Diskussion zum Artikel "Algorithmus der Delfin-Echoortung (DEA)"

[MetaQuotes]

Neuer Artikel Algorithmus der Delfin-Echoortung (DEA) :

In diesem Artikel befassen wir uns näher mit dem DEA-Algorithmus, einem metaheuristischen Optimierungsverfahren, das von der einzigartigen Fähigkeit der Delfine inspiriert ist, Beute mithilfe der Echoortung aufzuspüren. Von den mathematischen Grundlagen bis zur praktischen Umsetzung in MQL5, von der Analyse bis zum Vergleich mit klassischen Algorithmen werden wir eingehend untersuchen, warum diese relativ neue Methode einen Platz im Werkzeugkasten von Forschern verdient, die sich mit Optimierungsproblemen befassen.

Um besser zu verstehen, wie der Algorithmus funktioniert, stellen wir uns folgende Situation vor. Sie und ihre Freunde suchen an einem großen Strand mit Metalldetektoren nach Gold. Zu Beginn der Suche ist es sinnvoll, sich über das gesamte Gebiet zu verteilen – so ist die Wahrscheinlichkeit größer, dass man auf etwas Interessantes stößt. Sobald jedoch einer von Ihnen ein starkes Signal empfängt, informiert er die anderen, und nach und nach konzentriert sich das gesamte Team auf vielversprechende Bereiche/Positionen. Am Ende der Suche graben alle in der Nähe des stärksten Signals. Das ist der Kern des Delfin-Echoortungsalgorithmus.

In dem Algorithmus übernehmen Suchagenten – Punkte im Lösungsraum – die Rolle der Delfine. Jeder dieser Delfine steht für eine mögliche Lösung des Problems. Wenn wir beispielsweise das Minimum einer einfachen Funktion y = x² suchen, könnte sich ein Delfin am Punkt x = -3 (wo y = 9) befinden, ein anderer am Punkt x = 1 (wo y = 1), und der dritte landet zufällig am Punkt x = 0 (wo y = 0) – das ist dann unser Spitzenkandidat.

Aber wie tauschen Delfine Informationen aus? An dieser Stelle kommt der sogenannte effektive Echoortungsradius, der mit Re bezeichnet wird, ins Spiel. Überlegen Sie, wie weit sich das Licht einer Taschenlampe ausbreitet. Bei Re = 1 haben wir einen schmalen Lichtstrahl, der nur die unmittelbare Umgebung ausleuchtet. Bei Re = 3 breitet sich das Licht weiter aus und deckt einen größeren Bereich ab. Bei Re = 5 oder höher verhält sich die Suche eher wie ein Flutlicht. Im Zusammenhang mit dem Algorithmus bedeutet dies, dass sich Informationen über eine gute Lösung auf benachbarte Bereiche ausbreiten und die Stärke dieses Einflusses mit zunehmender Entfernung abnimmt.

All diese Informationen werden in Form einer Karte der Erfolgsaussichten zusammengefasst, die der Algorithmus als akkumulierte Fitness (AF) bezeichnet. Stellen Sie sich eine Heatmap einer Stadt vor, auf der Bereiche hoher Aktivität angezeigt werden. In unserem Fall sind aktive Zonen Gebiete, in denen Delfine gute Beute gefunden haben. Je erfolgreicher die Funde in einem bestimmten Gebiet sind, desto heißer wird es und zieht andere Delfine an.

Autor: Andrey Dik