基于遗传优化神经网络的一般投资回报率预测

《基于遗传优化神经网络的一般投资回报率预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、重庆大学硕士学位论文2遗传算法及其发展数为止。2.1.2遗传算法的基本流程遗传算法的主要步骤可描述如下（如图2.1）：第1步：初始化。设置进化代数计数器t0；设置最大进化代数T；随机生成M个个体作为初始群体p(0)。第2步：个体评价。计算群体pt()中各个个体的适应度。第3步：选择运算。将选择算子作用与群体。第4步：交叉运算。将交叉算子作用于群体。第5步：变异运算。将变异算子作用于群体。群体pt()经过选择、交叉、变异运算之后得到下一代群体pt(1)。第6步：终止条件判断。若tT，则：tt1，转到步骤2；若tT，则以进化过程得到的具有最大适应度的个体作为

2、最优解输出，终止计算。图2.1遗传算法的流程示意图Figure2.1theOperationofGeneticAlgorithm2.1.3遗传算法的构成要素（1）染色体编码方法。简单遗传算法一般使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集{0,1}所组成的。如：X=10101100111就表示一个个体，该个体的染色体长度是l11。（2）个体适应度评价。简单遗传算法一般按与个体适应度成正比的概率来决6重庆大学硕士学位论文2遗传算法及其发展定当前群体中每个个体遗传到下一代群体中的机会大小。为正确计算这个概率，这里要求所有个体的适应度必须非负，

3、否则要进行处理。（3）遗传算子。简单遗传算法使用下面三种遗传算子：1．选择算子使用比例选择算子；2．交叉算子使用单点交叉算子；3．变异算子使用基本位变异算子或均匀变异算子。（4）简单遗传算法的运行参数。主要有4个运行参数且需提前设定。N：群体大小，根据问题的复杂度来确定，一般取为20—100。T：遗传算法的终止进化代数，一般取为50—500。p：交叉概率，一般为0.6—0.99。cp：变异概率，一般为0.001—0.1。m在简单遗传算法中，这四个参数提前确定后，在运行过程中都是固定不变的。它们对算法的求解结果和求解效率都有一定的影响，但有多大的影响，目前尚无定论。在

4、实际的算法运行中都是通过反复调整此4个参数的值，然后取最好的解作为最优解。下面就来介绍遗传算法的这几个步骤的具体操作。2.1.3.1编码方法（1）二进制编码假定决策变量[x1，x2，…，xn]用L(L=n·l)位二进制串b1b2…bn表示(bi表示变量xi，是长度为l的二进制串，l为预先给定的常数)。又设映射xZ(x)将二进制串x映射到与x对应的实数值。假设在此模型中决策变量第i个分量xi的取值范围是[U,U],i=1,2,…,n那么决策变量X的第i个分量等于i,mini,maxUUi,maxi,minZ(b)U（2.1）lii,min21由上式，容易知道

5、，这种编码方法是将一个连续的区间通过均匀等分，将其离散l化，每个区间被均匀地分为2-1份,如表2.1所示。因此二进制编码具有一定的映射误差，特别是它不能直接反映出所求问题本身的结构特征，因此很难满足生成有意义积木块的编码原则。在此编码方式下，决策变量的每个分量的取值只能为ll有限的2个：Uk（k=0,1,…,2-1），其中，是xi的取值精度：i,miniiUUi,maxi,min=（i=1,2,…,n）（2.2）il21（2）浮点数编码所谓浮点数编码方法，是指个体的每个基因值用某一范围的一个浮点数来表示，个体的编码长度等于其决策变量的个数，因为这种编码

6、方法使用的是决策变[15][16][17]量的真实值，所以浮点数编码方法也叫真值编码方法。例如，某个优化问题含有3个变量xi（i=1，2，3），每个变量在[-1，1]内取值，则这个问题的一个浮点数编码的个体的基因型可表示为：7重庆大学硕士学位论文2遗传算法及其发展-0.146130.151530.36432其对应的决策变量为：[-0.14613，0.15153，0.36432]2.1.3.2适应度函数根据达尔文进化论的观点，生物体的生存能力取决于它对周围环境的适应能力。适应能力强的个体，其生存能力就强，从而比别的个体以更大的可能性生殖、繁衍到下一代中。反之，其生殖、

7、繁衍到下一代的机会就相对较少，甚至会逐渐灭绝。与此相类似，遗传算法也采用该机制来决定种群中个体遗传到下一代的多少。在遗传算法中，对个体生存能力的大小是通过个体的适应度来描述的，适应度就是对问题目标的符合程度。越符合求解目标的个体，其适应度就越大，否则，适应度就越小。适应度是遗传算法得以进行下去的关键。由于有了适应度，个体之间才存在竞争，竞争的结果就是：生存下来的个体越来越优秀，适应度最高的个体则是最符合求解目标的个体(最优解)。度量个体适应度的函数称为适应度函数(FitnessFunction)。对于最优化问题来说，适应度函数可以分为以下2类：若目标函数为最小值