Discusión sobre el artículo "Modificamos la forma y desplazamos las distribuciones de probabilidad y realizamos pruebas con el cefalópodo inteligente (Smart Cephalopod, SC)" - 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
Gracias.
En los artículos, si es posible, intento transmitir el significado básico de las estrategias (las que no están diseñadas para problemas de tipo general - tengo que rehacer seriamente, por ejemplo, las que se diseñaron originalmente para el problema del viajante de comercio).
La combinación de la estrategia y la distribución utilizada es muy importante; algunas estrategias son mejores para algunas distribuciones y otras para otras.
Gracias a esta serie de artículos quedó claro que los resultados pueden variar mucho no sólo de la estrategia de búsqueda, sino también de sus valores de los parámetros de entrada. Más distribuciones de ajuste.
No está muy claro cómo encontrar la óptima para su tarea. Porque hay que optimizar lo que se está optimizando.
Para las pruebas, he elegido deliberadamente tres funciones de prueba con propiedades completamente diferentes para cubrir una gama lo más amplia posible de tareas hipotéticas. He elegido cuidadosamente los ajustes del algoritmo para obtener el máximo resultado agregado posible. Es decir, por supuesto, es posible elegir ajustes que den mejores resultados en una función de prueba, pero entonces los resultados en otras funciones caerán y la puntuación total también. Por eso puedes usar con seguridad los ajustes por defecto de los algoritmos que he puesto, son los mejores para cada algoritmo.
Por cierto, al principio lo hacía así, optimizaba los ajustes del algoritmo con otro algoritmo, luego con la experiencia aprendí a seleccionar rápidamente los mejores parámetros manualmente. La tabla es un freush directo, todo el jugo exprimido de los algoritmos. Pero, por supuesto, siempre queda un pastel, que se puede exprimir si se quiere.
Por favor, muéstreme cómo medir la calidad de MT5 GA en funciones de prueba.
El AG estándar es increíblemente bueno, pero tiene desventajas - la longitud del cromosoma es limitada, de ahí la limitación en el paso y el número de parámetros (el paso y el número de parámetros están inversamente relacionados, si aumentas uno, el otro disminuye).
Por eso es difícil compararlo con el AG estándar, hace su trabajo perfectamente. Y si necesita perversiones sofisticadas - hay una serie de artículos sobre este tema))).
Una cosa no interfiere con la otra, porque en ambos casos se utiliza nuestro favorito MQL5.
в реальных задачах существует неопределенность и случайность и именно здесь распределения вероятностей вступают в игру. Они позволяют учесть случайность и неопределенность в оптимизационных задачах.
Las distribuciones de probabilidad también se utilizan activamente en los algoritmos evolutivos y poblacionales. En estos algoritmos, la generación aleatoria de nuevos estados en el espacio de búsqueda se modela utilizando distribuciones de probabilidad adecuadas. Esto permite explorar el espacio de parámetros y encontrar soluciones óptimas, teniendo en cuenta la aleatoriedad y la diversidad de la población.
Los métodos de optimización más sofisticados utilizan distribuciones de probabilidad para modelizar la incertidumbre y aproximar funciones complejas. Pueden explorar eficazmente el espacio de parámetros y encontrar soluciones óptimas teniendo en cuenta la aleatoriedad y el ruido de los datos.
Intentaba comprender cómo se llegó a la idea de sustituir la probabilidad uniforme por otras probabilidades añadiendo más sesgo.
¿Entiendo correctamente que en algún método complejo de optimización se encontró con el uso de la probabilidad no uniforme y entonces decidió generalizar e investigar?
¿Cómo llegó al sesgo?
Me doy cuenta de que no ocurrió por accidente, y siento muchas cosas intuitivamente. Lo que pasa es que mi nivel de comprensión está muy lejos, por decirlo suavemente. Ahora parece una especie de magia. Me doy cuenta de que no habría llegado a esa variante ni por accidente con mis ideas actuales.
¿Estoy en lo cierto al entender que en algún complejo método de optimización se encontraron con el uso de la probabilidad no uniforme y entonces decidieron generalizar e investigar?
¿Cómo llegaron al sesgo?
Me doy cuenta de que no ocurrió por accidente, y siento muchas cosas intuitivamente. Lo que pasa es que mi nivel de comprensión está muy lejos, por decirlo suavemente. Ahora parece una especie de magia. Me doy cuenta de que no habría llegado a esa variante ni por accidente con mis ideas actuales.
La idea de utilizar distribuciones distintas de la uniforme surgió en 2011-2012, cuando me pareció lógico investigar con más detenimiento la vecindad de las coordenadas conocidas y prestar menos atención a las incógnitas lejanas.
Más tarde me enteré de que algunos otros algoritmos utilizan distribuciones no uniformes, pero sobre todo se utiliza la distribución normal.
También me encontré con efectos de borde de acumulación artefactual de frecuencia de aparición de nuevos valores en los límites del rango aceptable, es una pérdida innecesaria de intentos preciosos, y por lo tanto una pérdida de tiempo y recursos. Después de algún tiempo me di cuenta de que estos artefactos surgen precisamente porque no se tuvo en cuenta el necesario desplazamiento de la distribución. No puedo hablar por todos los algoritmos existentes en el mundo, pero no he encontrado enfoques semejantes en ninguna parte. Eso si hablamos de cambiar la distribución dentro de unos límites especificados.
Si hablamos de cambio intencionado de probabilidades sin utilizar el desplazamiento de la distribución, el ejemplo más sencillo es la ruleta de los algoritmos genéticos, en la que un individuo para el cruce se elige al azar, pero en proporción a su adaptabilidad.
En general, la aplicación consciente del sesgo de distribución abre nuevos horizontes en el aprendizaje automático y otros campos (sin referirnos a la optimización). Las distribuciones se pueden moldear a partir de varias distribuciones de cualquier manera y en cualquier combinación, y es realmente una herramienta poderosa aparte de las propias estrategias de búsqueda. Por eso pensé que merecía la pena tratar este tema por separado.
Quizá mis artículos no respondan a una narrativa científica clara y estén lejos del rigor matemático, pero intento preferir los aspectos prácticos a los teóricos.
PS. Y para mí muchas cosas en optimización operando con variables aleatorias parecen magia. Sigue pareciendo increíble poder encontrar algo utilizando métodos aleatorios. Sospecho que es un área de conocimiento que todavía se manifestará en el estudio de la IA en el mundo, ya que los procesos de pensamiento de los seres inteligentes se llevan a cabo, curiosamente, mediante procesos aleatorios.
Me inclino más por los aspectos teóricos que por los prácticos.
Gracias por su detallada respuesta. En lo que a mí respecta, también me inclino más por lo práctico.
Por eso estoy esperando un wrapper para poder aplicar estos algoritmos.