Обсуждение статьи "Популяционные алгоритмы оптимизации: Дифференциальная эволюция (Differential Evolution, DE)"
Просьба добавить ссылки на описание каждого алгоритма в порядке, как на диаграмме.
Еще раз спасибо, что делитесь.
fxsaber #:
Просьба добавить ссылки на описание каждого алгоритма в порядке, как на диаграмме.
Еще раз спасибо, что делитесь.
Спасибо за предложение.
Было бы здорово, если можно было сделать ссылки прямо на гистограмме, но, к сожалению, статийный движок этого не позваляет.
Ссылки можно добавить в таблице, по моему. Постараюсь это сделать.
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Популяционные алгоритмы оптимизации: Дифференциальная эволюция (Differential Evolution, DE):
В этой статье поговорим об алгоритме, который демонстрирует самые противоречивые результаты из всех рассмотренных ранее, алгоритм дифференциальной эволюции (DE).
Идея дифференциальной эволюции - это совокупность простоты и эффективности. В алгоритме дифференциальной эволюции используется популяция векторов, представляющих потенциальные решения. Каждый вектор состоит из компонентов, которые представляют значения переменных оптимизационной задачи.
В DE роль поискового агента выполняет вектор. Алгоритм начинается с создания случайной популяции векторов. Затем происходит итеративный процесс, в котором каждый вектор мутирует и скрещивается с другими векторами в популяции. Мутация осуществляется путем добавления разницы между двумя случайно выбранными векторами из популяции к третьему вектору. Это создает новый вектор, который представляет потенциальное решение задачи.
После мутации происходит скрещивание мутировавшего вектора с исходным вектором. Скрещивание позволяет комбинировать информацию из двух векторов и создавать новые варианты решений. Полученный результат сравнивается с текущим лучшим решением в популяции. Если новый вектор лучше, он заменяет старый вектор и становится частью популяции. Мутация позволяет исследовать пространство поиска, а скрещивание позволяет комбинировать информацию из разных векторов и создавать новые варианты решений.
Этот процесс мутации, скрещивания и замены повторяется в течение нескольких итераций, пока не будет достигнуто условие остановки, например, заданное количество итераций или достижение требуемой точности решения, в нашем случае достижения 10000 запусков фитнес-функции.
Автор: Andrey Dik