CPLEX的java接口，包含了所有的函数，包括函数的详细信息：函数名、输入参数类型，但会参数类型以及函数的功能，介绍非常详细，是学习Java调用Cplex的绝佳资料。

经典教材 书名:组合最优化算法和复杂性 作者:(美)帕普迪米特里诺(Papadimitriou, C.H.)[等]著 ISBN号:7-302-00230-4 出版地:北京 出版社:清华大学出版社 出版时间:1988.6 页数:630页 开本:19厘米

风险库 量化战略资产分配，每个人都很容易。 描述 Riskfolio-Lib是一个库，用于使用秘鲁制造的Python进行定量战略资产分配或投资组合优化 :Peru: 。它的目的是帮助学生，学者和从业人员轻松地基于数学上复杂的模型建立投资组合。它基于构建，并与数据结构紧密集成。 Riskfolio-Lib提供的一些关键功能： 具有4个目标函数的平均风险投资组合优化： 最低风险。 最大回报。 最大效用函数。 最大风险调整后回报率。 具有13个凸风险度量的平均风险投资组合优化： 标准偏差。 半标准偏差。 平均绝对偏差（MAD）。 较低的第一部分矩（Ω比） 第二较低的局部矩（Sortino比率） 条件风险价值（CVaR）。 熵值风险（EVaR）。 最坏情况的实现（Minimax模型） 最大跌幅（卡尔马率） 平均亏损 有条件的风险缩水（CDaR）。 熵降风险（EDaR）。 溃疡指数。 带有10个凸风险度量

交叉熵方法应用于组合优化问题的求解，与小概率事件仿真的思想相同但又有差异。

cpoptimizer 使用CP Optimizer建模和解决组合优化问题的示例和指南

信息论中的技术通常用于选择时间序列预测或模式识别中的变量。 这些任务直接或间接地涉及输入和输出数据之间互信息的最大化。 然而，由于联合熵的计算，该过程需要大量的计算工作，这需要联合概率分布的估计。 为了避免这种计算工作，可以根据最小冗余/最大相关性原则应用变量选择，以较低的计算成本间接最大化互信息。 然而，组合优化的问题，即检查所有可能的变量组合，仍然代表大量的计算工作。 由于这种计算成本，以前的一些工作提出了一种简单的增量搜索方法，可以达到准最优解。 鉴于现有方法的局限性，开发了此代码，以使用遗传算法执行组合优化。 参数是所需的所选特征数 (feat_numb)、矩阵 X，其中每一列是一个特征向量示例，以及其各自的目标数据 y，它是一个行向量。 输出是一个向量，其中包含组成最佳特征集的特征的索引，其中特征的顺序与其重要性无关。 如需出版，请引用原著：O. Ludwig and U. Nu

多选择背包问题是组合优化中的NP难题之一，采用一种新的智能优化算法——人工蜂群算法进行求解。该算法通过雇佣蜂、跟随蜂和侦察蜂的局部寻优来实现全局最优。基于算法实现的核心思想，用MATLAB编程实现，对参考文献的算例进行仿真测试。与其他算法进行了比较，获得了满意的结果。这说明了算法在解决该问题上的可行性与有效性，拓展了人工蜂群算法的应用领域。

投资组合是由一个人或一群人持有的，由股票，债券和银行存款等投资工具组成的金融资产的集合。 在加纳，建立具有标准化优化的投资组合仍然是一个神话，因此，本研究显示了Markowitz模型如何在加纳证券交易所应用，并揭示了精选股票中最有效的投资组合，以减轻投资者的负担。 该研究使用了2011年至2016年股票收益的历史月度数据。 研究显示，GCB Bank limited的平均回报率最高（回报率为4.2％），风险为13.1％，其次是CAL（回报率为3.5％）和11.7％。 UGL的风险最低（风险为6.8％），平均回报最低，为2.1％。 风险爱好者可能会选择GCB和CAL，而完全不愿承担风险的投资者可以选择UGL，因为它具有最低的风险。 两种投资组合的组合还得出结论，最有效的投资组合是GCB和CAL的组合，因此建议风险承受能力的投资者可以将其所有资产投资于GCB，而风险规避投资者可以将其39.21％的资产投资于GCB。 GCB和CAL中的60.79％。 就预期收益而言，CAL和GCB银行有限组合的最高收益约为3.9％，风险为10.6％，其次是TOTAL和GCB组合的预期收益约为3.40％，高风

Fred Glover主编 非常经典的元启发式方法的书籍！内容非常丰富，包含：组合优化；遗传算法；蚂蚁算法；紧急算法；人工神经网络；贪婪自适应；领域搜索等。 对学习最优化、NP难问题求解具有非常重要价值！数学建模；线性规划；算法：智能算法。

Portfolio_optimization 实施随机矩阵理论和Markowitz理论进行投资组合优化