量文献的基础上，提出了一种基于LightGBM及XGBoost组合的预测模型。该模型不仅对商品的基本

最优投资组合模型.ppt

新的模型，CNN-LSTM

多算法组合与模型最优：模型状态分析、线性模型的权重分析、Bad-case分析、模型融合

在MAYA学习初期的参考模型，亦可上交作业

为了研究全国以及火电、冶金、建材和化工行业煤炭消费量，基于无偏灰色(GM)、差分自回归移动平均(ARIMA)、逻辑斯蒂(LOGISTIC)和人工神经网络(ANN)模型，分别构建了各行业组合预测模型，并运用相关系数、平均绝对误差、平均相对误差和均方根误差评价指标检验组合模型拟合精度，筛选出各行业最优组合模型并预测2020—2030年各行业消费趋势。研究表明：最优加权组合模型的R-2、MAE、MAPE和RMSE等检验指标均优于单项模型；分别构建了权重为(0.32，0.68)的我国煤炭消费总量预测模型GM-ARIMA、权重为(0.28，0.14，0.58)的火电行业预测模型GM-LOGISTIC-ARIMA、权重为(0.40，0.60)的冶金行业预测模型GM-LOGISTIC、权重为(0.32，0.68)的建材行业预测模型ANN-ARIMA、权重为(0.79，0.21)的化工行业预测模型ANN-ARIMA；预测未来我国煤炭消费总量和火电行业消费量呈小幅增长趋势，2030年分别达到41.67亿t和22.10亿t；冶金和建材行业消费量呈稳定趋势，2030年分别达到6.60亿t和5.04亿t；化工