Discusión sobre el artículo "Algoritmos de optimización de la población: Algoritmo de siembra y crecimiento de árboles (Saplings Sowing and Growing up — SSG)" - página 2
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
ZY. Una pregunta interesante para todos los interesados en este tema: ¿cuál es la diferencia entre extremos locales y extremos globales (sin tener en cuenta su diferencia en valores FF)?
Nada.
Unas antenas de aguja.
No entiendo muy bien lo que quieres hacer, así que no garantizo la calidad de los consejos...
eso es lo que necesitas:
eso es lo que hace falta:
En realidad, no. Supongamos que un AG diera 100 pasos sobre una función como la de la imagen. De ellos, 90 acabarán cerca del global. Ese es el grupo de los cercanos que vale la pena tomar.
Si estamos tratando con un erizo, obtendremos un montón de mini-clusters alrededor de algunos puntos. Esos puntos son los que necesitamos. El AG podría refinar las coordenadas de los clusters a través del estrecho espacio que los rodea.
A grandes rasgos, tenemos que clasificar los resultados del AG en clústeres y luego terminar cada clúster con una optimización estrecha. Obtendremos un conjunto de parámetros de entrada "interesantes" para TC.
La verdad es que no. Supongamos que el AG diera 100 pasos sobre una función como la de la imagen. De ellos, 90 acabarán cerca del global. Éste es el grupo de los cercanos que merece la pena tomar.
Si estamos tratando con un erizo, obtendremos un montón de mini-clusters alrededor de algunos puntos. Esos puntos son los que necesitamos. El AG podría refinar las coordenadas de los clusters a través del estrecho espacio que los rodea.
A grandes rasgos, tenemos que clasificar los resultados del AG en clústeres y luego terminar cada clúster con una optimización estrecha. Obtendremos un conjunto de parámetros de entrada "interesantes" para TC.
¿no?
¿es eso?
Sí. Creo que si después de cada optimización se recorta un trozo del espacio (como el 80% de la entrada, lo que hay alrededor) del global encontrado, así es como se encuentra todo.
Figura 5: Función de prueba del bosque.
Una excelente visualización de lo que puede verse durante una enumeración TC completa. Por supuesto, aquí 3D son los dos parámetros de entrada. Pero los deslizamientos/picos son claramente visibles. Para las CT, los picos suelen ser malignos. Los picos, por el contrario, son los más interesantes.
En cuanto a los picos de ser malo. Para TC, son aleatoriedad - un ajuste apretado (independientemente del criterio de optimización).
Sí. Creo que si después de cada optimización se recorta un trozo del espacio (como el 80% de la entrada, lo que hay alrededor) del global encontrado, así se encuentra todo.
Tal trozo se caracteriza por un intervalo dado para cada parámetro de entrada. Así que si usted tiene los datos de la región de corte, puede muy fácilmente (incluso en el probador estándar) realizar la optimización sin este pedazo de espacio.
Pero me falta completamente la competencia cómo definir el área alrededor del máximo global encontrado en los resultados GA.
Un ejemplo sencillo. Ejecutamos una optimización en algunos TC. Ha terminado dando salida a conjuntos de entradas. Necesitamos encontrar el cluster más notable (el número de puntos dividido por el radio mínimo de la esfera en la que encajan) de puntos multidimensionales entre estos conjuntos.
Lo que se necesita es un modo que encuentre todas las colinas y dé estos rangos para todos los parámetros con los que se pueda seguir trabajando.
Las optimizaciones posteriores sólo pueden hacerse dentro de los rangos de dichas colinas de robustez.
lo más interesante son las cimas de las colinas.