【正文】 命與智能的產(chǎn)生與進(jìn)化過程。（4）通過同源染色體之間的交叉或染色體的變異會產(chǎn)生新的物種，是生物呈現(xiàn)出新的性狀。（2）染色體是由基因及其有規(guī)律的排列所構(gòu)成，遺傳和進(jìn)化過程發(fā)生在染色體上。除了向自身結(jié)構(gòu)的學(xué)習(xí)以外，人類還可以向其自身演化這一更為宏觀的過程學(xué)習(xí)，來增強(qiáng)自身解決問題的能力，其代表性的方法就是遺傳算法。自從20世紀(jì)后半葉以來，人類正在將其模擬的范圍延伸向人類自身。模擬飛禽、人類可以飛翔天空；模擬游魚人類可以橫渡海洋；模擬昆蟲人類可以縱觀千里；模擬大腦，人類創(chuàng)造了影響世界發(fā)展的計(jì)算機(jī)。人類找到了生命的最佳結(jié)構(gòu)與形式，他不僅僅可以被動的適應(yīng)環(huán)境，更重要的是它能夠通過學(xué)習(xí)、模擬、與創(chuàng)造、不斷提高自己適應(yīng)環(huán)境的能力。生命是脆弱的，生命也是頑強(qiáng)的。本文提出的組合投資模型在求解上存在一定的難度，采用遺傳算法求解。但是它也容易產(chǎn)生早熟現(xiàn)象以及局部搜索能力比較差，所以對很多問題而言，基本遺傳算法并不是解決問題的最有效方法。遺傳算法是一類模擬自然界生物進(jìn)化過程與機(jī)制，求解問題的自組織和自適應(yīng)的人工智能技術(shù)。證券投資組合優(yōu)化問題的實(shí)質(zhì)就是有限的資產(chǎn)在具有不同風(fēng)險(xiǎn)收益特性的證券之間的優(yōu)化配置問題。摘 要遺傳算法起源于對生物系統(tǒng)所進(jìn)行的計(jì)算機(jī)模擬。美國密執(zhí)安大學(xué)的Holland教授及其學(xué)生受到這種生物模擬技術(shù)的啟發(fā)，創(chuàng)造出了一種基于生物遺傳和進(jìn)化機(jī)制的適合于復(fù)雜系統(tǒng)優(yōu)化計(jì)算的自適應(yīng)概率優(yōu)化技術(shù)遺傳算法。因此，本文根據(jù)上述要求把交易成本和股票的整手買賣引入含有風(fēng)險(xiǎn)偏好的Markowitz組合投資模型，并對證券組合進(jìn)行分類約束來降低風(fēng)險(xiǎn)，從而構(gòu)造了含有約束的混合整數(shù)非線性規(guī)劃模型。由于其運(yùn)行簡單和解決問題的有效能力而被廣泛應(yīng)用到眾多領(lǐng)域。因此本文對基本遺傳算法的一些算子進(jìn)行了改進(jìn)，獲得了較滿意的結(jié)果。關(guān)鍵字：遺傳算法；生物模擬；投資組合；交易成本；ABSTRACTGenetic algorithm originated in biological systems through the puter simulations. Holland Michigan University professor and his students are subject to this biological simulation technology inspired to create a biobased genetic and evolutionary optimization of plex systems for adaptive probability calculation genetic algorithm optimization technique. Portfolio Optimization essence of the problem is the limited assets with different risk and return characteristics of the optimal allocation between the securities issue.Therefore, this paper according to the requirements of the transaction costs and stocks containing whole lot introducing risk appetite Markowitz portfolio model, and classify constraints portfolio to reduce risk, which is constructed with constrained mixedinteger nonlinear programming modelGenetic algorithms are a class of simulation of natural biological evolution and mechanisms for solving the problem of selforganization and adaptive artificial intelligence technology. Because of its operational simplicity and ability to solve problems effectively been widely applied to many fields. But it is also prone to premature and relatively poor local search ability, so many problems, the basic genetic algorithm is not the most effective way to solve the problem. This article on some of the basic genetic algorithm has been improved operator to obtain a more satisfactory result.The proposed model for portfolio investment in the solution there is a certain degree of difficulty, using genetic algorithm. On a puter using programming.Keyword：genetic algorithm；biological simulations；Investment portfolio；Transaction costs；目 錄引 言 1第一章 遺傳算法概述 2 遺傳算法的形式 2 遺傳算法的運(yùn)算過程 3 基本遺傳算法的構(gòu)成 3 基本遺傳算法的形式化定義 4第二章 遺傳算法的基本實(shí)現(xiàn)技術(shù) 5 遺傳算法的編碼原則 5 二進(jìn)制編碼方法 5 浮點(diǎn)數(shù)編碼方法： 5 遺傳算法的適應(yīng)度函數(shù) 6 乘冪尺度變換 6 指數(shù)尺度變換 6 遺傳算法的選擇算子 6 比例選擇 7 最優(yōu)保存策略 7 確定式采樣選擇 7 交叉算子 8 單點(diǎn)交叉 8 算數(shù)交叉 8 變異算子 8 基本位變異 8 均勻變異 8第三章 投資組合 10 投資組合理論的提出 10 證券組合投資理論 10 馬克威茨的均值—方差模型 10 單個資產(chǎn)的收益、風(fēng)險(xiǎn)和資產(chǎn)間的相互關(guān)系 10 資產(chǎn)組合的收益和風(fēng)險(xiǎn) 12 現(xiàn)代投資理論的組成和發(fā)展 14 投資組合的應(yīng)用 14第四章 基于改進(jìn)遺傳算法的有交易成本的組合投資問題 16 模型的建立與分析 16 股票交易額不可分割及無風(fēng)險(xiǎn)投資 16 交易成本 17 風(fēng)險(xiǎn)偏好 18 分類約束 19 模型描述 19 模型的遺傳算法求解 19 編碼 20 動態(tài)懲罰函數(shù) 20 選擇 21 交叉 21 變異 21 改進(jìn)遺傳算法的過程 21第五章 示例分析 22 數(shù)據(jù) 22 基本遺傳算法 23 改進(jìn)遺傳算法分析 25 初始化種群體 25 適應(yīng)度計(jì)算 25 遺傳操作 25 結(jié)果 26第六章 總結(jié)與展望 主要工作總結(jié) 29 展望 29參考文獻(xiàn)： 30附錄： 31致 謝 4935 / 36引 言 遺傳算法是一種仿生優(yōu)化的算法，我們的自然界充滿了奇跡，而生命的繁衍生息就是這些奇跡中的奇跡。從遠(yuǎn)古時代單細(xì)胞開始，經(jīng)歷環(huán)境變遷的磨礪，生命經(jīng)歷了從低級到高級、從簡單到復(fù)雜的演化之路，不但延續(xù)下來，而且產(chǎn)生了人類這樣有思維、有智力的高級生命體。 在人類的歷史上，通過學(xué)習(xí)與模擬來增強(qiáng)自身適應(yīng)能力的例子不勝枚舉。人類的模擬能力不僅局限于自然現(xiàn)象和其他生命體。神經(jīng)網(wǎng)絡(luò)是人類對其大腦信息處理機(jī)制的模擬，模糊系統(tǒng)是人類對其思維方式的模擬。 雖然人們還未完全揭開遺傳與進(jìn)化的奧秘，既沒有完全掌握其機(jī)制，也不完全清楚染色體和譯碼過程的細(xì)節(jié)，更不完全了解其控制方式，但遺傳與進(jìn)化的以下幾個特點(diǎn)卻為人們所共識：（1）生物的所有遺產(chǎn)信息都包含在其染色體中，染色體決定其生物的性狀。（3）生物的繁衍過程是由其基因的復(fù)試過程來完成的。（5）對生物適應(yīng)性好的基因或染色體經(jīng)常比適應(yīng)性差的基因或染色體有更多的機(jī)會遺傳到下一代。他通過模擬達(dá)爾文“優(yōu)勝劣汰、適者生存”的原理激勵好的結(jié)構(gòu)；通過模擬孟德爾遺傳變異理論在迭代過程中保持已有的結(jié)構(gòu)，同時尋找更好的結(jié)構(gòu)。（2） 遺傳算法只需利用目標(biāo)的取值信息，而無需梯度等高價值信息，因而適用于任何大規(guī)模、高度非線性的不連續(xù)多峰函數(shù)的優(yōu)化以及無解析表達(dá)式的目標(biāo)函數(shù)的優(yōu)化，具有很強(qiáng)的通用性。遺傳算法操作的可行解是經(jīng)過編碼化的，目標(biāo)函數(shù)解釋為編碼個體的適應(yīng)度，因而具有良好的可操作性與簡單性。他們之間的關(guān)系如圖 可行解X 基本空間U 可行解集合R 遺傳算法中，將n維決策變量X=用n個記號（i=1,2,...,n）所組成的符號串X來表示： X=X1X2...Xn=X= 把每一個看做一個遺傳基因，他的所有可能取值為等位基因，這樣，X就可看作是由n個遺傳基因所組成的一個染色體。根據(jù)不同的情況，這里的等位基因可以是一組整數(shù)，也可以是某一范圍內(nèi)的實(shí)數(shù)值，或者是純粹的一個記號。這種編碼所組成的排列形式X，對于每一個個體X，要按照