⑴ 股票交易演算法
我舉個例子吧，假如你買了某隻股票1000股，成本是10，結果漲到11快，利潤就是1000。然後你覺得要逢高減倉，就賣掉500股，但是你的股數雖然少了，但利潤不變，也就是，你手上有500股，成本成了9元，利潤是1000.
由於你的股數少了，但是要保持你的利潤還是1000，只有降低成本，這個系統會自己幫你算的。
你8.30買300股，7.86的時候，虧了大概有4毛，也就是120塊，你賣100股，剩200，為了保證你的利潤還是 -120，只有拉高成本。 8.586-7.86，虧了大概有6毛，0.6乘以200，還是等於120
⑵ 差分進化演算法比遺傳演算法好在哪
遺傳演算法 ，差分進化，粒子群，蟻群，模擬退火，人工魚群，蜂群，果蠅優化等都可以優化svm參數
⑶ Evolutionary Algorithms，Genetic Algorithm 進化演算法和遺傳演算法二者有啥區別
Evolutionary Algorithms：進化演算法；
Genetic Algorithm：遺傳演算法；
進化演算法包括遺傳演算法、進化程序設計、進化規劃和進化策略。
基於對生物進化機制的模仿，共產生進化演算法的四種典型模型：
①遺傳演算法 Genetic Algorithm,GA
②進化規劃 Evolutionary Programming,EP
③遺傳規劃 Genetic Programming,GP
④進化策略 Evolution Strategy, ES
雖然這些概念的內涵有一定的差別，它們有各自不同的側重點，各自有不同的生物進化背景，各自強調了生物進化過程中的不同特性，但本質上都基於進化思想的，都能產生魯棒性較強的計算機演算法，適應面較廣，因此又稱它們為進化演算法或進化計算。
⑷ 高分尋達人分別介紹下遺傳演算法和演化演算法，以及之間的聯系和區別
根據閱讀的資料，大概有以下判斷：
遺傳演算法是演化演算法中的一種。
遺傳演算法（Genetic Algorithm）是一類借鑒生物界的進化規律（適者生存，優勝劣汰遺傳機制）演化而來的隨機化搜索方法。它是由美國的J.Holland教授1975年首先提出，其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有內在的隱並行性和更好的全局尋優能力；採用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。遺傳演算法的這些性質，已被人們廣泛地應用於組合優化、機器學習、信號處理、自適應控制和人工生命等領域。它是現代有關智能計算中的關鍵技術。
遺傳演算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型。它的思想源於生物遺傳學和適者生存的自然規律，是具有「生存＋檢測」的迭代過程的搜索演算法。遺傳演算法以一種群體中的所有個體為對象，並利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中，選擇、交叉和變異構成了遺傳演算法的遺傳操作；參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定五個要素組成了遺傳演算法的核心內容。 作為一種新的全局優化搜索演算法，遺傳演算法以其簡單通用、魯棒性強、適於並行處理以及高效、實用等顯著特點，在各個領域得到了廣泛應用，取得了良好效果，並逐漸成為重要的智能演算法之一。
遺傳演算法是基於生物學的，理解或編程都不太難。下面是遺傳演算法的一般演算法：
創建一個隨機的初始狀態
初始種群是從解中隨機選擇出來的，將這些解比喻為染色體或基因，該種群被稱為第一代，這和符號人工智慧系統的情況不一樣，在那裡問題的初始狀態已經給定了。
評估適應度
對每一個解(染色體)指定一個適應度的值，根據問題求解的實際接近程度來指定(以便逼近求解問題的答案)。不要把這些「解」與問題的「答案」混為一談，可以把它理解成為要得到答案，系統可能需要利用的那些特性。
繁殖(包括子代突變)
帶有較高適應度值的那些染色體更可能產生後代(後代產生後也將發生突變)。後代是父母的產物，他們由來自父母的基因結合而成，這個過程被稱為「雜交」。
下一代
如果新的一代包含一個解，能產生一個充分接近或等於期望答案的輸出，那麼問題就已經解決了。如果情況並非如此，新的一代將重復他們父母所進行的繁衍過程，一代一代演化下去，直到達到期望的解為止。
並行計算
非常容易將遺傳演算法用到並行計算和群集環境中。一種方法是直接把每個節點當成一個並行的種群看待。然後有機體根據不同的繁殖方法從一個節點遷移到另一個節點。另一種方法是「農場主/勞工」體系結構，指定一個節點為「農場主」節點，負責選擇有機體和分派適應度的值，另外的節點作為「勞工」節點，負責重新組合、變異和適應度函數的評估。
http://ke..com/view/45853.html
演化演算法：
這部分的研究主要是提供具有演化特徵的演算法，已知的遺傳演算法是其中之一。許多新的演算法正在研究中。由於遺傳演算法的整體搜索策略和優化計算時不依賴於梯度信息，所以它的應用非常廣泛，尤其適合於處理傳統搜索方法難以解決的高度復雜的非線性問題。人工生命研究的重要內容就是進化現象，遺傳演算法是研究進化現象的重要方法之一
我國學者接觸這個領域較晚，目前尚未形成聲勢和有規模的研究隊伍。1997年夏天，在中科院基礎局、國家科委基礎司及中國國際經濟及技術交流中心的支持下，由中科院系統科學所和自動化研究所舉辦了第一次人工生命及進化機器人研討會[20]。與會者約60人。除去邀請了五位國際知名學者的學術報告之外，國內也有數名學者介紹了相關的研究成果。主要在數字生命、復雜巨系統方面進行了一些研究。據目前了解到的情況，國內尚有一些人在研究演化演算法，在人工智慧的一本書上有一段介紹人工生命。但對人工社會、人工生態環境及進化機器人等尚無人問津。
http://blog.ustc.e.cn/chujx/archives/000925.html
⑸ 進化計算,遺傳演算法方面國內知名的 專家及教授都有哪些謝謝
關於「鼎」的來歷及作用：鼎本來是古代的烹飪之器，相當於現在的鍋，用以燉煮和盛放魚肉。許慎在《說文解字》里說：「鼎，三足兩耳，和五味之寶器也。」有三足圓鼎，也有四足方鼎。最早的鼎是黏土燒制的陶鼎，後來又有了用青銅鑄造的銅鼎。傳說夏禹曾收九牧之金鑄九鼎於荊山之下，以象徵九州，並在上面鐫刻魑魅魍魎的圖形，讓人們警惕，防止被其傷害。自從有了禹鑄九鼎的傳說，鼎就從一般的炊器而發展為傳國重器。國滅則鼎遷，夏朝滅，商朝興，九鼎遷於商都亳（bó）京；商朝滅，周朝興，九鼎又遷於周都鎬（hào）京。歷商至周，都把定都或建立王朝稱為「定鼎」。
鼎被視為傳國重器、國家和權力的象徵，「鼎」字也被賦予「顯赫」、「 尊貴」、「盛大」等引申意義，如：一言九鼎、大名鼎鼎、鼎盛時期、鼎力相助，等等。鼎又是旌功記績的禮器。周代的國君或王公大臣在重大慶典或接受賞賜時都要鑄鼎，以記載盛況。這種禮俗至今仍然有一定影響。為慶賀聯合國50華誕，中華人民共和國於1995年10月21日在聯合國總部，向聯合國贈送一尊青銅巨鼎——世紀寶鼎。西藏和平解放50周年慶典之際，中央政府向西藏自治區贈送「民族團結寶鼎」，矗立於拉薩人民會堂廣場，象徵民族團結和西藏各項事業鼎盛發展。此舉意義深遠，文化內涵豐厚。
鼎是我國青銅文化的代表。它是文明的見證，也是文化的載體。根據禹鑄九鼎的傳說，可以推想，我國遠在4000多年前就有了青銅的冶煉和鑄造技術；從地下發掘的商代大銅鼎，確鑿證明我國商代已是高度發達的青銅時代。中國歷史博物館收藏的「司母戊」大方鼎就是商代晚期的青銅鼎，長方、四足，高133厘米，重875公斤，是現存最大的商代青銅器。鼎腹內有「司母戊」三字，是商王為祭祀他的母親戊而鑄造的。清代出土的大盂鼎、大克鼎、毛公鼎和頌鼎等都是西周時期的著名青銅器。鼎和其他青銅器上的銘文記載了商周時代的典章制度和冊封、祭祀、征伐等史實，而且把西周時期的大篆文字傳給了後世，形成了具有很高審美價值的金文書法藝術，鼎也因此更加身價不凡，成為比其他青銅器更為重要的歷史文物。美學家李澤厚認為，中國青銅器以其「特有的三足器——鼎為核心代表，器制沉雄厚實，紋飾獰厲神秘，刻鏤深重凸出」，是我國青銅藝術成熟期最具審美價值的青銅藝術品。
現代漢字中的「鼎」字雖然經過了甲骨文、金文、小篆、隸書等多次變化，但仍然保留著「鼎」這一事物的風范和形體特點，其物其字幾乎融為一體，都有著豐富的文化內涵。
⑹ 差分進化演算法和遺傳演算法有甚麼區分
遺傳:生物親代與子代之間、子代體之間類似現象.
父母基因特點傳給子女進化:專指生物由簡單復雜、由低級高級發展變化又稱作演變作演算法而言也與之類似根據限制條件使部份特性滿足者繼續遺傳特性便成進化因此遺傳進化基礎遺傳包括於進化遺傳進化必要條件
⑺ 【遺傳與進化】關於正反交的問題。急急急!!!!
你仔細看一下我的解釋，有疑問再問。
黃色和灰色雜交如果後代都是黃色，並不可以說明黃色是顯性。（有時群體很小，黃Aa和灰aa雜交下一代可能都是aa。）
雌黃和雄灰雜交後代雌的都是灰的、雄的都是黃的，這倒可以說明黃色是伴X顯性。
⑻ 股票交易模型如何進化
首先，你要考慮交易模型的成功率。當成功率做上去以後，就考慮模型對資金的規模要求，找到臨界點，不斷的修復放大。
單一模型，做出來意義不大！！！
⑼ 遺傳演算法的運算過程
遺傳操作是模擬生物基因遺傳的做法。在遺傳演算法中，通過編碼組成初始群體後，遺傳操作的任務就是對群體的個體按照它們對環境適應度(適應度評估)施加一定的操作，從而實現優勝劣汰的進化過程。從優化搜索的角度而言，遺傳操作可使問題的解，一代又一代地優化，並逼近最優解。
遺傳操作包括以下三個基本遺傳運算元(genetic operator):選擇(selection)；交叉(crossover)；變異(mutation)。這三個遺傳運算元有如下特點：
個體遺傳運算元的操作都是在隨機擾動情況下進行的。因此，群體中個體向最優解遷移的規則是隨機的。需要強調的是，這種隨機化操作和傳統的隨機搜索方法是有區別的。遺傳操作進行的高效有向的搜索而不是如一般隨機搜索方法所進行的無向搜索。
遺傳操作的效果和上述三個遺傳運算元所取的操作概率，編碼方法，群體大小，初始群體以及適應度函數的設定密切相關。 從群體中選擇優勝的個體，淘汰劣質個體的操作叫選擇。選擇運算元有時又稱為再生運算元(reproction operator)。選擇的目的是把優化的個體(或解)直接遺傳到下一代或通過配對交叉產生新的個體再遺傳到下一代。選擇操作是建立在群體中個體的適應度評估基礎上的，目前常用的選擇運算元有以下幾種：適應度比例方法、隨機遍歷抽樣法、局部選擇法。
其中輪盤賭選擇法 （roulette wheel selection）是最簡單也是最常用的選擇方法。在該方法中，各個個體的選擇概率和其適應度值成比例。設群體大小為n，其中個體i的適應度為，則i 被選擇的概率，為遺傳演算法
顯然，概率反映了個體i的適應度在整個群體的個體適應度總和中所佔的比例。個體適應度越大。其被選擇的概率就越高、反之亦然。計算出群體中各個個體的選擇概率後，為了選擇交配個體，需要進行多輪選擇。每一輪產生一個[0，1]之間均勻隨機數，將該隨機數作為選擇指針來確定被選個體。個體被選後，可隨機地組成交配對，以供後面的交叉操作。 在自然界生物進化過程中起核心作用的是生物遺傳基因的重組(加上變異)。同樣，遺傳演算法中起核心作用的是遺傳操作的交叉運算元。所謂交叉是指把兩個父代個體的部分結構加以替換重組而生成新個體的操作。通過交叉，遺傳演算法的搜索能力得以飛躍提高。
交叉運算元根據交叉率將種群中的兩個個體隨機地交換某些基因，能夠產生新的基因組合，期望將有益基因組合在一起。根據編碼表示方法的不同，可以有以下的演算法：
a)實值重組（real valued recombination）
1)離散重組（discrete recombination）
2)中間重組（intermediate recombination）
3)線性重組（linear recombination）
4)擴展線性重組（extended linear recombination）。
b)二進制交叉（binary valued crossover）
1)單點交叉（single-point crossover）
2)多點交叉（multiple-point crossover）
3)均勻交叉（uniform crossover）
4)洗牌交叉（shuffle crossover）
5)縮小代理交叉（crossover with reced surrogate）。
最常用的交叉運算元為單點交叉(one-point crossover)。具體操作是:在個體串中隨機設定一個交叉點，實行交叉時，該點前或後的兩個個體的部分結構進行互換，並生成兩個新個體。下面給出了單點交叉的一個例子：
個體A：1 0 0 1 ↑1 1 1 → 1 0 0 1 0 0 0 新個體
個體B：0 0 1 1 ↑0 0 0 → 0 0 1 1 1 1 1 新個體 變異運算元的基本內容是對群體中的個體串的某些基因座上的基因值作變動。依據個體編碼表示方法的不同，可以有以下的演算法：
a)實值變異
b)二進制變異。
一般來說，變異運算元操作的基本步驟如下：
a)對群中所有個體以事先設定的變異概率判斷是否進行變異
b)對進行變異的個體隨機選擇變異位進行變異。
遺傳演算法引入變異的目的有兩個:一是使遺傳演算法具有局部的隨機搜索能力。當遺傳演算法通過交叉運算元已接近最優解鄰域時，利用變異運算元的這種局部隨機搜索能力可以加速向最優解收斂。顯然，此種情況下的變異概率應取較小值，否則接近最優解的積木塊會因變異而遭到破壞。二是使遺傳演算法可維持群體多樣性，以防止出現未成熟收斂現象。此時收斂概率應取較大值。
遺傳演算法中，交叉運算元因其全局搜索能力而作為主要運算元，變異運算元因其局部搜索能力而作為輔助運算元。遺傳演算法通過交叉和變異這對相互配合又相互競爭的操作而使其具備兼顧全局和局部的均衡搜索能力。所謂相互配合.是指當群體在進化中陷於搜索空間中某個超平面而僅靠交叉不能擺脫時，通過變異操作可有助於這種擺脫。所謂相互競爭，是指當通過交叉已形成所期望的積木塊時，變異操作有可能破壞這些積木塊。如何有效地配合使用交叉和變異操作，是目前遺傳演算法的一個重要研究內容。
基本變異運算元是指對群體中的個體碼串隨機挑選一個或多個基因座並對這些基因座的基因值做變動(以變異概率P.做變動)，(0，1)二值碼串中的基本變異操作如下：
基因位下方標有*號的基因發生變異。
變異率的選取一般受種群大小、染色體長度等因素的影響，通常選取很小的值，一般取0.001－0.1。 當最優個體的適應度達到給定的閾值，或者最優個體的適應度和群體適應度不再上升時，或者迭代次數達到預設的代數時，演算法終止。預設的代數一般設置為100-500代。
