Diskussion zum Artikel "Archery-Algorithmus (AA)"

[MetaQuotes]

Neuer Artikel Archery-Algorithmus (AA) :

Der Artikel wirft einen detaillierten Blick auf den vom Bogenschießen inspirierten Optimierungsalgorithmus, wobei der Schwerpunkt auf der Verwendung der Roulette-Methode als Mechanismus zur Auswahl vielversprechender Bereiche für „Pfeile“ liegt. Die Methode ermöglicht es, die Qualität der Lösungen zu bewerten und die vielversprechendsten Positionen für weitere Untersuchungen auszuwählen.

Der Archery Algorithm (AA) ist eine völlig neue stochastische Optimierungsmethode, die entwickelt wurde, um optimale Lösungen für Optimierungsprobleme zu finden, und die durch das Verhalten eines Bogenschützen inspiriert wurde, der auf ein Ziel zielt. AA simuliert das Schießen von Pfeilen auf ein Ziel. Jedes Mitglied der Population stellt eine potenzielle Lösung für das Optimierungsproblem dar, und ihre Positionen im Suchraum werden auf der Grundlage der Leistung eines zufällig ausgewählten „Ziel“-Mitglieds aktualisiert, ähnlich wie Bogenschützen ihr Ziel anpassen, je nachdem, wo sie treffen wollen.

Die Grundgesamtheit wird als Matrix dargestellt, wobei jede Zeile einem Mitglied (Lösung) und jede Spalte einer Dimension des Problems entspricht. Dies ermöglicht eine strukturierte Bewertung und Aktualisierung von Entscheidungen auf der Grundlage ihrer Zielfunktionswerte. Die Leistung der einzelnen Mitglieder wird anhand einer Zielfunktion bewertet, die angibt, wie gut eine gefundene Lösung ist. Die Ergebnisse werden in einem Vektor gespeichert, der es dem Algorithmus ermöglicht, die Effizienz der verschiedenen Lösungen zu vergleichen.

Das Ziel ist in Abschnitte unterteilt, deren Breite der Produktivität der Bevölkerungsmitglieder entspricht. Eine Wahrscheinlichkeitsfunktion wird berechnet, um die Wahrscheinlichkeit zu bestimmen, mit der jedes Mitglied auf der Grundlage seines Zielfunktionswertes ausgewählt wird, wobei effizientere Bogenschützen eine höhere Wahrscheinlichkeit haben, ausgewählt zu werden. Ein Mitglied der Population wird nach dem Zufallsprinzip auf der Grundlage der kumulativen Wahrscheinlichkeit ausgewählt, was die Zielauswahl eines Bogenschützen simuliert. Diese Entscheidung wirkt sich darauf aus, wie die Positionen der anderen Mitglieder aktualisiert werden. Der Algorithmus aktualisiert die Position der einzelnen Bogenschützen im Suchraum anhand bestimmter Gleichungen. Die Aktualisierung hängt davon ab, ob der ausgewählte Bogenschütze einen besseren oder schlechteren Zielfunktionswert hat als der aktuelle. Bei diesem Verfahren wird der Suchraum nach dem Zufallsprinzip erkundet. AA arbeitet iterativ und aktualisiert die Population, bis eine Stopp-Bedingung (maximale Anzahl von Iterationen) erreicht ist. Während dieses Prozesses verfolgt der Algorithmus die beste gefundene Lösung.

Autor: Andrey Dik

[Ilya Melamed]

Ich danke Ihnen für Ihre Forschung. Aber ich habe eine sehr einfache Frage als einfacher Programmierer von Expert Advisors auf mql5 (ich bin kein Mathematiker). Es mag Ihnen dumm vorkommen, ich entschuldige mich im Voraus. Aber dennoch, wie kann Ihre Forschung bei der Optimierung von EAs helfen? Könnten Sie mir ein Beispiel geben. Sagen wir, wir haben einen neuen EA, den wir optimieren wollen, und ....? Vielen Dank!

[Andrey Dik]

Ilya Melamed Optimierung von EAs helfen? Könnten Sie mir ein Beispiel geben. Sagen wir, wir haben einen neuen EA, den wir optimieren wollen, und ....? Ich danke Ihnen.

Vielen Dank für Ihr Interesse an meiner Arbeit und die gute Frage.

Es gibt viele Szenarien für die Anwendung von Optimierungsalgorithmen, wo immer Sie die beste Lösung unter den möglichen erhalten möchten.

Zum Beispiel kann man sie zur Selbstoptimierung von EAs einsetzen, wie hier beschrieben.

Oder man kann sie als Teil des Optimierungsmanagements eines internen Testers verwenden, wie hier beschrieben.