Der genetische Algorithmus und seine Anwendungsmöglichkeiten - Seite 5

 
Edgar Akhmadeev:

1. Es ist zu viel, die Grafik ist so skaliert, dass man die nützlichen Ergebnisse nicht sehen kann. Ich gebe einen Wert zurück, der etwas höher ist als der schlechteste Zollwert. Das Wichtigste ist jedoch, die richtigen Weichen für Verbesserungen zu stellen.

2. Was ist der Sinn? Die Hauptsache ist, die richtige Richtung vorzugeben, was bedeutet, dass man der GA zeigen muss, dass sie hier das schlechteste Ergebnis und nicht nur ein schwaches Ergebnis erzielt hat.

1. Dies ist ein Nachteil der regulären Optimierer-Anzeige, bedeutet aber nicht, dass Sie tatsächlich das Fehlen von Forschungs-Tool (in diesem Fall, der Optimierer MT), um ein besseres Ergebnis zu erhalten. in der Tat, der richtige Ansatz, um die Optimierung Ergebnisse selbst zu visualisieren, weil der Optimierer MT nicht weiß, was Sie wirklich brauchen. Derzeit gibt es kein Werkzeug, mit dem die Ergebnisse in der Optimierungstabelle (und im Diagramm) angezeigt werden können, aber ich denke, es wird eines Tages implementiert.

2. Nein, die Hauptsache ist nicht nur zu zeigen, dass das Ergebnis "schlecht" ist, sondern zu zeigen, dass das Ergebnis "sehr schlecht" ist, das macht einen großen Unterschied für AO.

 
Stanislav Korotky:

Ich weiß nicht mehr, ob ich im Forum darüber geschrieben habe, aber es ist wirklich ein Problem und es ist nicht klar, warum es in MT implementiert ist. Wenn der Prüfer einen Fehlercode "falsche Parameter" zurückgibt, ist er theoretisch verpflichtet, stattdessen eine weitere Instanz zu erzeugen, so dass die Population vollständig ist.

Dem stimme ich voll und ganz zu.

Vielleicht wird dieser Trick bei zukünftigen Generationen (außer der ersten) nicht mehr funktionieren (Frage für GA-Experten), aber bei der ersten Stichprobe (die ohnehin zufällig ist) kann es nicht schaden, eine Zufallsmenge (mit falschen Eingaben) durch eine andere zu ersetzen. Und die Wahrscheinlichkeit, dass falsche Parameter in künftigen Generationen auftreten, wird viel geringer sein. Seltsam, dass sie das nicht wollen...

 
Sagen Sie mir, gibt es irgendwelche Entwicklungen bei GAs für eine variable Anzahl von Parametern?
 
Aliaksandr Hryshyn:
Sagen Sie mir, gibt es irgendwelche Entwicklungen in GA für eine variable Anzahl von Parametern?

Die Implementierung der Software ist kein Problem. Die gleichen Paare werden in MT "gekreuzt". Es ist möglich, "Mutation" zu implementieren, dann können die Mengen beliebig sein.

Andrey Khatimlianskii:

Dem stimme ich voll und ganz zu.

Für künftige Generationen (außer der ersten) wird dieser Trick vielleicht nicht funktionieren (eine Frage für GA-Wissenschaftler), aber für die erste Stichprobe (die ohnehin zufällig ist) kann es nicht schaden, eine Zufallsmenge (mit falschen Eingaben) durch eine andere zu ersetzen. Und die Wahrscheinlichkeit, dass falsche Parameter in künftigen Generationen auftreten, wird viel geringer sein. Seltsam, dass sie das nicht wollen...

Kein Hindernis, die Erzeugung ist immer eine Stichprobe aus einem Pool möglicher Kombinationen von Paaren, nur wenn der Pool nicht ausreicht, aber auch dann kann etwas erfunden werden, Klone zum Beispiel.

 
Aleksey Mavrin:

Kein Hindernis, die Erzeugung ist immer eine Auswahl aus einem Pool möglicher Kombinationen von Paaren, nur wenn der Pool nicht ausreicht, aber auch dann kann man sich etwas einfallen lassen, Klone zum Beispiel.

Warum tun sie es dann nicht? Sie sind keine Idioten.

 
Andrey Khatimlianskii:

Dem stimme ich voll und ganz zu.

Vielleicht wird dieser Trick bei zukünftigen Generationen (außer der ersten) nicht funktionieren (Frage für GA-Experten), aber bei der ersten Stichprobe (die ohnehin zufällig ist) kann es nicht schaden, eine Zufallsmenge (mit falschen Eingaben) durch eine andere zu ersetzen. Und die Wahrscheinlichkeit, dass falsche Parameter in künftigen Generationen auftreten, wird viel geringer sein. Seltsam, dass sie das nicht tun.

Gut - die Variante mit den falschen Eingabeparametern sollte vom Optimierer ignoriert werden und stattdessen eine andere generiert werden, so dass die Population immer voll ist. Ist die Zahl der möglichen Varianten unzureichend, sind Duplikate, die mit einer Wahrscheinlichkeit proportional zum Rang eines Individuums in der Population genommen werden, akzeptabel.

 
Aliaksandr Hryshyn:
Sagen Sie mir, gibt es irgendwelche GA-Entwicklungen für eine variable Anzahl von Parametern?

Ich halte das für unwahrscheinlich. Auf der Grundlage des Konzepts der GA können sich identische Strukturen - Klone desselben Systems mit unterschiedlichen Parameterwerten - miteinander kreuzen. Auch in der Natur können sich verschiedene Individuen in derselben Umgebung nicht kreuzen. Dieser natürliche biologische Zwang verhindert das Entstehen lächerlicher, nicht lebensfähiger Freaks, die für das Ökosystem bedeutungslos sind. Solche "Experimente" enden immer mit einem Fehlschlag und sind nur für die Laborforschung geeignet. GA imitiert die Biologie und weicht daher nicht von den Prinzipien der Kreuzung, Vererbung und Selektion ab.

Die Frage ist aus theoretischer Sicht sehr interessant. Die Evolution schafft nicht nur "optimierte" Versionen von Lebewesen im Zuge ihrer "Anpassung" an die Bedingungen, sondern auch grundlegend neue Arten. Woher kommen sie, wenn eine Kreuzung zwischen den Arten unmöglich ist? Sie stammen also aus natürlichen Mutationen. Aber - Mutation ist eine Veränderung bestehender Gene, nicht der Erwerb neuer Gene. Das heißt, - die Menge kann nicht vergrößert werden, und die "Kalibrierung" dient nur der Anpassung (Optimierung) der lebenden Arten. Woher kommen die neuen und komplexeren Lebewesen?

Selbst wenn wir einen Algorithmus dazu bringen, Parameter nach dem Zufallsprinzip in beliebige Systeme zu "gießen" und auch nach dem Zufallsprinzip ein Optimierungsziel (Fitnessfunktion) für sie zu finden, was kann uns das bringen?

 
Ich habe eine Situation, in der die Kompatibilität (Austauschbarkeit) von Parametern an verschiedenen Stellen liegen kann...
OK, dann muss ich das Fahrrad neu erfinden.
 
Aliaksandr Hryshyn:
Sagen Sie mir, gibt es irgendwelche Entwicklungen in GA für eine variable Anzahl von Parametern?

ist.

Die praktischen Anwendungen sind recht umfangreich - von der genetischen Programmierung bis zur Berechnung der Form und des Volumens von Körpern unter Berücksichtigung der Maximierung der Festigkeit und der Minimierung des Volumens.

 
Andrey Dik:

gibt es.

Das wäre interessant zu wissen.