Diskussion zum Artikel "Atmosphere Clouds Model Optimization (ACMO): Theorie"

Neuer Kommentar
 

Neuer Artikel Atmosphere Clouds Model Optimization (ACMO): Theorie :

Der Artikel ist dem metaheuristischen Algorithmus der Optimierung des Atmosphärenwolkenmodells (ACMO) gewidmet, der das Verhalten von Wolken simuliert, um Optimierungsprobleme zu lösen. Der Algorithmus nutzt die Prinzipien der Wolkenerzeugung, -bewegung und -ausbreitung und passt sich den „Wetterbedingungen“ im Lösungsraum an. Der Artikel zeigt, wie die meteorologische Simulation des Algorithmus optimale Lösungen in einem komplexen Möglichkeitsraum findet, und beschreibt detailliert die Phasen des ACMO-Betriebs, einschließlich der Vorbereitung des „Himmels“, der Wolkenentstehung, der Wolkenbewegung und der Regenkonzentration.

Stellen Sie sich einen riesigen virtuellen Himmel vor, in dem sich Wolken bilden und bewegen, genau wie in der realen Atmosphäre. Das Wetter ist hier nicht nur eine Reihe von Bedingungen, sondern ein lebendiges System, in dem Feuchtigkeit und Luftdruck jede Entscheidung beeinflussen. Inspiriert von Naturphänomenen nutzt der ACMO-Algorithmus die Prinzipien der Wolkenbildung, um den Lösungsraum zu erkunden, ähnlich wie sich Wolken am Himmel bilden, ausbreiten und wieder verschwinden, und versucht, optimale Pfade zu finden. Der Algorithmus wurde von Yan et al. vorgeschlagen und im Jahr 2013 veröffentlicht.

Hier werden wir jeden Schritt des ACMO-Algorithmus im Detail betrachten, beginnend mit der Vorbereitung des „Himmels“, in dem Wolken als potenzielle Lösungen geboren werden. Wir werden ihre Bewegungen durch den virtuellen Himmelsraum verfolgen und dabei beobachten, wie sie sich je nach Wetterbedingungen anpassen und verändern. Wenn Sie in diesen faszinierenden Prozess eintauchen, werden Sie sehen, wie Clouds, ähnlich wie Forschungsteams, danach streben, in einem Labyrinth von Möglichkeiten optimale Lösungen zu finden. Lassen Sie uns gemeinsam die Geheimnisse dieses Algorithmus lüften und Schritt für Schritt verstehen, wie er funktioniert.


Autor: Andrey Dik

 
Faszinierend. Vielen Dank dafür. Haben Sie einige Referenzen für diesen Algorithmus?
 
Andreas Alois Aigner #:
Faszinierend. Ich danke Ihnen vielmals. Haben Sie irgendwelche Links zu diesem Algorithmus?

Danke für das Feedback.

Auf welche Links beziehen Sie sich?

 
Sehr genial, ist das besser als der Binäre Genetische Algorithmus Kumpel?
 
Gigantum Investment genetischer Algorithmus?
Das ist schwer zu sagen. Jeder Algorithmus ist auf seine eigene Weise gut, es kommt auf die Aufgabe an. ;)
 
Großartige Arbeit, Andrew!
 
Andrey Dik #:
Das ist schwer zu sagen. Jeder Algorithmus ist auf seine eigene Weise gut, es hängt von der Aufgabe ab ;)
Ja, du bist der einzige, den ich kenne, der genialste russische Entwickler, und du hast einen Vergleich zwischen allen Algorithmen gemacht. Das Ergebnis für BGA liegt bei 76, was sehr hoch ist und an der Spitze aller Algorithmen liegt. Aber ich habe gpt danach gefragt, BGA ist für die Entscheidungsfindung und ACMO ist für kontinuierliches Lernen. Liege ich richtig, Kumpel?
 
Hallo Andrew, nur eine Idee zur Verbesserung des Codes. Kannst du die Kowailk-Funktion verwenden? Ich habe den Artikel im Anhang, sie sprechen über sie. Grüße
Dateien:
JOC24-3-4.zip  328 kb
 
Außerdem möchte ich wissen, wie Sie die Werte für die Luftfeuchtigkeit und den Luftdruck ersetzen werden; welche Kriterien werden Sie auswählen?
 

Gigantum Investment #:

...

Aber ich habe gpt gefragt, dass BGA für die Entscheidungsfindung und ACMO für das kontinuierliche Lernen ist. Habe ich Recht, Kumpel?

Nein, nicht unbedingt. Beide Implementierungen dieser Algorithmen arbeiten mit reellen Zahlen (wie auch alle meine Algorithmus-Implementierungen in den Artikeln), können also gleichermaßen für diskrete Entscheidungen und Fließkommazahlen verwendet werden.
 
quargil34 #:
Kowailk.
Grüße Jean. Wenn ich mich nicht irre, ist dies eine sehr einfache Testfunktion, warum das Interesse?
Neuer Kommentar