Diskussion zum Artikel "Artificial Tribe Algorithm (ATA)"
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
Neuer Artikel Artificial Tribe Algorithm (ATA) :
Der Prozess des ATA-Algorithmus beginnt mit der Einstellung der Parameter und der zufälligen Initialisierung des Stammes, woraufhin der Fitnesswert berechnet wird. Anschließend wird der Iterationszähler erhöht und die aktuelle Situation des Stammes bewertet. Wenn die Situation günstig ist (der Unterschied im optimalen Fitnesswert zwischen den Generationen ist größer als ein bestimmtes Kriterium), wird ein Reproduktionsverhalten durchgeführt, bei dem die Individuen Informationen austauschen. Andernfalls wird ein Wanderverhalten angewandt, bei dem sich die Individuen auf der Grundlage der Erfahrungen des Einzelnen und des gesamten Stammes bewegen. Die Migration kann nicht kontinuierlich durchgeführt werden, um eine übermäßige Streuung zu vermeiden. Der Fitnesswert wird dann neu berechnet und mit den besten Werten verglichen, die für den Stamm und jedes Individuum aufgezeichnet wurden. Wird eine bessere Lösung gefunden, so wird diese im Speicher abgelegt. Die Abbruchbedingungen werden geprüft, und wenn sie erfüllt sind, wird die Iteration beendet. Andernfalls kehrt der Prozess zum Schritt der Situationsbewertung zurück.
Die Einbeziehung globaler Informationen in ATA verleiht der historischen Erfahrung des Stammes mehr Gewicht und hilft, bessere Lösungen zu finden und die Suchmöglichkeiten zu verbessern. Die Erhöhung des Gewichts der Erfahrung des Stammes trägt zur Verbesserung der Effizienz des Algorithmus bei und beschleunigt die Konvergenz. Um dies zu erreichen, führt ATA ein globales Trägheitsgewicht ein, das die Suchmöglichkeiten verbessert und den Prozess beschleunigt.
Die Hauptinnovation von ATA ist das Vorhandensein eines dualen Verhaltenssystems, das sich je nach Situation anpasst: Reproduktion wird für tiefe Exploration verwendet, wenn der Fortschritt gut ist, und Migration wird aktiviert, wenn man in lokalen Optima feststeckt, was eine tiefere Exploration fördert. Auch die Kombination von individuellem und sozialem Lernen ist wichtig. Der individuelle Speicher (Xs) wird während der Migration verwendet, und der globale Speicher (Xg) wird mit dem Trägheitsfaktor AT_w gewichtet. Bei der Vermehrung werden die Partner nach dem Zufallsprinzip ausgewählt, was zur Verbesserung der Vielfalt und zur Beschleunigung der Suche beiträgt.
Autor: Andrey Dik