Discusión sobre el artículo "Algoritmos de optimización de la población: Algoritmo de siembra y crecimiento de árboles (Saplings Sowing and Growing up — SSG)" - página 11

 
Maxim Dmitrievsky #:
Una especie de validación cruzada selecciona la mejor aguja o superficie. Y para obtener muchas agujas, se puede optimizar a través de diferentes piezas de la historia. El ph-i sigue siendo el mismo.

Al parecer, se trata de algunas otras agujas que he dicho antes.

[Eliminado]  
fxsaber #:

Aparentemente se trata de unas agujas diferentes de las que hablaba antes.

Sobre las de mapeo. Divide la muestra en 10 trozos, en cada uno optimiza y descarta los conjuntos con picos molestos únicos de cada trozo que no están en los otros. Luego, si los excluyes de la optimización global sobre todos los datos, todo será paz y tranquilidad y a la buena de Dios. Pero no es exacto, me lo acabo de inventar. No sé cómo excluir rangos arbitrarios en variables opt.
 

Maxim Dmitrievsky #:
Про картиночные. Разбить выборку на 10 частей, на каждой оптимизировать и выбросить сеты с уникальными раздражающими пиками из каждого куска, которых нет в других.

En términos de recursos computacionales, equivale a 10 optimizaciones cualesquiera.

Entonces, si las excluyes de la optimización global en todos los datos, será la paz y la tranquilidad y la gracia de Dios. Pero no es exacto, me lo acabo de inventar.

Y encontramos una colina.

No sé cómo excluir rangos arbitrarios en variables opt.

De acuerdo.

[Eliminado]  
fxsaber #:

Computacionalmente, esto equivale a 10 optimizaciones cualesquiera.

Y encontramos una colina.

De acuerdo.

El objetivo final es encontrar las colinas, las agujas son colinas intermedias.

Correcto, bueno, eso es más o menos lo predeterminado en el Ministerio de Defensa. Si los datos son basura, por lo general no hace mucho. Si no es basura, no es muy necesario :)
 
Maxim Dmitrievsky #:
El objetivo final parece ser encontrar las colinas

más de una. Por eso sugerí la opción del descarte secuencial.

[Eliminado]  
Andrey Dik #:

hay muchos algoritmos, no sé si hay algoritmos aún más geniales.

La tabla está viva, voy añadiendo algoritmos a medida que los aprendo, es decir, no puedo decir -ese de ahí es el más chulo, sólo conozco los que he descrito))).

De hecho, ya era posible tomar hormiga, abeja y la mala hierba, que son muy buenos. de madera, por supuesto, ahora las lágrimas de todo el mundo, ¿cuál será el próximo líder - No lo sé.

Voy a llegar a los híbridos cuando voy a ir a través de todos los conocidos significativos, híbridos son muy prometedores.

Por ahora estoy considerando los tipos de población, pero hay otros tipos, será interesante estudiarlos también.

tal vez ya exista uno:)

 
Maxim Dmitrievsky #:

tal vez ya haya uno:)

Sí, muy interesante organism.))))

pero, la babosa utiliza sólo 2 dimensiones, e incluso los más simples AOs puede hacer frente a 2 dimensiones. cómo se comportará en 1000 dimensiones es una gran pregunta, porque la complejidad del problema crece no linealmente con el número de dimensiones.

 
Andrey Dik #:

A medida que aumenta el número de mediciones, la complejidad del problema crece de forma no lineal.

Para la autoeducación, ¿cuál es la dependencia de la complejidad con respecto a las mediciones?

 
fxsaber #:

Para la autoeducación, ¿cuál es la dependencia de la complejidad con respecto a la medición?

Confieso que no lo sé, sólo sé que crece rápidamente de forma no lineal.

Aleksey Nikolavev apareció aquí, tal vez él sabe la respuesta exacta a esta pregunta. Me olvidé de qué manera de llamar a un usuario del foro.


Actualmente estoy revisando un artículo sobre la búsqueda electromagnética - EM, con mediocre, en general, las características, tiene una propiedad que me llamó la atención.

[Eliminado]  
fxsaber #:

Para la autoeducación, ¿cuál es la dependencia de la complejidad con respecto a la medida?

Exponencial, en el caso general