دانلود مقاله ISI انگلیسی شماره 19611 + ترجمه فارسی
عنوان فارسی مقاله

چشم اندازی جدید در کنترل بهینه مدل‌های اقتصاد سنجی دینامیکی غیرخطی: کاربرد یک رویکرد اکتشافی

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
19611 2014 17 صفحه PDF 28 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
New insights into optimal control of nonlinear dynamic econometric models: Application of a heuristic approach
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Journal of Economic Dynamics and Control, Volume 37, Issue 4, April 2013, Pages 821–837

فهرست مطالب ترجمه فارسی
چکیده  
  1. مقدمه
  2. پیشینه تحقیق
  3. - انواع مسائل
  4. محدودیت های نسبی
  5. الگوریتم بهینه سازی
  6. OPTCON
  7. چارت جریان OPTCON ، راه حل حلقه باز
  8. بهینه سازی اکتشافی
  9. تکامل دیفرنسیلی
  10. کالیبراسیون DE 
  11. نتایج شبیه سازی
  12. مقایسه  OPTCON و DE 
  13. نمودار: توزیع تجربی مقادیر تابع هدف برای g مختلف
  14. جدول یک : الگوریتم‌های بهینه‌سازی شده با تنظیمات مختلف
  15. کاربرد توابع هدف نامتقارن
  16. جدول دو: مقادیر هدف و دامنه
  17. نمودار: تابع هدف نامتقارن
  18. نمودار: انحرافات نسبی در گروه کنترل
  19. نمودار: انحرافات نسبی در گروه کنترل 
  20. نمودار: انحرافات نسبی در گروه کنترل  
  21. نمودار: انحرافات نسبی به حالت‌ها برای 
  22. نمودار: انحرافات نسبی در حالت‌ها 
  23. نمودار: انحرافات نسبی در حالت‌ها 
  24. نمودار:عناصر تشکیل دهنده مقدار تابع هدف 
  25. نتیجه گیری
  26. ضمیمه
  27. جدول A1: وزن متغیرها در مدل SLOVNL.
  28. جدول A2: وزن متغیرها در مدل SLOPOL.
  29. جدول A3: وزن متغیرها در مدل SLOPOL8.


     
کلمات کلیدی
تحول دیفرانسیلی - برنامه نویسی پویا - بهینه سازی غیر خطی - کنترل بهینه -
ترجمه چکیده
کنترل بهینه مدل‌های اقتصاد سنجی دینامیک طیف گسترده‌ای از برنامه‌های کاربردی از جمله مسائل مربوط به سیاست های اقتصادی را در بر‌می‌گیرد. چندین الگوریتم برای توسعه موارد پایه‌ای بهینه سازی خطی-درجه دوم و غیر خطی و اتفاقی وجود دارد، اما هنوز در روش‌های گوناگون، به عنوان مثال، تقارن تابع هدف و تعداد داده‌های یکسان متغیرهای کنترل محدود شده است. برای غلبه بر این مشکلات، یک روش جایگزین بر اساس رویکرد اکتشافی پیشنهاد شده است. به این منظور، ما یک الگوریتم کلاسیک (OPCON) و یک رویکرد اکتشافی (تکامل دیفرانسیلی ) را در سه مدل مختلف اقتصاد سنجی اعمال می کنیم و عملکرد آن‌ها را مقایسه می کنیم. در این مقاله ما توابع هدف درجه دوم متقارن و نامتقارن را در نظر می‌گیریم. نتایج حاصل دلایل محکمی را برای استفاده آتی از رویکرد اکتشافی در بهینه سازی مسائل کنترل فراهم می کند.
ترجمه مقدمه
در بسیاری از علوم از مهندسی تا اقتصاد، تعیین راه بهینه کنترل یک سیستم در تعداد زیادی از برنامه‌های کاربردی مورد نیاز است. در علم اقتصاد، یک سوال متداول این است که چگونه یک سیاست گذار باید مقادیر مناسبی برای کنترل‌های داده شده، مانند مالیات و یا مصارف عمومی به منظور، مثلا افزایش نرخ رشد تولید ناخالص داخلی ، کاهش نرخ بیکاری و یا رسیدن به اهداف دیگر انتخاب کند. در این مورد، محاسبه متغیرهای حالت هدف توسط یک سیستم معادلات نشان دهنده یک مدل اقتصاد سنجی مورد علاقه کشور محدود شده است. حل مسائل کنترل بهینه برای مدل‌های اقتصاد سنجی غیر خطی محور اصلی این مقاله است. به این منظور، دو روش مختلف در نظر گرفته شده، یکی الگوریتم OPTCON (متوکا و گردن، 1992؛ بلیشکا- نیکولایوا و همکاران، 2012)، که در آن تکنیک‌های کلاسیک بهینه سازی خطی درجه دوم استفاده شده و دیگری تکامل دیفرانسیلی (DE، استورن و پرایس، 1997)، که یک روش بهینه سازی تصادفی بر پایه جمعیت است. از مزایای اصلی مدل DE توانایی کشف فضاهای جستجوی پیچیده با حداقل‌های متعدد محلی در نتیجه همکاری و رقابت راه حل های فردی در جمعیت DE، و سهولت کاربرد به دلیل تنظیم پارامتر کمی نیاز دارد (مارینجر، 2008). از سوی دیگر، روش غیر اکتشافی، الگوریتم OPTCON، یک ابزار قابل اعتماد و سریع‌تر در حل مسائل کنترل بهینه در برنامه‌های کاربردی استاندارد است. با این حال، مانند تقریبا تمام روشهای کلاسیک، الگوریتم OPTCON چندین محدودیت دارد. اول تقارن مورد نیاز تابع هدف است. برای مسائل این مقاله، توابع هدف، درجه دوم بوده و به طور یکسان انحراف مثبت و منفی از مقدار هدف داده شده را جبران می‌کند. در بسیاری از موارد، با این حال، ترکیب روش‌های مختلف جبران برای انحراف مثبت و منفی (به شکل ضرایب وزن اضافی) و یا گنجاندن برخی بازه‌های یکسان مطلوب خواهد بود. در حالی که تقریبا این گسترش در الگوریتم های کلاسیک غیر ممکن است و می‌تواند با روش اکتشافی به دست آید. قبل از رسیدن به تابع هدف نامتقارن، اول باید مطمئن شوید که DE می‌تواند یک راه حل خوب برای مساله کنترل بهینه ارائه دهد. برای نشان دادن این مسئله، DE و OPTCON در سه مدل اقتصاد سنجی کلان اعمال شده (با یک سناریو قطعی) و عملکرد دو استراتژی مقایسه شده است. هر دو روش در نرم افزار متلب 7/11 برای سادگی مقایسه، اجرا شده است. با توجه به ماهیت تصادفی DE و نتایج و نیاز به راه اندازی مجدد چندباره استراتژی، زمان بیشتری برای محاسبات لازم است. به همین دلیل، چندین امکان برای افزایش بازده محاسباتی DE نیز بحث شده است. زمانی قابلیت کاربرد روش اکتشافی برای حل مسائل پایه نشان داده شد، سپس گسترش یافت و برای حل مسائل کنترل بهینه با تابع هدف نامتقارن با سه مدل اقتصاد سنجی کلان نشان داده شده، به کار رفت. به این منظور، آستانه‌های خاصی در مقادیر هدف معرفی شده‌اند، که در آن، تابع هدف می تواند برای انحراف مثبت و منفی به طور متفاوتی به کار رود. تغییرات حاصل در راه حل‌ها به دقت تجزیه و تحلیل شده و از دیدگاه فنی و اقتصادی بحث شده‌اند. مقاله حاضر به شرح زیر است: در بخش2 انواع مسائلی که توسط الگوریتم‌ها حل می‌شود تعریف کرده و به توصیف محدودیت‌هایی که در الگوریتم OPTCON وجود دارند و به نوعی برای روش‌های بهینه سازی کلاسیک، معمول هستند، می‌پردازیم. بخش 3 به طور خلاصه الگوریتم OPTCON به عنوان یک روش کلاسیک معرفی کرده و DE را به عنوان یک استراتژی اکتشافی جایگزین معرفی می‌‌کند. در بخش 4 نتایج شبیه سازی به دست آمده از دو روش با توابع هدف متقارن را تحلیل ‌کنیم و DE را به تابع هدف نامتقارن گسترش می‌دهیم و دو استراتژی را بر اساس سه مدل اقتصادسنجی (SLOVNL، SLOPOL4 و SLOPOL8) آزمایش می‌کنیم. بخش 5 با خلاصه‌ای از یافته های اصلی و نگاهی به تحقیقات آینده نتیجبه پایان می‌رسد.
پیش نمایش مقاله
پیش نمایش مقاله چشم اندازی جدید در کنترل بهینه مدل‌های اقتصاد سنجی دینامیکی غیرخطی: کاربرد یک رویکرد اکتشافی

چکیده انگلیسی

Optimal control of dynamic econometric models has a wide variety of applications including economic policy relevant issues. There are several algorithms extending the basic case of a linear-quadratic optimization and taking nonlinearity and stochastics into account, but being still limited in a variety of ways, e.g., symmetry of the objective function and identical data frequencies of control variables. To overcome these problems, an alternative approach based on heuristics is suggested. To this end, we apply a ‘classical’ algorithm (OPTCON) and a heuristic approach (Differential Evolution) to three different econometric models and compare their performance. In this paper we consider scenarios of symmetric and asymmetric quadratic objective functions. Results provide a strong support for the heuristic approach encouraging its further application to optimum control problems.

مقدمه انگلیسی

In many areas of science from engineering to economics, determining the optimal way of controlling a system is required in a great number of applications. In economics, one frequently asked question is how a policy maker should choose appropriate values for given controls, such as taxes or public consumption in order to, e.g., increase the growth rate of GDP, decrease unemployment rate or achieve other targets. In this case, calculation of the targeted state variables is restricted by a system of equations representing an econometric model of the country of interest. Solving such an optimum control problem for nonlinear econometric models is the core of this paper. To this end, two different methods are considered, namely the OPTCON algorithm (Matulka and Neck, 1992 and Blueschke-Nikolaeva et al., 2012), where classical techniques of linear-quadratic optimization are used, and Differential Evolution (DE, Storn and Price, 1997), which is a population based stochastic optimization method. Among DE's main advantages are the ability to explore complex search spaces with multiple local minima thanks to cooperation and competition of individual solutions in the DE's population, and the application easiness as it needs little parameter tuning (Maringer, 2008). The non-heuristic approach, the OPTCON algorithm, on the other hand, is a more reliable and fast instrument for solving optimum control problems in standard applications. However, like nearly all ‘classical’ methods, the OPTCON algorithm has several limitations. One, which is sometimes criticized in literature, is the required symmetry of the objective function. For the problems considered in this paper, the objective function is given in quadratic tracking form and equally penalizes positive and negative deviations from the given target values. In many situations, however, incorporation of different penalizing procedures for positive and negative deviations (in form of additional weighting coefficients) or inclusion of some indifference intervals would be desirable. Whereas it is nearly impossible to allow for this extension in the classic algorithm, it can be achieved by using a heuristic approach. Before approaching the case of an asymmetric objective function, one has to make sure that DE can deliver a ‘good’ solution to the basic case of an optimum control problem. To demonstrate this, DE and OPTCON are applied to three macroeconometric models (with a deterministic scenario) and the performance of the two strategies is compared. Both methods are implemented in Matlab 7.11 to simplify their comparison. Due to the stochastic nature of DE and resulting need for several restarts of the strategy, a higher computational time is expected. For this reason, several possibilities to increase DE computational efficiency are also discussed. Once the applicability of the heuristic approach has been demonstrated for the basic problem, it is extended and applied to solve the optimum control problem with an asymmetric objective function to three macroeconometric models. To this end, certain thresholds around the target values are introduced, inside which the objective function can be handled differently for positive and negative deviations. The resulting changes in the solutions are carefully analyzed and discussed both from the technical and economical perspectives. The paper proceeds as follows. In Section 2 we define the class of problems to be tackled by the algorithms and describe the limitations, which are present in the OPTCON algorithm and are typical for ‘classical’ optimization methods. Section 3 briefly reviews the OPTCON algorithm as a classical approach and introduces DE as an alternative heuristic strategy. In Section 4 we analyze simulation results obtained for the two approaches with symmetric objective functions and extend DE to the asymmetric objective function scenario, testing the two strategies based on three econometric models (SLOVNL, SLOPOL4 and SLOPOL8). Section 5 concludes with a summary of the main findings and an outlook to further research.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.