本文以计算智能方法为基础,对人工神经网络和进化算法进行了理论改进和应用研究,为金融和大气环境领域提供了一些改进的方法和新的可行途径。具体内容包括(:1)在Kohonen提出的SOM (Self-Organizing Map)神经网络的基础上,通过对获胜节点的拓广以及改进邻域函数、连接权函数等方法,提出了具有多获胜节点SOM2W (SOM with 2 winners), SOM3W (SOM with 3 winners), SOM4W(SOM with 4 winners)和SOM5W (SOM with 5 winners)的网络模型。通过对上市公司进行聚类模拟的实验结果表明,具有双获胜节点的SOM2W聚类能力最强,具有收敛速度快、计算量小、计算复杂性低等优点,并且该网络在分析股票的数量较多时,其优越性更为明显。(2)鉴于时间收益因素和惩罚收益因素所具有的优点,为了进一步提高Elman网络的预测性能,将惩罚收益因素和时间收益因素引入到Elman网络的目标函数中,提出带有惩罚和时间收益因素的Elman神经网络模型,即ENNDPF (Elman Neural Network with Direction Profit Factor), ENNTPF (Elman Neural Network with Time Profit Factor),和ENNDTPF (Elman Neural Network with Direction and Time Profit Factor)神经网络,并将其用于股市投资领域。实验结果表明,ENNDTPF网络的预测性能优于Elman网络,且优于ENNDPF和ENNTPF网络,可以实现大幅度提高收益的目的。(3)为了使新股的价格真正体现上市公司的真实价值,利用SOM2W模型对反映上市公司综合能力的财务指标进行聚类模拟,进行规律挖掘和知识发现,确定新股上市公司的性质和所属类别,然后利用RBF神经网络模拟股市“黑箱”系统对新股进行合理定价,得到了令人满意的结果。(4)采用具有全局优化功能的粒子群优化算法(Particle Swarm Optimization, PSO)对S型生长曲线指数公式中的参数进行优化,得到了对各种大气污染物均适用的大气污染损害率计算公式和指数公式,以及基于PSO大气质量综合污染损害率评价模型和指数评价模型,并将其用于对长春市的大气质量进行评价,所得到的评价结果与实际评价结果基本吻合。(5)在OIF Elman神经网络的基础上,提出了改进的OIF Elman网络。根据长春市环境监测中心站提供的数据,利用改进OIF Elman模型对长春市的大气质量进行预测,并根据预测结果对大气质量进行评价。实验结果表明,该模型具有良好的泛化能力、信息处理能力和很好的非线性逼近能力,所得结果与实际结果基本一致。该模型在大气污染预测领域具有一定的应用前景。