⑴ 股票交易算法
我举个例子吧，假如你买了某只股票1000股，成本是10，结果涨到11快，利润就是1000。然后你觉得要逢高减仓，就卖掉500股，但是你的股数虽然少了，但利润不变，也就是，你手上有500股，成本成了9元，利润是1000.
由于你的股数少了，但是要保持你的利润还是1000，只有降低成本，这个系统会自己帮你算的。
你8.30买300股，7.86的时候，亏了大概有4毛，也就是120块，你卖100股，剩200，为了保证你的利润还是 -120，只有拉高成本。 8.586-7.86，亏了大概有6毛，0.6乘以200，还是等于120
⑵ 差分进化算法比遗传算法好在哪
遗传算法 ，差分进化，粒子群，蚁群，模拟退火，人工鱼群，蜂群，果蝇优化等都可以优化svm参数
⑶ Evolutionary Algorithms，Genetic Algorithm 进化算法和遗传算法二者有啥区别
Evolutionary Algorithms：进化算法；
Genetic Algorithm：遗传算法；
进化算法包括遗传算法、进化程序设计、进化规划和进化策略。
基于对生物进化机制的模仿，共产生进化算法的四种典型模型：
①遗传算法 Genetic Algorithm,GA
②进化规划 Evolutionary Programming,EP
③遗传规划 Genetic Programming,GP
④进化策略 Evolution Strategy, ES
虽然这些概念的内涵有一定的差别，它们有各自不同的侧重点，各自有不同的生物进化背景，各自强调了生物进化过程中的不同特性，但本质上都基于进化思想的，都能产生鲁棒性较强的计算机算法，适应面较广，因此又称它们为进化算法或进化计算。
⑷ 高分寻达人分别介绍下遗传算法和演化算法，以及之间的联系和区别
根据阅读的资料，大概有以下判断：
遗传算法是演化算法中的一种。
遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。
遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生存＋检测”的迭代过程的搜索算法。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。 作为一种新的全局优化搜索算法，遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。
遗传算法是基于生物学的，理解或编程都不太难。下面是遗传算法的一般算法：
创建一个随机的初始状态
初始种群是从解中随机选择出来的，将这些解比喻为染色体或基因，该种群被称为第一代，这和符号人工智能系统的情况不一样，在那里问题的初始状态已经给定了。
评估适应度
对每一个解(染色体)指定一个适应度的值，根据问题求解的实际接近程度来指定(以便逼近求解问题的答案)。不要把这些“解”与问题的“答案”混为一谈，可以把它理解成为要得到答案，系统可能需要利用的那些特性。
繁殖(包括子代突变)
带有较高适应度值的那些染色体更可能产生后代(后代产生后也将发生突变)。后代是父母的产物，他们由来自父母的基因结合而成，这个过程被称为“杂交”。
下一代
如果新的一代包含一个解，能产生一个充分接近或等于期望答案的输出，那么问题就已经解决了。如果情况并非如此，新的一代将重复他们父母所进行的繁衍过程，一代一代演化下去，直到达到期望的解为止。
并行计算
非常容易将遗传算法用到并行计算和群集环境中。一种方法是直接把每个节点当成一个并行的种群看待。然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点。另一种方法是“农场主/劳工”体系结构，指定一个节点为“农场主”节点，负责选择有机体和分派适应度的值，另外的节点作为“劳工”节点，负责重新组合、变异和适应度函数的评估。
http://ke..com/view/45853.html
演化算法：
这部分的研究主要是提供具有演化特征的算法，已知的遗传算法是其中之一。许多新的算法正在研究中。由于遗传算法的整体搜索策略和优化计算时不依赖于梯度信息，所以它的应用非常广泛，尤其适合于处理传统搜索方法难以解决的高度复杂的非线性问题。人工生命研究的重要内容就是进化现象，遗传算法是研究进化现象的重要方法之一
我国学者接触这个领域较晚，目前尚未形成声势和有规模的研究队伍。1997年夏天，在中科院基础局、国家科委基础司及中国国际经济及技术交流中心的支持下，由中科院系统科学所和自动化研究所举办了第一次人工生命及进化机器人研讨会[20]。与会者约60人。除去邀请了五位国际知名学者的学术报告之外，国内也有数名学者介绍了相关的研究成果。主要在数字生命、复杂巨系统方面进行了一些研究。据目前了解到的情况，国内尚有一些人在研究演化算法，在人工智能的一本书上有一段介绍人工生命。但对人工社会、人工生态环境及进化机器人等尚无人问津。
http://blog.ustc.e.cn/chujx/archives/000925.html
⑸ 进化计算,遗传算法方面国内知名的 专家及教授都有哪些谢谢
关于“鼎”的来历及作用：鼎本来是古代的烹饪之器，相当于现在的锅，用以炖煮和盛放鱼肉。许慎在《说文解字》里说：“鼎，三足两耳，和五味之宝器也。”有三足圆鼎，也有四足方鼎。最早的鼎是黏土烧制的陶鼎，后来又有了用青铜铸造的铜鼎。传说夏禹曾收九牧之金铸九鼎于荆山之下，以象征九州，并在上面镌刻魑魅魍魉的图形，让人们警惕，防止被其伤害。自从有了禹铸九鼎的传说，鼎就从一般的炊器而发展为传国重器。国灭则鼎迁，夏朝灭，商朝兴，九鼎迁于商都亳（bó）京；商朝灭，周朝兴，九鼎又迁于周都镐（hào）京。历商至周，都把定都或建立王朝称为“定鼎”。
鼎被视为传国重器、国家和权力的象征，“鼎”字也被赋予“显赫”、“ 尊贵”、“盛大”等引申意义，如：一言九鼎、大名鼎鼎、鼎盛时期、鼎力相助，等等。鼎又是旌功记绩的礼器。周代的国君或王公大臣在重大庆典或接受赏赐时都要铸鼎，以记载盛况。这种礼俗至今仍然有一定影响。为庆贺联合国50华诞，中华人民共和国于1995年10月21日在联合国总部，向联合国赠送一尊青铜巨鼎——世纪宝鼎。西藏和平解放50周年庆典之际，中央政府向西藏自治区赠送“民族团结宝鼎”，矗立于拉萨人民会堂广场，象征民族团结和西藏各项事业鼎盛发展。此举意义深远，文化内涵丰厚。
鼎是我国青铜文化的代表。它是文明的见证，也是文化的载体。根据禹铸九鼎的传说，可以推想，我国远在4000多年前就有了青铜的冶炼和铸造技术；从地下发掘的商代大铜鼎，确凿证明我国商代已是高度发达的青铜时代。中国历史博物馆收藏的“司母戊”大方鼎就是商代晚期的青铜鼎，长方、四足，高133厘米，重875公斤，是现存最大的商代青铜器。鼎腹内有“司母戊”三字，是商王为祭祀他的母亲戊而铸造的。清代出土的大盂鼎、大克鼎、毛公鼎和颂鼎等都是西周时期的著名青铜器。鼎和其他青铜器上的铭文记载了商周时代的典章制度和册封、祭祀、征伐等史实，而且把西周时期的大篆文字传给了后世，形成了具有很高审美价值的金文书法艺术，鼎也因此更加身价不凡，成为比其他青铜器更为重要的历史文物。美学家李泽厚认为，中国青铜器以其“特有的三足器——鼎为核心代表，器制沉雄厚实，纹饰狞厉神秘，刻镂深重凸出”，是我国青铜艺术成熟期最具审美价值的青铜艺术品。
现代汉字中的“鼎”字虽然经过了甲骨文、金文、小篆、隶书等多次变化，但仍然保留着“鼎”这一事物的风范和形体特点，其物其字几乎融为一体，都有着丰富的文化内涵。
⑹ 差分进化算法和遗传算法有甚么区分
遗传:生物亲代与子代之间、子代体之间类似现象.
父母基因特点传给子女进化:专指生物由简单复杂、由低级高级发展变化又称作演变作算法而言也与之类似根据限制条件使部份特性满足者继续遗传特性便成进化因此遗传进化基础遗传包括于进化遗传进化必要条件
⑺ 【遗传与进化】关于正反交的问题。急急急!!!!
你仔细看一下我的解释，有疑问再问。
黄色和灰色杂交如果后代都是黄色，并不可以说明黄色是显性。（有时群体很小，黄Aa和灰aa杂交下一代可能都是aa。）
雌黄和雄灰杂交后代雌的都是灰的、雄的都是黄的，这倒可以说明黄色是伴X显性。
⑻ 股票交易模型如何进化
首先，你要考虑交易模型的成功率。当成功率做上去以后，就考虑模型对资金的规模要求，找到临界点，不断的修复放大。
单一模型，做出来意义不大！！！
⑼ 遗传算法的运算过程
遗传操作是模拟生物基因遗传的做法。在遗传算法中，通过编码组成初始群体后，遗传操作的任务就是对群体的个体按照它们对环境适应度(适应度评估)施加一定的操作，从而实现优胜劣汰的进化过程。从优化搜索的角度而言，遗传操作可使问题的解，一代又一代地优化，并逼近最优解。
遗传操作包括以下三个基本遗传算子(genetic operator):选择(selection)；交叉(crossover)；变异(mutation)。这三个遗传算子有如下特点：
个体遗传算子的操作都是在随机扰动情况下进行的。因此，群体中个体向最优解迁移的规则是随机的。需要强调的是，这种随机化操作和传统的随机搜索方法是有区别的。遗传操作进行的高效有向的搜索而不是如一般随机搜索方法所进行的无向搜索。
遗传操作的效果和上述三个遗传算子所取的操作概率，编码方法，群体大小，初始群体以及适应度函数的设定密切相关。 从群体中选择优胜的个体，淘汰劣质个体的操作叫选择。选择算子有时又称为再生算子(reproction operator)。选择的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的，目前常用的选择算子有以下几种：适应度比例方法、随机遍历抽样法、局部选择法。
其中轮盘赌选择法 （roulette wheel selection）是最简单也是最常用的选择方法。在该方法中，各个个体的选择概率和其适应度值成比例。设群体大小为n，其中个体i的适应度为，则i 被选择的概率，为遗传算法
显然，概率反映了个体i的适应度在整个群体的个体适应度总和中所占的比例。个体适应度越大。其被选择的概率就越高、反之亦然。计算出群体中各个个体的选择概率后，为了选择交配个体，需要进行多轮选择。每一轮产生一个[0，1]之间均匀随机数，将该随机数作为选择指针来确定被选个体。个体被选后，可随机地组成交配对，以供后面的交叉操作。 在自然界生物进化过程中起核心作用的是生物遗传基因的重组(加上变异)。同样，遗传算法中起核心作用的是遗传操作的交叉算子。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉，遗传算法的搜索能力得以飞跃提高。
交叉算子根据交叉率将种群中的两个个体随机地交换某些基因，能够产生新的基因组合，期望将有益基因组合在一起。根据编码表示方法的不同，可以有以下的算法：
a)实值重组（real valued recombination）
1)离散重组（discrete recombination）
2)中间重组（intermediate recombination）
3)线性重组（linear recombination）
4)扩展线性重组（extended linear recombination）。
b)二进制交叉（binary valued crossover）
1)单点交叉（single-point crossover）
2)多点交叉（multiple-point crossover）
3)均匀交叉（uniform crossover）
4)洗牌交叉（shuffle crossover）
5)缩小代理交叉（crossover with reced surrogate）。
最常用的交叉算子为单点交叉(one-point crossover)。具体操作是:在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新个体。下面给出了单点交叉的一个例子：
个体A：1 0 0 1 ↑1 1 1 → 1 0 0 1 0 0 0 新个体
个体B：0 0 1 1 ↑0 0 0 → 0 0 1 1 1 1 1 新个体 变异算子的基本内容是对群体中的个体串的某些基因座上的基因值作变动。依据个体编码表示方法的不同，可以有以下的算法：
a)实值变异
b)二进制变异。
一般来说，变异算子操作的基本步骤如下：
a)对群中所有个体以事先设定的变异概率判断是否进行变异
b)对进行变异的个体随机选择变异位进行变异。
遗传算法引入变异的目的有两个:一是使遗传算法具有局部的随机搜索能力。当遗传算法通过交叉算子已接近最优解邻域时，利用变异算子的这种局部随机搜索能力可以加速向最优解收敛。显然，此种情况下的变异概率应取较小值，否则接近最优解的积木块会因变异而遭到破坏。二是使遗传算法可维持群体多样性，以防止出现未成熟收敛现象。此时收敛概率应取较大值。
遗传算法中，交叉算子因其全局搜索能力而作为主要算子，变异算子因其局部搜索能力而作为辅助算子。遗传算法通过交叉和变异这对相互配合又相互竞争的操作而使其具备兼顾全局和局部的均衡搜索能力。所谓相互配合.是指当群体在进化中陷于搜索空间中某个超平面而仅靠交叉不能摆脱时，通过变异操作可有助于这种摆脱。所谓相互竞争，是指当通过交叉已形成所期望的积木块时，变异操作有可能破坏这些积木块。如何有效地配合使用交叉和变异操作，是目前遗传算法的一个重要研究内容。
基本变异算子是指对群体中的个体码串随机挑选一个或多个基因座并对这些基因座的基因值做变动(以变异概率P.做变动)，(0，1)二值码串中的基本变异操作如下：
基因位下方标有*号的基因发生变异。
变异率的选取一般受种群大小、染色体长度等因素的影响，通常选取很小的值，一般取0.001－0.1。 当最优个体的适应度达到给定的阈值，或者最优个体的适应度和群体适应度不再上升时，或者迭代次数达到预设的代数时，算法终止。预设的代数一般设置为100-500代。
