本发明专利技术提供了一种大规模多目标优化的股票产品推送方法及装置，所述方法包括：根据多目标优化参数产生第一初始种群，包括多个抗体，所述抗体包括大规模数量的股票产品，所述目标优化参数包括收益率和风险；对所述第一初始种群进行第一迭代并对第一迭代得到的下一代种群重复执行第一迭代直至达到第一预设阈值；对经过第一预设阈值的第一迭代得到的种群重复执行第二迭代直至达到第二预设阈值得到最优股票产品组合，将所述最优股票产品组合推送至用户终端，所述第二迭代包括：通过预设嵌入式多目标优化算法对当前种群进行优化，提高收敛精度，缩短优化时间。缩短优化时间。缩短优化时间。
【技术实现步骤摘要】
大规模多目标优化的股票产品推送方法及装置
[0001]本专利技术涉及多目标优化
，尤其涉及一种大规模多目标优化的股票产品推送方法及装置。
技术介绍
[0002]多目标优化问题已经在各个领域都普遍存在，求解多目标优化问题的方法有多种，比如混沌遗传算法等。现有的遗传算法虽然能够在多维目标空间中寻找最优解，但在面对复杂且多维的大规模(决策变量维度D大于100)多目标优化问题时，存在收敛精度不够或优化时间长的问题。
技术实现思路
[0003]本专利技术的一个目的在于提供一种大规模多目标优化的股票产品推送方法，解决多目标优化过程中收敛精度不够或优化时间长的问题。本专利技术的另一个目的在于提供一种大规模多目标优化的股票产品推送装置。本专利技术的再一个目的在于提供一种计算机设备。本专利技术的还一个目的在于提供一种可读介质。
[0004]为了达到以上目的，本专利技术一方面公开了一种大规模多目标优化的股票产品推送方法，包括：
[0005]根据多目标优化参数产生第一初始种群，所述第一初始种群中包括多个抗体，所述抗体包括大规模数量的股票产品，所述目标优化参数包括收益率和风险；
[0006]对所述第一初始种群进行第一迭代并对第一迭代得到的下一代种群重复执行第一迭代直至达到第一预设阈值，所述第一迭代包括：对当前种群中的每个抗体进行克隆及自适应变异以更新种群中的每个抗体，将决策空间降维，根据降维后的决策空间确定多个抗体为拟最优解，根据所述当前种群和所述拟最优解生成下一代种群；
[0007]对经过第一预设阈值的第一迭代得到的种群重复执行第二迭代直至达到第二预设阈值得到最优股票产品组合，将所述最优股票产品组合推送至用户终端，所述第二迭代包括：通过预设嵌入式多目标优化算法对当前种群进行优化。
[0008]优选的，所述根据多目标优化参数产生第一初始种群包括：
[0009]根据大规模多目标优化问题确定所述第一初始种群中抗体的上界约束和下界约束；
[0010]生成所述上界约束和所述下界约束的矢量间的随机值；
[0011]根据所述多目标优化参数中的种群大小和决策变量维度基于所述随机值形成所述第一初始种群的种群矩阵，所述种群矩阵中的每一个行向量为一个抗体。
[0012]优选的，所述对当前种群中的每个抗体进行克隆及自适应变异以更新种群中的每个抗体具体包括：
[0013]对所述当前种群中的每个抗体进行克隆得到多个克隆抗体；
[0014]通过自适应超变异概率对所有克隆抗体进行变异；
[0015]通过闵可夫斯基距离公式计算每个克隆抗体到预设前沿面的距离，根据所述距离确定保留所述克隆抗体或者所述抗体以更新种群中的每个抗体。
[0016]优选的，进一步包括在对当前种群中的每个抗体进行克隆及自适应变异以更新种群中的每个抗体，之前：
[0017]从预设均匀的最优前沿面参考点中每隔预设数量的参考点选取一个参考点，得到参考点集合；
[0018]将所述预设均匀的最优前沿面参考点的边界参考点写入所述参考点集合得到所述预设前沿面。
[0019]优选的，所述将决策空间降维具体包括：
[0020]确定决策空间的最高边界点和最低边界点指向决策空间的参考解的两个向量；
[0021]根据两个权重向量分别形成所述两个向量上的任意解表达式；
[0022]根据预设参考解集和所述两个向量上的任意解表达式得到每个参考解的两个子问题，根据所述参考解集和每个参考解的两个子问题重构决策空间。
[0023]优选的，所述根据降维后的决策空间确定多个抗体为拟最优解，根据所述当前种群和所述拟最优解生成下一代种群具体包括：
[0024]通过超体积指标确定所述当前种群中抗体的个体适应度；
[0025]根据所有抗体的个体适应度确定拟最优解；
[0026]将所述拟最优解和所述当前种群进行快速非支配排序与拥挤距离计算，生成下一代种群。
[0027]优选的，所述通过预设嵌入式多目标优化算法对当前种群进行优化具体包括：
[0028]将所述当前种群放入二元锦标赛中，根据二元锦标赛的选择策略从当前种群中取出多个抽样抗体；
[0029]从所述多个抽样抗体中选择最优个体保留至下一代种群中；
[0030]重复选择所述最优个体至下一代种群中直至所述下一代种群的抗体数量达到所述当前种群的抗体数量。
[0031]本专利技术还公开了一种大规模多目标优化的股票产品推送装置，包括：
[0032]初始化模块，用于根据多目标优化参数产生第一初始种群，所述第一初始种群中包括多个抗体，所述抗体包括大规模数量的股票产品，所述目标优化参数包括收益率和风险；
[0033]第一迭代模块，用于对所述第一初始种群进行第一迭代并对第一迭代得到的下一代种群重复执行第一迭代直至达到第一预设阈值，所述第一迭代包括：对当前种群中的每个抗体进行克隆及自适应变异以更新种群中的每个抗体，将决策空间降维，根据降维后的决策空间确定多个抗体为拟最优解，根据所述当前种群和所述拟最优解生成下一代种群；
[0034]第二迭代模块，用于对经过第一预设阈值的第一迭代得到的种群重复执行第二迭代直至达到第二预设阈值得到最优股票产品组合，将所述最优股票产品组合推送至用户终端，所述第二迭代包括：通过预设嵌入式多目标优化算法对当前种群进行优化。
[0035]本专利技术还公开了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，
[0036]所述处理器执行所述程序时实现如上所述方法。
[0037]本专利技术还公开了一种计算机可读介质，其上存储有计算机程序，
[0038]该程序被处理器执行时实现如上所述方法。
[0039]本专利技术大规模多目标优化的股票产品推送方法根据多目标优化参数产生第一初始种群，所述第一初始种群中包括多个抗体，所述抗体包括大规模数量的股票产品，所述目标优化参数包括收益率和风险；对所述第一初始种群进行第一迭代并对第一迭代得到的下一代种群重复执行第一迭代直至达到第一预设阈值，所述第一迭代包括：对当前种群中的每个抗体进行克隆及自适应变异以更新种群中的每个抗体，将决策空间降维，根据降维后的决策空间确定多个抗体为拟最优解，根据所述当前种群和所述拟最优解生成下一代种群；对经过第一预设阈值的第一迭代得到的种群重复执行第二迭代直至达到第二预设阈值得到最优股票产品组合，将所述最优股票产品组合推送至用户终端，所述第二迭代包括：通过预设嵌入式多目标优化算法对当前种群进行优化。由此可知，本专利技术通过第一迭代和第二迭代两个阶段解决大规模多目标优化问题，其中在第一迭代过程中，通过抗体克隆和自适应变异更新种群中的抗体，并将决策空间降维，以将多目标优化问题转化为单目标优化问题。在第一迭代过程结束后，进一步通过第二迭代的嵌入式多目标优化算法对当前种群进行优化，提高收敛精度，缩短优化时间，通过基于自适应免疫算法的大规模多目标优化算法确定最优的股票产品组合，并将最优股票产本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种大规模多目标优化的股票产品推送方法，其特征在于，包括：根据多目标优化参数产生第一初始种群，所述第一初始种群中包括多个抗体，所述抗体包括大规模数量的股票产品，所述目标优化参数包括收益率和风险；对所述第一初始种群进行第一迭代并对第一迭代得到的下一代种群重复执行第一迭代直至达到第一预设阈值，所述第一迭代包括：对当前种群中的每个抗体进行克隆及自适应变异以更新种群中的每个抗体，将决策空间降维，根据降维后的决策空间确定多个抗体为拟最优解，根据所述当前种群和所述拟最优解生成下一代种群；对经过第一预设阈值的第一迭代得到的种群重复执行第二迭代直至达到第二预设阈值得到最优股票产品组合，将所述最优股票产品组合推送至用户终端，所述第二迭代包括：通过预设嵌入式多目标优化算法对当前种群进行优化。2.根据权利要求1所述的大规模多目标优化的股票产品推送方法，其特征在于，所述根据多目标优化参数产生第一初始种群包括：根据大规模多目标优化问题确定所述第一初始种群中抗体的上界约束和下界约束；生成所述上界约束和所述下界约束的矢量间的随机值；根据所述多目标优化参数中的种群大小和决策变量维度基于所述随机值形成所述第一初始种群的种群矩阵，所述种群矩阵中的每一个行向量为一个抗体。3.根据权利要求1所述的大规模多目标优化的股票产品推送方法，其特征在于，所述对当前种群中的每个抗体进行克隆及自适应变异以更新种群中的每个抗体具体包括：对所述当前种群中的每个抗体进行克隆得到多个克隆抗体；通过自适应超变异概率对所有克隆抗体进行变异；通过闵可夫斯基距离公式计算每个克隆抗体到预设前沿面的距离，根据所述距离确定保留所述克隆抗体或者所述抗体以更新种群中的每个抗体。4.根据权利要求3所述的大规模多目标优化的股票产品推送方法，其特征在于，进一步包括在对当前种群中的每个抗体进行克隆及自适应变异以更新种群中的每个抗体，之前：从预设均匀的最优前沿面参考点中每隔预设数量的参考点选取一个参考点，得到参考点集合；将所述预设均匀的最优前沿面参考点的边界参考点写入所述参考点集合得到所述预设前沿面。5.根据权利要求1所述的大规模多目标优化的股票产品推送方法，其特征在于，所述将决策空间降维具体包括：确定决策空间的最高边界点和最低边界点指向决策空间的参考解的两个向量；根据两个权重向量分别形成所述两个...
【专利技术属性】
技术研发人员：杨珍，蒋云良，张晟滔，张杰，李旭阳，李婉晴，
申请(专利权)人：湖州学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。