基于遗传算法的投资组合模型及实证研究
２．２遗传算法的优点及相关系数
２．２．１遗传算法的特点
遗传算法具有十分顽强的鲁棒性，这是因为比起普通的优化搜索方法，它
参与了许多独特的方法和技术，归纳起来，主要有以下几个方面：
（１）遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体。
此编码操作使得遗传算法可直接对结构对象进行操作。
（２）遗传算法是参与同时处理前提中多个个体的方法，即同时对搜索空间
中的多个解进行评估。更形象地说，遗传算法是并行地爬多个峰。这一特点使遗传算法具有较好的全局搜索功能，减少了陷于局部优解的风险。同时，这使得遗传算法本身也十分易于并行化。
（３）在标准遗传算法中基本不用搜索空间的识或其它辅助信息而仅用适应
度数值来评估个体，并在此基础上进行遗传操作，需要着重提出的是，遗传算法的适应度函数不仅不受连续可微的约束，而且，其定义域可以任意设定。
（４）遗传算法不是采用确定性原则，而是采用概率的变迁规则来指导它的
搜索方向，遗传算法采用概率仅仅是作为一种工具来引导其搜索过程朝着搜索空间的更优化的解区域移动。因此虽然看起来它是一种盲目搜索方法，但实际上有明确的搜索方向。
２．２．２遗传算法的性能评价
ＤｅＪｏｎｇ提出了如下两个评价遗传算法的性能指标：
在线性能由第一代到当前代的平均值表示，设ｘ（ｓ）为环境ｅ下策略ｓ的线
性性能，Ｌ（ｔ）为时刻ｔ或第ｔ代中相应于环境ｅ的目标函数或平均适应度函数，则
删一；毫眦）
在线性能表示了算法从开始运行一直到当前为１匕的时间段内性能值的平均
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库基于遗传算法的投资组合模型及实证研究(17)在线全文阅读。
相关推荐：