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

  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。

留言与评论(共有 条评论)
   
验证码: