Andrey Dik / Profil

What if your trading strategies could learn from each other, like real fighters? Duelist Algorithm is a new optimization method where trading system parameters literally duel for the right to be called the best.

The article describes implementation of the A3 algorithm - a metaheuristic optimization method inspired by chemical processes - in MQL5. Only two adjustable parameters, compactness and a small population, ensure high operating speed with sufficient quality of solutions.

We resume the topic of optimization by the scientific community. CoSO should not be viewed as a ready-made solution, but as a promising research platform. With proper development, CoSO can find its niche in tasks where adaptability and resilience to change are important, and computation time is not critical.

Secrets of effective optimization of trading strategies in metaheuristic approaches. Community of Scientists Optimization is a new population-based algorithm inspired by the mechanisms of the scientific community. Unlike traditional nature-inspired metaphors, CoSO models unique aspects of human scientific activity: publishing results in journals, competing for grants, and forming research teams.

The article presents the Competitive Learning Algorithm (CLA), a new metaheuristic optimization method based on simulating the educational process. The algorithm organizes the population of solutions into classes with students and teachers, where agents learn through three mechanisms: following the best in the class, using personal experience, and sharing knowledge between classes.

The article discusses the Extremal Optimization (EO) algorithm, an optimization method inspired by the Bak-Sneppen self-organized criticality model, where evolution occurs through the elimination of the worst-case components of the system. The modified population version of the algorithm demonstrates a shift away from theoretical principles in favor of practical efficiency, leading to the creation of powerful computational tools.

The article presents a detailed analysis of the Exchange Market Algorithm (EMA) inspired by the behavior of stock market traders. The algorithm simulates stock trading, where market participants with varying levels of success employ different strategies to maximize profits.

Was wäre, wenn sich ein Optimierungsalgorithmus an seine bisherigen Durchläufe erinnern und diese Erinnerungen nutzen könnte, um bessere Lösungen zu finden? Genau das macht die BSA – sie schafft einen Ausgleich zwischen dem Entdecken von Neuem und dem Zurückgreifen auf das Bewährte. In diesem Artikel lüften wir die Geheimnisse des Algorithmus. Eine einfache Idee, wenige Parameter und ein zuverlässiges Ergebnis.

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.

Der Artikel befasst sich mit einem der interessantesten gradientenfreien Optimierungsalgorithmen, der lernt, die Geometrie der Zielfunktion zu verstehen. Wir werden uns auf die klassische Implementierung von CMA-ES konzentrieren, mit einer kleinen Änderung: Die Normalverteilung wird durch die Potenzgesetzverteilung ersetzt. Wir werden sowohl die mathematischen Grundlagen des Algorithmus als auch dessen praktische Umsetzung eingehend untersuchen und prüfen, in welchen Fällen CMA-ES unübertroffen ist und in welchen Fällen es vermieden werden sollte.

Eagle Strategy ist ein Algorithmus, der die zweistufige Jagdstrategie des Adlers nachahmt: eine globale Suche mittels Levy-Flügen unter Verwendung der Mantegna-Methode, abwechselnd mit intensiver lokaler Ausnutzung unter Verwendung des Firefly-Algorithmus – ein mathematisch fundierter Ansatz zum Ausgleich von Erkundung und Ausnutzung sowie ein bioinspiriertes Konzept, das zwei Naturphänomene in einem einzigen Algorithmus vereint.

Die biogeografische Optimierung (BBO) ist ein elegantes Verfahren zur globalen Optimierung, das von den natürlichen Prozessen der Artenmigration zwischen Inseln eines Archipels inspiriert ist. Der Algorithmus basiert auf einer einfachen, aber wirkungsvollen Idee: Hochwertige Lösungen geben ihre Eigenschaften aktiv weiter, während minderwertige Lösungen aktiv neue Merkmale übernehmen, wodurch ein natürlicher Informationsfluss von den besten zu den schlechtesten Lösungen entsteht. Ein einzigartiger adaptiver Mutationsoperator sorgt für ein hervorragendes Gleichgewicht zwischen Exploration und Exploitation. BBO zeigt bei einer Vielzahl von Aufgaben eine hohe Effizienz.

Der Algorithmus der deterministischen oszillatorischen Suche (DOS) ist ein innovatives globales Optimierungsverfahren, das die Vorteile von Gradienten- und Schwarmalgorithmen ohne die Verwendung von Zufallszahlen kombiniert. Der Mechanismus der Fitness-Oszillation und der Steigung ermöglicht es DOS, komplexe Suchräume auf deterministische Weise zu erkunden.

Der 2016 entwickelte Kamelalgorithmus simuliert das Verhalten von Kamelen in der Wüste, um Optimierungsprobleme unter Berücksichtigung von Temperatur, Versorgung und Ausdauer zu lösen. In diesem Artikel wird auch eine modifizierte Version des Algorithmus (CAm) mit wesentlichen Verbesserungen vorgestellt: die Verwendung einer Normalverteilung bei der Generierung von Lösungen und die Optimierung der Parameter für den Oaseneffekt.

Der Artikel stellt eine neue metaheuristische Methode vor, die auf einem fraktalen Ansatz zur Partitionierung des Suchraums für die Lösung von Optimierungsproblemen basiert. Der Algorithmus identifiziert nacheinander vielversprechende Bereiche und trennt sie voneinander ab, wodurch eine selbstähnliche fraktale Struktur entsteht, die die Rechenressourcen auf die vielversprechendsten Bereiche konzentriert. Ein einzigartiger Mutationsmechanismus, der auf bessere Lösungen abzielt, sorgt für ein optimales Gleichgewicht zwischen globaler Erkundung und lokaler Nutzung des Suchraums, wodurch die Effizienz des Algorithmus erheblich gesteigert wird.

Wir setzen die Untersuchung des chaotischen Optimierungsalgorithmus fort. Der zweite Teil des Artikels befasst sich mit den praktischen Aspekten der Implementierung des Algorithmus, seinen Tests und Schlussfolgerungen.

Hierbei handelt es sich um einen verbesserten chaotischen Optimierungsalgorithmus (COA), der die Effekte des Chaos mit adaptiven Suchmechanismen kombiniert. Der Algorithmus verwendet eine Reihe von chaotischen Abbildungen und Trägheitskomponenten, um den Suchraum zu erkunden. Der Artikel erläutert die theoretischen Grundlagen chaotischer Verfahren zur Finanzoptimierung.

Der Artikel stellt eine umfassende Analyse des Korallenriff-Optimierungsalgorithmus (CRO) vor, einer metaheuristischen Methode, die von den biologischen Prozessen der Entstehung und Entwicklung von Korallenriffen inspiriert ist. Der Algorithmus modelliert Schlüsselaspekte der Korallenevolution: Broadcast Spawning (Massenlaichen), Brooding (interne Larvenentwicklung), Larvenansiedlung, ungeschlechtliche Fortpflanzung und Wettbewerb um den begrenzten Platz im Riff. Besondere Aufmerksamkeit gilt der verbesserten Version des Algorithmus.

Der Artikel untersucht den Algorithmus Battle Royale Optimizer – eine Metaheuristik, bei der Lösungen mit ihren nächsten Nachbarn konkurrieren, „Schaden“ anhäufen, ersetzt werden, wenn ein Schwellenwert überschritten wird, und den Suchraum um die aktuell beste Lösung herum regelmäßig verkleinern. Es werden sowohl Pseudocode als auch eine MQL5-Implementierung der Klasse C_AO_BRO vorgestellt, einschließlich Nachbarschaftssuche, Bewegung in Richtung der besten Lösung und eines adaptiven Delta-Intervalls. Die Testergebnisse für die Funktionen „Hilly“, „Forest“ und „Megacity“ zeigen die Stärken und Grenzen des Ansatzes auf. Der Leser erhält eine gebrauchsfertige Grundlage für Experimente und die Einstellung wichtiger Parameter wie popSize und maxDamage.

Der neue proprietäre Optimierungsalgorithmus NOA2 (Neuroboids Optimization Algorithm 2) kombiniert die Prinzipien der Schwarmintelligenz mit neuronaler Steuerung. NOA2 kombiniert die Mechanik eines Neuroboidenschwarms mit einem adaptiven neuronalen System, das es den Agenten ermöglicht, ihr Verhalten selbst zu korrigieren, während sie nach dem Optimum suchen. Der Algorithmus wird derzeit aktiv weiterentwickelt und zeigt sein Potenzial für die Lösung komplexer Optimierungsprobleme.