投资组合问题在金融投资决策领域有着广泛的应用,多年来一直是研究的热点。传统的算法对问题的约束条件要求比较严格,且很难处理大规模的问题,而现有的启发式算法虽然求解时间较短,但往往存在解质量效率低下的缺点。随着遗传算法的发展,它已被应用到这一问题的求解。已有结果表明,遗传算法可以很好地兼顾运算效率和解质量效率这两方面的要求,在解决投资组合问题上具有很好的发展前途。本文在广泛深入地查阅国内外文献的基础上,对遗传算法的基础理论和方法进行了深入的理论研究,并应用遗传算法对投资组合问题进行了实验分析。在经典投资组合模型的基础上,通过对实际情况的研究,加入了相应的约束构成新的投资组合问题模型,使之更具备实用性。通过对模型特征的分析,设计了相应的遗传算法进行求解,并取得了较好的效果。主要内容如下:1.系统、详尽的介绍了遗传算法的一般流程和基本理论、方法;2.简要介绍了投资组合问题及其起源和发展历史,归纳总结了其求解方法;3.为了提高投资组合问题的实用性,在现有的模型和算法基础上,提出了多目标遗传算法来解决带有最小交易量和固定交易费用的投资组合问题。模型以期望收益和方差为目标函数,对最小交易量和交易费用进行了约束,形成了新的更具实用性的模型。该模型是一个多目标规划问题,通过对现有算法的做出一些调整,设计了基于NSGA-II的多目标遗传算法进行求解,通过对多个实例的计算证明了该算法对大多数问题具有更好的效果。