Diskussion zum Artikel "Algorithmen zur Optimierung mit Populationen: Vogelschwarm-Algorithmus (BSA)"
Sie könnten mehrere Testläufe durchführen, die FF-Werte für jede Epoche speichern und die durchschnittliche Verbesserung für jede entsprechende Epoche berechnen. Natürlich wird es für jede Anzahl von Variablen unterschiedliche Werte geben. Dies ist der Fall, wenn Sie mit numerischen Indikatoren für die "Konvergenzgeschwindigkeit" sehr pingelig werden.
In jedem ersten Test für alle drei Testfunktionen (10 Parameter) werden die Top 5 der Liste bereits um die 100. Epoche (bei einer Grundgesamtheit von 50) sehr nahe am theoretischen Maximum liegen.
Sie können natürlich mehrere Testläufe durchführen, die FF-Werte in jeder Epoche speichern und die durchschnittliche Verbesserung in jeder entsprechenden Epoche berechnen. Natürlich wird es für jede Anzahl von Variablen unterschiedliche Indikatoren geben. Dies ist, wenn Sie sehr pingelig mit numerischen Indikatoren der "Konvergenzgeschwindigkeit" sind.
In jedem ersten Test für alle drei Testfunktionen (10 Parameter) werden die Top 5 der Liste bereits um die 100. Epoche (bei einer Grundgesamtheit von 50) sehr nahe am theoretischen Maximum liegen.
~5000 FF?
Ja. Selbst bei der 50. Epoche sind bereits 70-80% des theoretischen Maximums erreicht.
Dies gilt natürlich für den Parameterschritt 0 (wie ich ihn beim Testen verwende). Wenn der Schritt von 0 verschieden ist, ist die Konvergenz noch höher.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Algorithmen zur Optimierung mit Populationen: Vogelschwarm-Algorithmus (BSA) :
Der Artikel befasst sich mit dem vogelschwarmbasierten Algorithmus (BSA), der von den kollektiven Schwarminteraktionen der Vögel in der Natur inspiriert ist. Die unterschiedlichen Suchstrategien der BSA-Individuen, einschließlich des Wechsels zwischen Flucht-, Wachsamkeits- und Futtersuchverhalten, machen diesen Algorithmus vielschichtig. Es nutzt die Prinzipien der Vogelschwärme, der Kommunikation, der Anpassungsfähigkeit, des Führens und Folgens, um effizient optimale Lösungen zu finden.
Der Bird Swarm Algorithm (BSA) ist ein aufregender bioinspirierter Evolutionsalgorithmus, der Schwarmintelligenz nutzt und auf sozialen Interaktionen und dem Verhalten von Vogelschwärmen basiert. BSA wurde 2015 von Meng und Kollegen entwickelt und ist ein einzigartiger Optimierungsansatz, der drei Schlüsselaspekte des Vogelverhaltens kombiniert: Flug, Futtersuche und Wachsamkeit. In den elektronischen Schwärmen, in denen jeder „Vogel“ individuelle Taktiken und Strategien verfolgt, entsteht ein einzigartiges System kollektiver Interaktion, das von algorithmischer Intelligenz und Kreativität geprägt ist. Wichtig ist dabei nicht nur der persönliche Einsatz, sondern auch die Fähigkeit zur Zusammenarbeit, zum Austausch und zur gegenseitigen Unterstützung bei der Verfolgung des gemeinsamen Ziels der Optimierung.
Verschiedene Personen in der BSA können unterschiedliche Suchstrategien haben. Vögel können willkürlich zwischen Flug-, Wachsamkeits- und Futtersuchverhalten wechseln. Der bionische Entwurfsalgorithmus umfasst die Nahrungssuche auf der Grundlage der globalen und individuellen Fitness. Die Vögel versuchen auch, sich in die Mitte der Population zu begeben (was zu Konkurrenz mit anderen Vögeln führen kann) oder sich von der Herde zu entfernen. Zum Verhalten der Vögel gehören regelmäßiger Flug und Zug sowie der Wechsel zwischen der Rolle des Produzenten (producer) und des Bettlers (beggar). In der Welt der BSA hat jedes Individuum in einer bestimmten Iteration seine eigene Suchstrategie, was den Algorithmus vielseitig macht und seine Macht ausspielen kann.
Autor: Andrey Dik