Diskussion zum Artikel "Algorithmen zur Optimierung mit Populationen: Saplings Sowing and Growing up (SSG)" - Seite 2
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
ZY: Eine interessante Frage für alle, die sich für dieses Thema interessieren: Was ist der Unterschied zwischen lokalen Extrema und globalen Extrema (ohne Berücksichtigung ihrer unterschiedlichen FF-Werte)?
Nichts.
Ein paar Nadelantennen.
Ich verstehe nicht wirklich, was Sie tun wollen, also garantiere ich nicht für die Qualität der Ratschläge...
Das ist es, was Sie brauchen:
das ist es, was es braucht:
Nicht wirklich. Angenommen, ein GA hat 100 Schritte für eine Funktion wie die im Bild gemacht. Von diesen Schritten werden 90 in der Nähe der globalen Funktion enden. Das ist die Gruppe der nahen Schritte, die es wert ist, genommen zu werden.
Wenn wir es mit einem Igel zu tun haben, werden wir eine Menge Mini-Cluster um einige Punkte herum erhalten. Diese Punkte sind es, die wir brauchen. Der GA könnte die Koordinaten der Cluster durch den engen Raum um sie herum verfeinern.
Grob gesagt, müssen wir die GA-Ergebnisse in Cluster einteilen und dann jeden Cluster mit einer engen Optimierung abschließen. Wir erhalten eine Reihe von Eingabeparametern, die für TC "interessant" sind.
Nicht wirklich. Nehmen wir an, der GA hat 100 Schritte für eine Funktion wie die im Bild gezeigte unternommen. Von diesen Schritten werden 90 in der Nähe der globalen Funktion enden. Dies ist die Gruppe der naheliegenden Schritte, die es wert ist, genommen zu werden.
Wenn wir es mit einem Igel zu tun haben, werden wir eine Menge Mini-Cluster um einige Punkte herum erhalten. Diese Punkte sind es, die wir brauchen. Der GA könnte die Koordinaten der Cluster durch den engen Raum um sie herum verfeinern.
Grob gesagt, müssen wir die GA-Ergebnisse in Cluster einteilen und dann jeden Cluster mit einer engen Optimierung abschließen. Wir erhalten eine Reihe von Eingabeparametern, die für TC "interessant" sind.
richtig?
Ist das alles?
Ja. Ich denke, wenn man nach jeder Optimierung einen Teil des Raums (etwa 80 % der Eingabe, was in der Nähe ist) aus dem gefundenen Global herausschneidet, wird alles gefunden.
Abbildung 5: Waldtestfunktion.
Eine hervorragende Visualisierung dessen, was bei einer vollständigen TC-Aufzählung zu sehen ist. Natürlich sind hier die beiden Eingabeparameter 3D. Aber die Rutschen/Spikes sind deutlich sichtbar. Für TCs sind Spikes im Allgemeinen ein Übel. Hügelkuppen hingegen sind am interessantesten.
Zu den Spikes als Übel. Für TC sind sie Zufälligkeit - eine enge Passung (unabhängig vom Optimierungskriterium).
Ja. Ich denke, wenn man nach jeder Optimierung einen Teil des Raums (etwa 80 % der Eingabe, was in der Nähe ist) aus dem gefundenen Global herausschneidet, wird alles gefunden.
Ein solches Stück ist durch ein bestimmtes Intervall für jeden Eingabeparameter gekennzeichnet. Wenn man also die Daten der Schnittregion hat, kann man sehr leicht (sogar im Standard-Tester) eine Optimierung ohne diesen Teil des Raums durchführen.
Aber mir fehlt völlig die Kompetenz, wie man den Bereich um das gefundene globale Maximum in den GA-Ergebnissen definiert.
Ein einfaches Beispiel. Wir haben eine Optimierung mit einem TC durchgeführt. Sie wurde mit der Ausgabe von Eingabesätzen abgeschlossen. Wir müssen das auffälligste (die Anzahl der Punkte geteilt durch den minimalen Radius der Kugel, in die sie passen) Cluster von mehrdimensionalen Punkten unter diesen Sätzen finden.
Was wir brauchen, ist ein Modus, der alle Hügel findet und diese Bereiche für alle Parameter angibt, mit denen weiter gearbeitet werden kann.
Nachfolgende Optimierungen können nur innerhalb der Bereiche solcher Robustheitshügel durchgeführt werden.
sind die Hügelkuppen am interessantesten.