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。