Diskussion zum Artikel "Algorithmen zur Optimierung mit Populationen: Stochastische Diffusionssuche (SDS)"

 

Neuer Artikel Algorithmen zur Optimierung mit Populationen: Stochastische Diffusionssuche (SDS) :

Der Artikel behandelt die stochastische Diffusionssuche (SDS), einen sehr leistungsfähigen und effizienten Optimierungsalgorithmus, der auf den Prinzipien des Random Walk basiert. Der Algorithmus ermöglicht es, optimale Lösungen in komplexen mehrdimensionalen Räumen zu finden, wobei er sich durch eine hohe Konvergenzgeschwindigkeit und die Fähigkeit auszeichnet, lokale Extrema zu vermeiden.

Interessante Fakten:

1. Stochastic Diffusion Search (SDS) war die erste Schwarmintelligenz-Metaheuristik, die zur Familie der Schwarmintelligenz und der natürlichen Such- und Optimierungsalgorithmen gehört. Weitere Beispiele für solche Algorithmen sind die Ameisenkolonie-Optimierung, die Partikelschwarm-Optimierung und genetische Algorithmen.

2. Im Gegensatz zur Optimierung von Ameisenkolonien, die auf Stigmergy-Kommunikation basiert, nutzt SDS die direkte Kommunikation zwischen den Agenten, ähnlich dem Tandem-Ruf-Mechanismus, den die Ameisen von Leptothorax acervorum verwenden.

Der SDS-Algorithmus basiert auf der kostengünstigen partiellen Bewertung einer Hypothese (eines Lösungskandidaten für ein Suchproblem) durch Agenten. Die Agenten tauschen dann Informationen über die Hypothesen durch direkte persönliche Kommunikation aus. Durch den Diffusionsmechanismus können hochwertige Lösungen aus Gruppen von Agenten mit der gleichen Hypothese ermittelt werden.


Das Goldgräber-Spiel

Eine Gruppe von Freunden, bestehend aus erfahrenen Bergleuten, erfährt von der Möglichkeit, in den Hügeln eines Gebirges Gold zu schürfen. Sie haben jedoch keine Informationen darüber, wo genau sich der reichste Ort befindet. Auf ihren Karten ist das Gebirge in mehrere einzelne Hügel unterteilt, die jeweils eine Reihe von Schichten enthalten, die abgebaut werden müssen. Die Wahrscheinlichkeit, im Laufe der Zeit Gold zu finden, ist proportional zu seinem Reichtum.

Um ihren kollektiven Reichtum zu maximieren, sollten die Bergleute den Hügel mit den reichsten Goldflözen ausfindig machen, damit möglichst viele Bergleute dort schürfen können. Diese Informationen sind jedoch nicht im Voraus verfügbar. Um dieses Problem zu lösen, beschließen die Bergleute, eine einfache stochastische Diffusionssuche durchzuführen.

Der Abbauprozess beginnt damit, dass jedem Bergmann zufällig ein abzubauender Hügel zugewiesen wird (nutzerdefinierte Hügelhypothese). Jeden Tag wählt jeder Bergmann nach dem Zufallsprinzip ein Flöz auf seinem Hügel zum Abbau aus.

Autor: Andrey Dik

 

Bis jetzt habe ich wenig Verständnis für die Umsetzung gehabt. Meine Frage ist also.


Wenn nur die Hälfte der Eingabeparameter in FF optimiert werden soll, ist es dann möglich, zu verlangen, dass angeblich alle Parameter optimiert werden, aber nur die "unnötige" Hälfte einen unveränderlichen Bereich haben soll?

 
fxsaber #:

Bislang habe ich wenig Verständnis für die Umsetzung gehabt. Also hier ist eine Frage.


Wenn nur die Hälfte der Eingabeparameter in FF optimiert werden soll, ist es dann möglich, zu verlangen, dass angeblich alle Parameter optimiert werden, aber nur die "unnötige" Hälfte einen unveränderlichen Bereich haben soll?

Ja, natürlich, stellen Sie den Bereich der entsprechenden Parameter MIN=MAX ein (der Schritt spielt keine Rolle, Sie können jeden einstellen), wenn ich die Frage richtig verstanden habe. In diesem Fall werden diese Parameter mit demselben Wert ausgegeben.

Im Allgemeinen führt der Algorithmus nicht zur Berechnung von FF, er kann also nur optional die vom Benutzer benötigten Parameter anzeigen.

 
fxsaber #:

Wenn FF hat ...

FF ...

Was ist FF ????

 
Aleksandr Slavskii #:

FF ????

Was ist FF?

Fitnessfunktion, es ist etwas, das optimiert werden muss (FF oder FF)
 
Andrey Dik #:
Fitnessfunktion, ist etwas, das optimiert werden muss (FF oder FF)

Vielen Dank, liebe Person.

 

1- Ist es möglich, den Input und Output zu skalieren oder zu normalisieren (Zscore-MinMax-Logistic-LogNormal)?

2 - Ist es möglich, anstelle der Optimierung der Indikatorparameter die optimalen Kauf- und Verkaufssignale x Bars im Voraus vorherzusagen?

Wie gut ist dieser Algorithmus, der die lokalen und globalen Maxima-Minima findet?

Vielen Dank!