近年来,受世界经济格局以及金融形势的影响,证券组合投资成为当前一个很热的课题。在现实生活中,越来越多的人选择投资股票来进行理财。股票类型、品种等多种多样,发展潜力、投资收益、风险也就各不相同,而投资者的资金是一定的,这样就必须考虑每支股票的投资比例。本文以国内股票市场为背景,讨论了如何通过仿生算法做出较优秀的证券组合投资决策。本文结合Markowitz证券投资组合理论和国内股票市场实际情况,利用熵对方差度量风险进行了补充,并加入了专家评价对预期收益率向量和协方差矩阵实行了模糊化处理,以提高其现实可行性。同时考虑了相关政策法规以及其他现实约束,设立了投资上下限,建立了改进的投资组合模型,用三种改进仿生算法对其求解。针对传统遗传算法收敛速度慢,运算时间长的缺点,提出了自适应并行遗传算法。该算法建立了多处理器并行处理的新思路,改进了交叉、变异算子,使其能够自我调节。最后,利用算例论证了算法的有效性。对标准PSO算法引入遗传算法中的交叉操作,使其有选择性的对粒子进行交叉。应用了并行自适应的思想,使算法能在多处理器上同时运算,并自我调节权值。通过实证分析,将改进后的算法与标准算法进行了比较。由于遗传算法具有全局搜索能力强,局部寻优较弱的特点,而BP神经网络则有与其相反的特点,故结合二者长处,提出GABP算法。先用改进遗传算法进行宏观搜索,再利用能自我调节学习率的批处理BP神经网络进行微观调整以获取最优解。最后用算例验证了其可行性。