基于遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的一般投資回報(bào)率預(yù)測

《基于遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的一般投資回報(bào)率預(yù)測》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、重慶大學(xué)碩士學(xué)位論文2遺傳算法及其發(fā)展數(shù)為止。2.1.2遺傳算法的基本流程遺傳算法的主要步驟可描述如下（如圖2.1）：第1步：初始化。設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t?0；設(shè)置最大進(jìn)化代數(shù)T；隨機(jī)生成M個(gè)個(gè)體作為初始群體p(0)。第2步：個(gè)體評(píng)價(jià)。計(jì)算群體pt()中各個(gè)個(gè)體的適應(yīng)度。第3步：選擇運(yùn)算。將選擇算子作用與群體。第4步：交叉運(yùn)算。將交叉算子作用于群體。第5步：變異運(yùn)算。將變異算子作用于群體。群體pt()經(jīng)過選擇、交叉、變異運(yùn)算之后得到下一代群體pt(?1)。第6步：終止條件判斷。若t?T，則：t?t?1，轉(zhuǎn)到步驟2；若t?T，則以進(jìn)化過程得到的具有最大適應(yīng)度的個(gè)體作為

2、最優(yōu)解輸出，終止計(jì)算。圖2.1遺傳算法的流程示意圖Figure2.1theOperationofGeneticAlgorithm2.1.3遺傳算法的構(gòu)成要素（1）染色體編碼方法。簡單遺傳算法一般使用固定長度的二進(jìn)制符號(hào)串來表示群體中的個(gè)體，其等位基因是由二值符號(hào)集{0,1}所組成的。如：X=10101100111就表示一個(gè)個(gè)體，該個(gè)體的染色體長度是l?11。（2）個(gè)體適應(yīng)度評(píng)價(jià)。簡單遺傳算法一般按與個(gè)體適應(yīng)度成正比的概率來決6重慶大學(xué)碩士學(xué)位論文2遺傳算法及其發(fā)展定當(dāng)前群體中每個(gè)個(gè)體遺傳到下一代群體中的機(jī)會(huì)大小。為正確計(jì)算這個(gè)概率，這里要求所有個(gè)體的適應(yīng)度必須非負(fù)，

3、否則要進(jìn)行處理。（3）遺傳算子。簡單遺傳算法使用下面三種遺傳算子：1．選擇算子使用比例選擇算子；2．交叉算子使用單點(diǎn)交叉算子；3．變異算子使用基本位變異算子或均勻變異算子。（4）簡單遺傳算法的運(yùn)行參數(shù)。主要有4個(gè)運(yùn)行參數(shù)且需提前設(shè)定。N：群體大小，根據(jù)問題的復(fù)雜度來確定，一般取為20—100。T：遺傳算法的終止進(jìn)化代數(shù)，一般取為50—500。p：交叉概率，一般為0.6—0.99。cp：變異概率，一般為0.001—0.1。m在簡單遺傳算法中，這四個(gè)參數(shù)提前確定后，在運(yùn)行過程中都是固定不變的。它們對(duì)算法的求解結(jié)果和求解效率都有一定的影響，但有多大的影響，目前尚無定論。在

4、實(shí)際的算法運(yùn)行中都是通過反復(fù)調(diào)整此4個(gè)參數(shù)的值，然后取最好的解作為最優(yōu)解。下面就來介紹遺傳算法的這幾個(gè)步驟的具體操作。2.1.3.1編碼方法（1）二進(jìn)制編碼假定決策變量[x1，x2，…，xn]用L(L=n·l)位二進(jìn)制串b1b2…bn表示(bi表示變量xi，是長度為l的二進(jìn)制串，l為預(yù)先給定的常數(shù))。又設(shè)映射x?Z(x)將二進(jìn)制串x映射到與x對(duì)應(yīng)的實(shí)數(shù)值。假設(shè)在此模型中決策變量第i個(gè)分量xi的取值范圍是[U,U],i=1,2,…,n那么決策變量X的第i個(gè)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、，這種編碼方法是將一個(gè)連續(xù)的區(qū)間通過均勻等分，將其離散l化，每個(gè)區(qū)間被均勻地分為2-1份,如表2.1所示。因此二進(jìn)制編碼具有一定的映射誤差，特別是它不能直接反映出所求問題本身的結(jié)構(gòu)特征，因此很難滿足生成有意義積木塊的編碼原則。在此編碼方式下，決策變量的每個(gè)分量的取值只能為ll有限的2個(gè)：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）浮點(diǎn)數(shù)編碼所謂浮點(diǎn)數(shù)編碼方法，是指個(gè)體的每個(gè)基因值用某一范圍的一個(gè)浮點(diǎn)數(shù)來表示，個(gè)體的編碼長度等于其決策變量的個(gè)數(shù)，因?yàn)檫@種編碼

6、方法使用的是決策變[15][16][17]量的真實(shí)值，所以浮點(diǎn)數(shù)編碼方法也叫真值編碼方法。例如，某個(gè)優(yōu)化問題含有3個(gè)變量xi（i=1，2，3），每個(gè)變量在[-1，1]內(nèi)取值，則這個(gè)問題的一個(gè)浮點(diǎn)數(shù)編碼的個(gè)體的基因型可表示為：7重慶大學(xué)碩士學(xué)位論文2遺傳算法及其發(fā)展-0.146130.151530.36432其對(duì)應(yīng)的決策變量為：[-0.14613，0.15153，0.36432]2.1.3.2適應(yīng)度函數(shù)根據(jù)達(dá)爾文進(jìn)化論的觀點(diǎn)，生物體的生存能力取決于它對(duì)周圍環(huán)境的適應(yīng)能力。適應(yīng)能力強(qiáng)的個(gè)體，其生存能力就強(qiáng)，從而比別的個(gè)體以更大的可能性生殖、繁衍到下一代中。反之，其生殖、

7、繁衍到下一代的機(jī)會(huì)就相對(duì)較少，甚至?xí)饾u滅絕。與此相類似，遺傳算法也采用該機(jī)制來決定種群中個(gè)體遺傳到下一代的多少。在遺傳算法中，對(duì)個(gè)體生存能力的大小是通過個(gè)體的適應(yīng)度來描述的，適應(yīng)度就是對(duì)問題目標(biāo)的符合程度。越符合求解目標(biāo)的個(gè)體，其適應(yīng)度就越大，否則，適應(yīng)度就越小。適應(yīng)度是遺傳算法得以進(jìn)行下去的關(guān)鍵。由于有了適應(yīng)度，個(gè)體之間才存在競爭，競爭的結(jié)果就是：生存下來的個(gè)體越來越優(yōu)秀，適應(yīng)度最高的個(gè)體則是最符合求解目標(biāo)的個(gè)體(最優(yōu)解)。度量個(gè)體適應(yīng)度的函數(shù)稱為適應(yīng)度函數(shù)(FitnessFunction)。對(duì)于最優(yōu)化問題來說，適應(yīng)度函數(shù)可以分為以下2類：若目標(biāo)函數(shù)為最小值