Diskussion zum Artikel "Algorithmen zur Optimierung mit Populationen Firefly-Algorithmus (FA)"

Neuer Kommentar
 

Neuer Artikel Algorithmen zur Optimierung mit Populationen Firefly-Algorithmus (FA) :

In diesem Artikel werde ich die Optimierungsmethode des Firefly-Algorithmus (FA) betrachten. Dank der Änderung hat sich der Algorithmus von einem Außenseiter zu einem echten Tabellenführer entwickelt.

Der Firefly-Algorithmus (F-Algorithmus) wurde von X-Sh vorgeschlagen. Yang an der University of Cambridge (UK) im Jahr 2007 und erregte sofort die Aufmerksamkeit der Optimierungsforscher. Der Firefly-Algorithmus gehört zu einer Familie von Schwarmintelligenz-Algorithmen, die in letzter Zeit beeindruckende Ergebnisse bei der Lösung von Optimierungsproblemen gezeigt haben. Insbesondere der Firefly-Algorithmus wird zur Lösung kontinuierlicher und diskreter Optimierungsprobleme eingesetzt.

Der Firefly-Algorithmus hat drei Regeln, die auf den Flackereigenschaften echter Glühwürmchen basieren. Die Regeln lauten wie folgt:

  1. Alle Glühwürmchen werden sich auf attraktivere und hellere Kollegen zubewegen.
  2. Der Grad der Anziehung eines Glühwürmchens ist proportional zu seiner Helligkeit, die mit zunehmender Entfernung von einem anderen Glühwürmchen abnimmt, da die Luft Licht absorbiert. Daher bewegt sich zwischen zwei flackernden Glühwürmchen das weniger helle auf das hellere zu. Wenn es kein helleres oder attraktiveres Gegenstück gibt, bewegt sich ein Glühwürmchen zufällig.
  3. Die Helligkeit oder Lichtintensität des Glühwürmchens wird durch den Wert der Zielfunktion des Problems bestimmt.


Zu Beginn des Algorithmus werden alle Glühwürmchen nach dem Zufallsprinzip im Suchraum verstreut. Der Algorithmus bestimmt dann in zwei Phasen die optimalen Partitionen:

  1. Änderung der Lichtintensität - die Helligkeit des Glühwürmchens an seiner aktuellen Position spiegelt sich im Wert seiner Fitness wider, die sich in Richtung eines attraktiven Glühwürmchens bewegt.
  2. Das Glühwürmchen verändert seine Position, indem es die Lichtintensität der benachbarten Glühwürmchen beobachtet.


Jetzt können wir die Feinheiten der Firefly-Optimierung im Detail erforschen. Das Wesen des Algorithmus ist in Abbildung 1 deutlich dargestellt.

Fas

Abb. 1. Fireflies im Suchraum. Die Sichtbarkeit nimmt mit zunehmender Entfernung ab

Autor: Andrey Dik

 

Vielen Dank für die Veröffentlichung Ihrer Forschungsergebnisse!

Mir gefallen die Ergebnisse und die Auswertungsmethodik - aber gibt es eine Möglichkeit, diese Optimierungstechnik innerhalb des MT5 EA-Optimizers zu nutzen?

Ich komme von der praktischen Seite und würde gerne wissen, wie ich diese neue Forschung nutzen kann, um bessere und stabilere EAs zu optimieren.


Herzlichen Dank!

 
Eugen Funk #:

Vielen Dank für die Veröffentlichung Ihrer Forschungsergebnisse!

Ich mag die Ergebnisse und die Bewertungsmethodik - aber gibt es eine Möglichkeit, diese Optimierungstechnik innerhalb des MT5 EA-Optimizer zu verwenden?

Ich komme von der praktischen Seite und würde gerne wissen, wie ich diese neue Forschung nutzen kann, um bessere und stabilere EAs zu optimieren.


Herzlichen Dank!

Danke für das Feedback!
Das übliche Szenario für den Einsatz solcher Optimierungsalgorithmen im Handel ist die Selbstoptimierung in Expert Advisors, Utilities, Indikatoren, zum Training neuronaler Netze, in adaptiven Systemen.
 
Andrey Dik #:
Vielen Dank für das Feedback!
Das übliche Szenario für den Einsatz solcher Optimierungsalgorithmen im Handel ist die Selbstoptimierung in Expert Advisors, Utilities, Indikatoren, zum Training neuronaler Netze, in adaptiven Systemen.

Ich danke Ihnen! Könnten Sie mir ein Beispiel für einen Artikel nennen, der die "Selbstoptimierung" implementiert?

 
Eugen Funk #:

Ich danke Ihnen! Könnten Sie mich auf einen Beispielartikel verweisen, der die "Selbstoptimierung" umsetzt?

https://www.mql5.com/en/search#!keyword=self-optimization&module=mql5_module_articles

Soweit ich das beurteilen kann, ist das Thema Selbstoptimierung in Expert Advisors für MQL5 nicht vollständig erschlossen. Vielleicht sollte ich versuchen, einen Artikel zu diesem Thema zu schreiben und dabei einen der Optimierungsalgorithmen aus meinen Artikeln zu verwenden.

 
Andrey Dik #:

https://www.mql5.com/en/search#!keyword=selbst-optimierung&module=mql5_module_articles

Soweit ich das beurteilen kann, ist das Thema Selbstoptimierung in Expert Advisors für MQL5 noch nicht vollständig erschlossen. Vielleicht sollte ich versuchen, einen Artikel zu diesem Thema zu schreiben und dabei einen der Optimierungsalgorithmen aus meinen Artikeln zu verwenden.

Danke für die Hinweise.

Hmm, was ich im Grunde erwartet habe, ist eine Möglichkeit, den Optimierer mit einem anderen Optimierungsalgorithmus laufen zu lassen (im Moment verwende ich immer den "schnellen genetisch basierten Algorithmus").

Und das sieht eher nach einem Skript/Programm aus, das alles auf der unteren Ebene macht. Ich bin mir aber nicht sicher, ob ich das richtig verstanden habe.

Es wäre toll, wenn man den "schnellen genetischen Algorithmus" durch eine angepasste Klasse ersetzen könnte, die die Berechnung der Metrik (Ergebnis: Float) und die Explorationsentscheidungen aus N vorherigen Läufen implementiert.

Neuer Kommentar