遗传算法与优化设计MATLAB,遗传算法求解非线性规划的matlab解法

　　【最优组合】用matlab代码求解基于遗传算法的不同投资比例的收益_ MATLAB仿真博客的技术博客_博客

　　作者：热爱科研，心智培养，技术同步提升的Matlab仿真开发者。matlab项目的合作可以私信。

　　个人主页：Matlab研究工作室

　　个人信条：从事物中学习。

　　在20世纪40年代，生物模拟已经成为计算科学的一个组成部分。对机器智能的强烈渴望极大地推动了仿生学的发展，对大规模优化问题有效求解的现实需求也极大地推动了GA的出现。1962年，受达尔文进化论的启发，美国教授J. Holland首次提出了GA算法的思想。1975年，著名的《自然和人工系统的适应》出版了。遗传算法是一种全新的全局优化算法，它通过自然选择、遗传和变异机制来提高每个个体的适应性。

　　函数f (x1，x2)最优的遗传算法

　　全部清除；%清除变量

　　全部关闭；%关闭所有图像

　　Clc%清除屏幕

　　%参数

　　大小=200；%%群集空间

　　G=1000%最大迭代次数

　　n=7；投资数量百分比

　　lamd=1；%(1) 值

　　cov=xls read( data )；各种房地产收益率的协方差百分比

　　% r=[9.18 10.17 9.24 10.93 8.45 10.13 10.38]；预期收益率%

　　r=[0.0918 0.1017 0.0924 0.1093 0.0845 0.1013 0.1038]；预期收益率%

　　x=rand(大小，n)；%初始代码

　　对于i=1:尺寸

　　xx(i，)=x(i，)/sum(x(i，)；%%初始化社区

　　目标

　　%主程序

　　对于k=1:1:G%循环次数

　　时间(k)=k；

　　%%%%%%%%%计算适应度函数

　　对于s=1:1:尺寸

　　f1=0；

　　F2=0；

　　对于i=1:n

　　f1=f1 xx(s，I)* r(I)；

　　目标

　　对于i=1:n

　　对于j=1:n

　　f2=f2 xx(s，i)*xx(s，j)*cov(i，j)；

　　目标

　　目标

　　f(s)=exp((1-lamd)* f1-lamd * sqrt(F2))；%%%把目标函数分成很多部分，简单明了。

　　目标

　　Ji=1。/F；%%%%%健身功能

　　%******第一步：评估BestJ ******

　　BestJ(k)=min(Ji)；%%%%%%最小适应值

　　fi=F；%目标函数值

　　目标

　　Disp(投资比例为：)

　　BestS%投资比率

　　图(1)；%绘图

　　剧情(时间，bfi)；

　　Xlabel(“迭代次数”)；ylabel(‘健身’)；

　　标题(“不同投资比例下的适应性变化曲线”)

　　运行结果

　　参考文献[1]李龙。基于Matlab遗传算法的最优投资组合选择。

　　我注意收到大量的matlab电子书和数学建模资料，还有一些网上文献的理论引用。如有侵权，联系博主删除。

　　原创作品来自matlab研究助手，

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。