Discusión sobre el artículo "Algoritmos Genéticos: ¡Es fácil!" - página 10
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
... pero en el bucle superior se le asigna +1, por lo que restar entonces -1 ...
¡¡¡Ahí es donde está el perro !!! Y pienso - ¿cómo es así - el artículo ya tiene un año - y todo funciona, nadie se queja ... Gracias de nuevo por el artículo ... y por las explicaciones :)
@jooHola. Me encanta tu Zig-Zag, sin embargo es lento en un gran número de velas. ¿Es posible conseguir la aceleración sin pérdida de calidad?
Lo siento, pero yo no soy el autor de este indicador.
Por favor, consulte la página de discusión de este indicador.
No voy a discutir la competencia de la fuente citada, pero tengo que discrepar.
La conveniencia de utilizar AG en problemas de optimización radica en la reducción del número de ejecuciones de FF necesarias para determinar el óptimo en comparación con la búsqueda directa.
Si seguimos la recomendación
entonces para un problema con 1000 argumentos se necesitaría una población de 11.000 individuos. ¡Y eso son 11000 ejecuciones de FF en sólo 1 epoch! También se puede utilizar la generación aleatoria de genes y el resultado no será muy inferior a la hora de encontrar el óptimo. La fuente dada hace una "apuesta" de que en una población grande habrá suficiente material genético para seguir desarrollando la población hacia la mejora en cada época. Yo intento conseguir lo mismo, pero a costa de jugar a las probabilidades con los operadores genéticos sin un aumento total de las ejecuciones FF.
Sinceramente, no podía imaginar un problema con 1000 argumentos. ¡¡¡¡Uso el algoritmo para entrenar una red neuronal, digamos de cinco capas, aunque con tres suele ser suficiente, así que resulta que la entrada son 14 variables para la de cinco capas, y 17 para la de tres capas!!!! ¿Qué puedes poner ahí?
Fácil.
He aquí el número de parámetros optimizables para una red de 4 capas con 2 capas ocultas, por ejemplo para ésta - 10-40-40-40-1:
10*40+40+40+40+40*40+40+40+40+40*1+1=2121 (pesos de las neuronas y sus desplazamientos para 40+40+1=81 neuronas).
Como puedes ver, hay que optimizar 2121 parámetros para una red tan relativamente pequeña.
¿Es posible que publique un ejemplo de cómo utilizar esta biblioteca para optimizar un asesor experto como lo hace MT?
Sería de gran ayuda para mí
Gracias
¿Es posible que publique un ejemplo de cómo utilizar esta biblioteca para optimizar un asesor experto como lo hace MT?
Sería de gran ayuda para mí
Gracias
I, por desgracia, no hay tiempo para ello, y el estímulo....
Tal vez más tarde.
Lo siento, pero soy un poco tonto.
Resulta que en el algoritmo con genes continuos considerado aquí, un parámetro como paso no tiene sentido. Sólo podemos hablar de precisión si el resultado es conocido de antemano y es necesario encontrar argumentos.
...
Resulta que en el algoritmo con genes continuos considerado aquí, un parámetro como paso no tiene sentido. Sólo podemos hablar de precisión si el resultado se conoce de antemano y es necesario encontrar argumentos.
Exactamente correcto, si la distancia entre los genes es lo suficientemente grande, entonces el paso será más grande, como los genes se acercan, el paso disminuye automáticamente, simplemente porque el concepto mismo de paso no se utiliza, pero la precisión con la que usted necesita para encontrar una solución. La distancia entre genes es todo el tiempo dividido por el periodo aleatorio, y es constante 32768. El número resultante será el paso condicional.
Si incluso el resultado no se conoce, se puede suponer que la solución de lo que se requiere precisión, es más fácil que en el espacio desconocido para especificar con qué paso que necesita para buscar una solución.