Geri Dön

Approximating the stochastic growth model with neural networks trained by genetic algorithms

Stokastik büyüme modelini genetik algoritmalarla eğitilmiş yapay sinirsel ağlarla yakınsama

  1. Tez No: 186329
  2. Yazar: CİHAN KIYKAÇ
  3. Danışmanlar: YRD. DOÇ. DR. NEDİM ALEMDAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ekonomi, Economics
  6. Anahtar Kelimeler: Stokastik büyüme modeli, Yapay sinirsel ağlar, Genetik alg, Stochastic growth model, Neural networks, Genetic algorithms
  7. Yıl: 2006
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İktisat Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 87

Özet

Bu tezde, tek sektörlü, doğrusal olmayan stokastik büyüme modelini çözmek için doğrudan nümerik bir çözüm metodu sunulmaktadır. Metodumuz, diğer metotlar gibi Euler denklemini parametrize etmek veya onunla çalışmak yerine politika fonksiyonunu genetik algoritma ile eğitilmiş yapay bir sinirsel ağ ile doğrudan parametrize etmektedir. Genetik algoritmalar türevden bağımsız olduğu ve politika fonksiyonu doğrudan parametrize edildiği için metodumuzda türev almaya gerek yoktur.Diğer metotlar, daha fazla boyutlu durum uzaylarda gerekli türevlerin varlığı ile sınırlıyken, bizim metodumuz işlevselliğini korumaktadır. Genetik algoritmalar global arama algoritmaları olduğundan, metodumuz, arama uzayı ne olursa olsun, sağlıklı sonuçlar üretebilmektedir. Stokastik büyüme modeline ek olarak, metodumuzun gerçek koşullar altındaki performansını gözlemlemek için, modeli yatırım maliyetlerini ekleyerek de test ettik. Bütün parametre konfigürasyonlarında modelimiz oldukça başarılı olmuştur.

Özet (Çeviri)

In this thesis study, we present a direct numerical solution methodology for the onesector nonlinear stochastic growth model. Rather than parameterizing or dealing with the Euler equation, like other methods do, our method directly parameterizes the policy function with a neural network trained by a genetic algorithm. Since genetic algorithms are derivative free and the policy function is directly parameterized, there is no need for taking derivatives. While other methods are bounded by the existence of required derivatives in higher dimensional state spaces, our method preserves its functionality. As genetic algorithms are global search algorithms, our method's results are robust whatever the search space is. In addition to the stochastic growth model, to observe the performance of the method under real conditions, we tested the method by adding capital adjustment costs to the model. Under all parameter configurations, the method performs quite well.

Benzer Tezler

  1. Semi-classical description of spinodal instabilities of asymmetric nuclear matter in a relativistic stochastic model

    Asimetrik nükleer maddenin spinodal kararsızlıklarının stokastik relativistik model çerçevesinde yarı klasik olarak incelenmesi

    SELEN SAATCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    Fizik ve Fizik MühendisliğiOrta Doğu Teknik Üniversitesi

    Fizik Bölümü

    PROF. DR. OSMAN YILMAZ

  2. Quantal description of spinodal instabilities in asymmetric nuclear matter

    Asimetrik nükleer maddenin spinodal kararsızlıklarının kuantal olarak incelenmesi

    FATMA ACAR ÇAKIRÇA

    Doktora

    İngilizce

    İngilizce

    2017

    Fizik ve Fizik MühendisliğiOrta Doğu Teknik Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. OSMAN YILMAZ

    PROF. DR. ŞAKİR AYIK

  3. Kan tedarik zinciri ağ tasarımı ve süreç yönetiminde çok aşamalı stokastik programlama modelleri ve çözüm yaklaşımı

    Multi-stage stochastic programming models and solution approach for blood supply chain network design and management

    GÜL İMAMOĞLU

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. Y. İLKER TOPÇU

    PROF. DR. NEZİR AYDIN

  4. Spinodal instabilities in symmetric nuclear matter within a density-dependent relativistic mean-field approach

    Yoğunluğa bağlı relativistik ortalama alan yaklaşımında simetrik nükleer maddenin spinodal kararsızlıkları

    BETÜL DANIŞMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2011

    Fizik ve Fizik MühendisliğiOrta Doğu Teknik Üniversitesi

    Fizik Bölümü

    PROF. DR. OSMAN YILMAZ

    PROF. DR. ŞAKİR AYIK

  5. İnsangücü planlama

    Manpower planning

    SABİHA EKMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    1992

    İşletmeİstanbul Teknik Üniversitesi

    DOÇ. DR. MEHMET TANYAŞ