证券市场的不断发展吸引着越来越多的投资者进行证券投资。众所周知，证券具有风险和收益的双重特性，投资者为了分散风险，一般选择采用投资组合的形式持有证券。此外，证券市场极其复杂、变化莫测，证券的收益和风险都具有不确定性，而这些不确定性使得证券投资组合优化的研究变得更加困难。因此，如何在不确定的情况下对证券资产进行合理配置，从而实现风险与收益之间的平衡就变得至关重要。问题在于如何使得投资证券组合风险分散化（或收益最大化）和在证券组合一定的前提下通过调整单个证券的投资权重，使得风险降低到最低水平（或在保持风险固定的前提下，收益增加到最大）。　　近些年来在金融领域越来越多地引用数量化的方法，投资组合优化问题的研究也开始更多地借助于量化模型和工具的使用。因此，使用一些优化算法对投资组合优化问题进行实证研究分析就变得非常有意义，不仅是在理论上进一步的深化和提高，更是希望能指导实际的投资操作，从而带来丰厚的投资回报。并且，伴随着资本市场的不断完善，从事证券投资组合管理工作的专业人士以及机构投资者的数量大幅上升，证券投资组合优化将具有越来越广阔的应用前景。　　本课题研究中所使用的遗传算法、模拟退火算法及粒子群算法均在其他领域有着广泛良好的应用，因此本课题旨在对上述三种算法在投资组合优化的应用进行深入研究，并对三种算法在实证分析的基础上进行比较，即在风险系数一定的情况下比较三种算法计算得到的收益率大小，在收益率保持不变的情况下比较三种算法计算得到的风险系数大小，进一步明确它们在投资组合优化方面的优势和不足。