Approximating the stochastic growth model with neural networks trained by genetic algorithms
Stokastik büyüme modelini genetik algoritmalarla eğitilmiş yapay sinirsel ağlarla yakınsama
- Tez No: 186329
- Danışmanlar: YRD. DOÇ. DR. NEDİM ALEMDAR
- Tez Türü: Yüksek Lisans
- Konular: Ekonomi, Economics
- Anahtar Kelimeler: Stokastik büyüme modeli, Yapay sinirsel ağlar, Genetik alg, Stochastic growth model, Neural networks, Genetic algorithms
- Yıl: 2006
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İktisat Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2013
Fizik ve Fizik MühendisliğiOrta Doğu Teknik ÜniversitesiFizik Bölümü
PROF. DR. OSMAN YILMAZ
- Quantal description of spinodal instabilities in asymmetric nuclear matter
Asimetrik nükleer maddenin spinodal kararsızlıklarının kuantal olarak incelenmesi
FATMA ACAR ÇAKIRÇA
Doktora
İngilizce
2017
Fizik ve Fizik MühendisliğiOrta Doğu Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. OSMAN YILMAZ
PROF. DR. ŞAKİR AYIK
- 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
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. Y. İLKER TOPÇU
PROF. DR. NEZİR AYDIN
- 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
2011
Fizik ve Fizik MühendisliğiOrta Doğu Teknik ÜniversitesiFizik Bölümü
PROF. DR. OSMAN YILMAZ
PROF. DR. ŞAKİR AYIK