Discusión sobre el artículo "Algoritmos de optimización de la población: Algoritmo de siembra y crecimiento de árboles (Saplings Sowing and Growing up — SSG)" - página 4

Nuevo comentario
 
Andrey Dik #:

Forest es el FF. es decir, son unos requisitos que se impusieron al sistema para ser optimizado. si se cambian los requisitos al sistema, el FF cambiará, pero el sistema no ha cambiado, ¿no?
Es como si el usuario intentara cambiar los requisitos de varias maneras y aún así obtuviera Forest. los FF integrales se parecen exactamente a Forest, como el equilibrio, por ejemplo.
Hay que intentar no utilizar FFs integrales, si es posible, y si no lo es, hacer NADstroika sobre FFs, es decir, aplicar FFs a FFs, para evitar picos agudos.
¡bien, pongamos un ejemplo. hemos tomado una FF de equilibrio. se parece (presumiblemente) a Forest. se puede pescar en el agua turbia de los resultados de la optimización por equilibrio partículas de sentido que se encuentran en algún lugar cercano, y se puede ir a la inversa, se puede superestructurar la FF de equilibrio de modo que la superficie ya no sea agudamente finita, y todos los parámetros necesarios se encuentren cerca y al mismo tiempo en la colina suave más alta!
En resumen, podemos decir que si la FF es agudamente finita, o bien esto es realmente todo lo que se puede sacar del problema, o bien el investigador ha cometido un error.

Ese es otro tema: cuándo y cómo tiene sentido considerar colinas/picos. Para llegar a ello, primero hay que aprender a encontrarlos en funciones arbitrarias.

 
fxsaber #:

Se trata de un tema completamente distinto: cuándo y cómo tiene sentido considerar colinas/picos. Para llegar a ello, primero debemos aprender a encontrarlos en funciones arbitrarias.


Bien. Entonces podemos intentar razonar así......
aunque, ¿y si resulta que la "meseta" (concentración máxima de puntos cercanos) es mucho menor que el extremo global? ¿dónde está el nivel de aceptabilidad de la altura de la meseta?
Estoy tratando de empujar al hecho de que lo que se quiere obtener se puede describir de alguna manera, es decir, en iteg el problema conduce a la búsqueda del extremum global, donde se concentran todas las soluciones aceptables más cercanas).
 
fxsaber criterio de optimización).
Yo era interesante lo mismo, aquí está mi pregunta a la gente inteligente aquí
¿Es esto lo que quieres conseguir?

 
Andrey Dik #:

De acuerdo. Entonces podemos intentar razonar de la siguiente manera.....
aunque, ¿y si resulta que la "meseta" (concentración máxima de puntos cercanos) es mucho menor que el extremo global? ¿dónde está el nivel de aceptabilidad de la altura de la meseta?
Estoy tratando de empujar al hecho de que lo que se quiere obtener se puede describir de alguna manera, es decir, en iteg el problema conduce a la búsqueda del extremum global, donde se concentran todas las soluciones aceptables más cercanas).

Sí, todo se reduce a encontrar el global. Los últimos pasos de un AG, tienen que estar alrededor de ese global. Así que básicamente serán la zona a desechar en las siguientes ejecuciones del AG.

Es decir, siempre buscamos sólo el global usando cualquiera de los algoritmos propuestos. Entonces simplemente descartamos el área donde ha caído el global y repetimos.

 
mytarmailS #:
Yo me preguntaba lo mismo, así que aquí va mi pregunta para los listos.
h ttps://stats.st ackexchange.com/questions/566930/optimization-taking-into-account-the-shape-of-the-optimization-surface
¿Es esto lo que quieres conseguir?

Sí, eso. E incluso más que eso.

En esta imagen encontraremos regiones tanto rojas como verdes si actuamos según el principio de desechar todas las regiones de máximos encontradas anteriormente.

Para el caso de la imagen necesitamos cinco optimizaciones: cuatro encontrarán el rojo y una el verde.

Luego pasamos los cinco puntos por el análogo de TesterDashboard e inmediatamente vemos quién vale qué.


ZЫ Es extraño que las personas "inteligentes" con sugerencias de suavizado no entiendan la naturaleza de la formación de objetos superficiales.

 
fxsaber #:

Sí, eso. Y más.

En esta imagen encontraremos tanto zonas rojas como verdes si actuamos según el principio de desechar todas las zonas de máximos encontradas anteriormente.

Para el caso de la imagen, necesitamos cinco optimizaciones: cuatro encontrarán el rojo y una el verde.

Luego pasamos los cinco puntos por el análogo de TesterDashboard y vemos inmediatamente quién vale qué.

Sí,
Así que quieres encontrar unos cuantos picos y probarlos todos, ¿verdad?

Pensé que querías encontrar un pico suave, ignorando los picos agudos.


En el primer caso, sólo tienes que ejecutar el OA unas cuantas veces con un pequeño número de iteraciones.


En el segundo caso, es la sección "optimizar una función ruidosa".

Un dominio especializado con OA especializados.

De los generales, harás AO:
Optimización Bayesiana.


AO - algoritmo de optimización
 
fxsaber #:

Sí, eso. Y más.

En esta imagen encontraremos tanto zonas rojas como verdes si actuamos según el principio de desechar todas las zonas de máximos encontradas anteriormente.

Para el caso de la imagen, necesitamos cinco optimizaciones: cuatro encontrarán el rojo y una el verde.

Luego pasamos los cinco puntos por el análogo de TesterDashboard y vemos inmediatamente quién vale qué.


Aquí! sólo intento transmitir que es posible evitar cinco optimizaciones y llegar a la zona verde de una vez, con una sola optimización. para ello hay que introducir el FF principal sobre el FF menor. el FF principal debe describir la zona verde y es el máximo global.
Por lo tanto, el FF de la imagen no es lo que necesitamos, necesitamos un FF donde tenemos que buscar el máximo global.
Es dificil explicarlo con los dedos. pero se puede, en el articulo))))
 
mytarmailS #:
Así que quieres encontrar unos cuantos picos y probarlos todos, ¿verdad?

Sí. Comprobar más de 20 picos, por regla general, no tiene sentido. Si hay algo robusto, debería encontrarse entre estos 20.

Por supuesto, en teoría se puede imaginar un erizo con una colina afeitada. Entonces no habrá ninguna colina entre cien optimizaciones basadas en el principio de emisión. Pero esta situación dista mucho de la práctica.

Por regla general, nosotros mismos formamos un erizo así para que no tenga una calva.

 
Andrey Dik #:

¡Aquí! Intento decirle que puede evitar cinco optimizaciones a la vez.
No necesita el área verde.
 
fxsaber #:

Sí. Comprobar más de 20 picos, por regla general, no tiene sentido. Si hay algo robusto, debería encontrarse entre estos 20.

Por supuesto, en teoría se puede imaginar un erizo con una colina afeitada. Entonces no habrá ninguna colina entre cien optimizaciones basadas en el principio de emisión. Pero esta situación dista mucho de la práctica.

Por regla general, nosotros mismos formamos tal erizo para que tenga una calva.

Entonces es bastante simple, como escribí anteriormente.
Usted necesita 20 picos, sólo tiene que ejecutar AO 20 veces.
1234567891011...13
Nuevo comentario