Optimality of solution foundWe did

Optimality of solution found
We did several experiments and while using the abovegiven parameters, the hybrid genetic algorithm was able to find the solution presented in Table 3, no matter which of
the two crossover operators was applied.
Both the company names and their weight value in the optimal tracking portfolio
are given.
We observe that, according to what may be expected, the stocks selected for our optimal tracking portfolio coincide with the larger stocks of the AEX-index.
In addition we note that the minimum weight in the tracking portfolio(that of AHOLD shares) is around 4,7% and the maximum weight (that of Unilever stocks) somewhat less than 14,5%.
Since the AEX-index consists of 25 stocks and is replicated by using just 10 stocks, we have also been able to check whether the GA tracker found is indeed the optimal
portfolio with respect to the training data.
We tried all possible combinations of 10 stocks out of 25 and calculated,based on the training data, the corresponding minimum expected tracking error as given by (2).
The best solution found appeared to coincide with the solution found by hybrid GA.
So, an important first conclusion of our experiments is that the hybrid GA is able to consistently find the optimal solution.

ผลลัพธ์ (ไทย) 1:

Optimality พบโซลูชัน
เราได้ทดลองหลาย และในขณะที่ใช้พารามิเตอร์ abovegiven อัลกอริทึมทางพันธุกรรมแบบผสมผสานสามารถค้นหาการแก้ปัญหาที่แสดงในตาราง 3 ว่าที่
ตัวไขว้สองถูกนำไปใช้
ทั้งชื่อบริษัทและค่าน้ำหนักของพวกเขาในการติดตามที่ดีที่สุด
ได้
เราสังเกตที่ ตามอาจคาดหวัง สิ่ง หุ้นที่เลือกสำหรับผลงานการติดตามที่เหมาะสมสอดคล้องกับหุ้นขนาดใหญ่ของ AEX-ดัชนี
นอกจากนี้เราทราบว่า น้ำหนักขั้นต่ำในการติดตามผลงาน (ที่ของ AHOLD หุ้น) เป็น 4,7% และสูงสุดน้ำหนัก (ที่หุ้นยูนิลีเวอร์) ค่อนข้างน้อย กว่าดัชนี AEX 14,5%.
Since จำนวน 25 หุ้นจำลองโดยหุ้น 10 เรายังได้สามารถตรวจสอบว่า tracker GA ที่พบแน่นอนสุด
ผลงานเกี่ยวกับข้อมูลการฝึกอบรม
เราลองชุดได้ทั้งหมดของหุ้น 10 จาก 25 และคำนวณ ตามข้อมูลการฝึกอบรม ต่ำสุดที่เกี่ยวข้องคาดว่าข้อผิดพลาดการติดตามที่กำหนดตาม (2)
การแก้ปัญหาที่ดีที่สุดพบปรากฏขึ้นร่วมกับพบ โดยไฮบริ GA.
ดังนั้น บทสรุปแรกที่สำคัญของการทดลองของเราคือว่า ไฮบริ GA สามารถที่จะหาทางออกดีที่สุดอย่างสม่ำเสมอ

ผลลัพธ์ (ไทย) 3:

คุณภาพของโซลูชั่นที่พบ
เราทำการทดลองหลายและในขณะที่ใช้พารามิเตอร์ abovegiven , จีเนติกอัลกอริทึมไฮบริดสามารถหาโซลูชั่นที่แสดงในตารางที่ 3 ไม่ว่า
สองแบบคือผู้ประกอบการที่ใช้
ทั้งชื่อ บริษัท และค่าน้ำหนักของพวกเขาใน
ติดตามผลงานที่เหมาะสมจะได้รับ
เราสังเกตว่า จากสิ่งที่อาจจะคาดหวังหุ้นที่เลือกที่เหมาะสมสำหรับการติดตามผลงานของเราตรงกับขนาดใหญ่หุ้นของดัชนีอุตสาหกรรม .
นอกจากที่เราทราบว่ามีน้ำหนักน้อยในการติดตามผลงาน ( ที่ตัวหุ้น ) ประมาณ 4,7 % และน้ำหนักสูงสุด ( ของหุ้นยูนิลิเวอร์ ) ค่อนข้างน้อยกว่า 14,5 %
เนื่องจากดัชนีอุตสาหกรรมประกอบด้วย 25 หุ้น และจำนวน โดยใช้แค่ 10 หุ้นเรายังสามารถที่จะตรวจสอบว่า GA ติดตามพบแน่นอนคือ ผลงานที่ดีที่สุด
ด้วยความเคารพข้อมูลการฝึกอบรม
เราพยายามที่เป็นไปได้ทั้งหมดของ 10 หุ้นจาก 25 และคำนวณตามข้อมูลการฝึกอบรม ขั้นต่ำที่คาดว่าติดตามข้อผิดพลาดที่ได้รับ ( 2 )
ทางออกที่ดีที่สุดที่พบปรากฏว่าตรงกับทางออกพบลูกผสม Ga
ดังนั้นที่สำคัญ ก่อนสรุปผลการทดลองของเราเป็นเกมลูกผสมสามารถอย่างต่อเนื่องเพื่อหาโซลูชั่นที่เหมาะสมที่สุด