Discusión sobre el artículo "Algoritmos de optimización de la población: Evolución de grupos sociales (Evolution of Social Groups, ESG)"
Foro sobre negociación, sistemas automatizados de negociación y ensayo de estrategias de negociación
fxsaber, 2024.01.26 08:52
¡Gracias por el artículo! Añadido el algoritmo a la lista general.34: OPTIMIZATION_METHOD_AO_HS = 1 e-323 33: OPTIMIZATION_METHOD_AO_GSA = 0.11926002964619356 32: OPTIMIZATION_METHOD_AO_ABC = 0.4042085745674859 31: OPTIMIZATION_METHOD_AO_MA = 0.612338549995716 30: OPTIMIZATION_METHOD_AO_BFO = 0.6679763921514072 29: OPTIMIZATION_METHOD_AO_BFO_GA = 0.71308437578657 28: OPTIMIZATION_METHOD_AO_CSS = 0.7316626048819873 27: OPTIMIZATION_METHOD_AO_FSS = 0.7355579934372427 26: OPTIMIZATION_METHOD_AO_GWO = 0.7390576242470235 25: OPTIMIZATION_METHOD_AO_RND = 0.8155449913938271 24: OPTIMIZATION_METHOD_AO_PSO = 0.8222303819859975 23: OPTIMIZATION_METHOD_AO_SC = 0.8340939685401099 22: OPTIMIZATION_METHOD_AO_BA = 0.845763320077643 21: OPTIMIZATION_METHOD_AO_Micro_AIS = 0.8528065344750899 20: OPTIMIZATION_METHOD_AO_SA = 0.8589854552563216 19: OPTIMIZATION_METHOD_AO_SFL = 0.8597046576708655 18: OPTIMIZATION_METHOD_AO_IWDm = 0.862259472275573 17: OPTIMIZATION_METHOD_AO_EM = 0.8779833807818905 16: OPTIMIZATION_METHOD_AO_SDS = 0.9027267066161594 15: OPTIMIZATION_METHOD_AO_NMm = 0.9076903894257041 14: OPTIMIZATION_METHOD_AO_FAm = 0.9111364322206529 13: OPTIMIZATION_METHOD_AO_ESG = 0.9128694208149278 12: OPTIMIZATION_METHOD_AO_SDOm = 0.9182612507465655 11: OPTIMIZATION_METHOD_AO_COAm = 0.9198698363722636 10: OPTIMIZATION_METHOD_AO_IWO = 0.923914294524697 09: OPTIMIZATION_METHOD_AO_SSG = 0.9304990658351672 08: OPTIMIZATION_METHOD_AO_BGA = 0.9389284935189659 07: OPTIMIZATION_METHOD_AO_ACOm = 0.944545536542497 06: OPTIMIZATION_METHOD_AO_DE = 0.9482478998933197 05: OPTIMIZATION_METHOD_AO_POES = 0.9528516011673952 04: OPTIMIZATION_METHOD_AO_SIA = 0.9540996483364099 03: OPTIMIZATION_METHOD_AO_MEC = 0.9574730447145243 02: OPTIMIZATION_METHOD_AO_SDSm = 0.9648638811101882 01: OPTIMIZATION_METHOD_PSO = 0.9653160312454183 00: OPTIMIZATION_METHOD_AO_P_O_ES = 0.9654152361899765
Foro sobre negociación, sistemas automatizados de negociación y ensayo de estrategias de negociación
fxsaber, 2024.01.21 01:38 AM
Según esta metodología, probando con la función Hilly.
34: OPTIMIZATION_METHOD_AO_ABC = 0.42453133581346014 33: OPTIMIZATION_METHOD_AO_IWDm = 0.48360991828383987 32: OPTIMIZATION_METHOD_AO_SIA = 0.49114081735004017 31: OPTIMIZATION_METHOD_AO_EM = 0.49479704987697276 30: OPTIMIZATION_METHOD_AO_RND = 0.5085913649249508 29: OPTIMIZATION_METHOD_AO_MA = 0.5129110822292692 28: OPTIMIZATION_METHOD_AO_HS = 0.5129110822292692 27: OPTIMIZATION_METHOD_AO_CSS = 0.5138134842496185 26: OPTIMIZATION_METHOD_AO_SSG = 0.518468314742929 25: OPTIMIZATION_METHOD_AO_SC = 0.5243709181146918 24: OPTIMIZATION_METHOD_AO_SA = 0.532630712905892 23: OPTIMIZATION_METHOD_AO_FSS = 0.5405996550405998 22: OPTIMIZATION_METHOD_AO_PSO = 0.5430691869913079 21: OPTIMIZATION_METHOD_AO_FAm = 0.5629971666466362 20: OPTIMIZATION_METHOD_AO_BA = 0.5653828707497576 19: OPTIMIZATION_METHOD_AO_BFO = 0.5708620661833331 18: OPTIMIZATION_METHOD_AO_IWO = 0.5736967768562664 17: OPTIMIZATION_METHOD_AO_NMm = 0.5818790406200212 16: OPTIMIZATION_METHOD_AO_ESG = 0.5945790493029925 15: OPTIMIZATION_METHOD_AO_GWO = 0.6234871646160723 14: OPTIMIZATION_METHOD_PSO = 0.6256882439878475 13: OPTIMIZATION_METHOD_AO_GSA = 0.6735183680285166 12: OPTIMIZATION_METHOD_AO_SFL = 0.6885524892005978 11: OPTIMIZATION_METHOD_AO_DE = 0.7092034045816206 10: OPTIMIZATION_METHOD_AO_COAm = 0.7263185318109061 09: OPTIMIZATION_METHOD_AO_SDS = 0.7686064552778226 08: OPTIMIZATION_METHOD_AO_Micro_AIS = 0.7722431882203732 07: OPTIMIZATION_METHOD_AO_SDOm = 0.7808430850753312 06: OPTIMIZATION_METHOD_AO_MEC = 0.7816647439743983 05: OPTIMIZATION_METHOD_AO_ACOm = 0.7830252357918316 04: OPTIMIZATION_METHOD_AO_POES = 0.8453008986622238 03: OPTIMIZATION_METHOD_AO_P_O_ES = 0.8523920887258357 02: OPTIMIZATION_METHOD_AO_SDSm = 0.9046058644799349 01: OPTIMIZATION_METHOD_AO_BGA = 0.9856063511804057 00: OPTIMIZATION_METHOD_AO_BFO_GA = 0.9880292622094636
Porque el mayor resultado no está garantizado. Le diré más, ningún resultado está garantizado en la búsqueda estocástica.
Sólo se puede estimar el resultado medio para un cierto número de pruebas, en los artículos que tomamos 10 pruebas, es suficiente para una buena evaluación de la comparación de algos entre sí. Es posible aumentar el número de pruebas aún más, por supuesto, por ejemplo 100 o más, pero deja de tener sentido debido a la rápida disminución de la precisión de la medición. En resumen, 10 es lo mejor, antes usaba 5 pruebas - no era suficiente.
Y, algunos algoritmos muestran una gran dispersión en la convergencia, esta es una propiedad muy importante de los algoritmos de optimización - la repetibilidad de los resultados, que caracteriza la estabilidad del modelo probabilístico del algoritmo (a menos que, por supuesto, estemos hablando de estrategias de búsqueda determinista, los resultados de los cuales serán invariablemente los mismos, pero, por regla general, tales algoritmos tienen baja convergencia).
En general, es necesario hacer al menos 10 pruebas para poder comparar adecuadamente algoritmos que tienen en su base la naturaleza estocástica de la estrategia de búsqueda.
De forma muy aproximada podemos hacer una analogía: ¿cuál de las estrategias de clavar una lanza en un pajar es más eficaz para encontrar una manzana entre un montón de paja? La comparación sólo puede hacerse en varias pruebas, de lo contrario existe una probabilidad no nula de acertar a la manzana con la lanza la primera vez si se pincha estrictamente desde la parte superior del montón en el centro, y es erróneo pensar que éste es un resultado natural de tal estrategia.
Además, las estrategias se dan en forma absolutamente pura, puede decirse que es un elixir de estrategias, no enturbiado por la aplicación del cribado de duplicados y otras técnicas de aceleración de la búsqueda para un número limitado de ejecuciones FF. Cada nuevo conjunto de duplicados desperdicia una ejecución, y los algoritmos en esta forma pura son muy fáciles de comparar.
Cuando el espacio de búsqueda es pequeño, la exclusión de duplicados puede suponer una gran diferencia, e incluso los algoritmos más débiles pueden mostrar buenos resultados. Pero a medida que aumenta el espacio de búsqueda, la exclusión por duplicado pierde sentido más rápidamente, y las diferencias en las capacidades de las estrategias de búsqueda se hacen más evidentes.
Puede que haya transmitido mal mi punto de vista con este post, algunas cosas son muy difíciles de explicar, por desgracia.
Veo lógico tener un parámetro de entrada "número de repeticiones" para buscar el máximo global.
Foro sobre trading, sistemas automatizados de trading y testeo de estrategias de trading
fxsaber, 2024.01.21 01:38 AM
De acuerdo con esta metodología, la prueba por la función Hilly.
34: OPTIMIZATION_METHOD_AO_HS = -1.7976931348623157 e+308 33: OPTIMIZATION_METHOD_AO_CSS = 0.49720358822818334 32: OPTIMIZATION_METHOD_AO_FSS = 0.5126268634117646 31: OPTIMIZATION_METHOD_AO_MA = 0.5456638212207142 30: OPTIMIZATION_METHOD_AO_SC = 0.5493573778417595 29: OPTIMIZATION_METHOD_AO_SFL = 0.5586288936731915 28: OPTIMIZATION_METHOD_AO_EM = 0.5622069376759021 27: OPTIMIZATION_METHOD_AO_BFO = 0.572272929264936 26: OPTIMIZATION_METHOD_AO_GWO = 0.576823172558009 25: OPTIMIZATION_METHOD_AO_BA = 0.5780620208551676 24: OPTIMIZATION_METHOD_AO_COAm = 0.6122501636921197 23: OPTIMIZATION_METHOD_AO_FAm = 0.6140389813209256 22: OPTIMIZATION_METHOD_AO_IWO = 0.668152749061326 21: OPTIMIZATION_METHOD_AO_RND = 0.6708834560036839 20: OPTIMIZATION_METHOD_AO_SDSm = 0.6949312990837662 19: OPTIMIZATION_METHOD_AO_ESG = 0.6998001260367949 18: OPTIMIZATION_METHOD_AO_DE = 0.7011196053256343 17: OPTIMIZATION_METHOD_AO_IWDm = 0.7021399692041209 16: OPTIMIZATION_METHOD_AO_GSA = 0.7220579685405103 15: OPTIMIZATION_METHOD_AO_PSO = 0.749441828773945 14: OPTIMIZATION_METHOD_AO_SA = 0.7682447940796119 13: OPTIMIZATION_METHOD_AO_MEC = 0.7861990306904714 12: OPTIMIZATION_METHOD_AO_ABC = 0.7907454297118246 11: OPTIMIZATION_METHOD_AO_SDS = 0.8196051951016118 10: OPTIMIZATION_METHOD_AO_SIA = 0.8221393904152611 09: OPTIMIZATION_METHOD_AO_SDOm = 0.8473736964247897 08: OPTIMIZATION_METHOD_PSO = 0.8554905139189528 07: OPTIMIZATION_METHOD_AO_BFO_GA = 0.9302287492114422 06: OPTIMIZATION_METHOD_AO_SSG = 0.9508929176886642 05: OPTIMIZATION_METHOD_AO_Micro_AIS = 0.9744230924005981 04: OPTIMIZATION_METHOD_AO_BGA = 0.9758026556865227 03: OPTIMIZATION_METHOD_AO_ACOm = 0.9842635986445009 02: OPTIMIZATION_METHOD_AO_P_O_ES = 0.9862393247408759 01: OPTIMIZATION_METHOD_AO_POES = 0.9939584765415376 00: OPTIMIZATION_METHOD_AO_NMm = 0.9992316949848764 inAmountCycles = 1000, inRepeats = 5
Repeticiones - el número de llamadas independientes al algoritmo.
CantidadCiclos - el número de llamadas FF en cada intento (ver Repeticiones).
Para cada algoritmo se obtiene el mejor resultado (ver Repeticiones).
MathSrand ((int)GetMicrosecondCount ()); // reinicio del generador
Yo lo haría así.
Sleep(1); // aleatorio GetMicrosecondCount (). MathSrand ((int)TimeLocal() + (int)GetMicrosecondCount ()); // reinicio del generador
De lo contrario se repite cada vez que se ejecuta el script.
Creo que es lógico tener un parámetro de entrada "número de repeticiones" para buscar el máximo global. Por ejemplo, optimizamos un TS en el Probador estándar. A veces es lógico ejecutar el optimizador varias veces seguidas para reducir la probabilidad de quedarse atascado en extremos locales. Sí, la velocidad de los cálculos disminuirá en el número correspondiente de veces, pero la probabilidad de llegar a un extremo global será mayor.
Repeticiones - número de llamadas independientes del algoritmo.
CantidadCiclos - número de llamadas FF en cada intento (ver Repeticiones).
Para cada algoritmo se muestra el mejor resultado (ver Repeticiones).
Sí, para aumentar la probabilidad de encontrar un global, en igualdad de condiciones, basta con aumentar el número de pruebas y utilizar la mejor solución encontrada. Incluso el algoritmo RND tiene una probabilidad no nula de encontrar lo que necesita con este enfoque.
Pero, como he descrito antes, sólo el resultado medio permite comparar los algoritmos entre sí.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Algoritmos de optimización de la población: Evolución de grupos sociales (Evolution of Social Groups, ESG):
En este artículo analizaremos el principio de construcción de algoritmos multipoblacionales y como ejemplo de este tipo de algoritmos consideraremos la evolución de grupos sociales (ESG), un nuevo algoritmo de autor. Así, analizaremos los conceptos básicos, los mecanismos de interacción con la población y las ventajas de este algoritmo, y revisaremos su rendimiento en problemas de optimización.
En el campo de la optimización, existe una amplia gama de algoritmos poblacionales diseñados para encontrar soluciones óptimas a diversos problemas. No obstante, a pesar de su importancia, los algoritmos multipoblacionales y de enjambre múltiple no han sido suficientemente tratados hasta ahora en nuestros artículos e investigaciones. En consecuencia, he llegado a la conclusión de que debemos profundizar en este tema tan fascinante y prometedor.
Los algoritmos multipoblacionales se basan en la idea de usar múltiples poblaciones independientes para resolver problemas de optimización. Las poblaciones funcionan lógicamente en paralelo y pueden intercambiar información sobre las soluciones óptimas, lo cual permite explorar simultáneamente distintas regiones del espacio de parámetros y encontrar diferentes óptimos. Por otra parte, los algoritmos de enjambre múltiple utilizan grupos sociales (enjambres) de muchas partículas interactuantes que pueden cooperar entre sí de forma similar e intercambiar información para alcanzar soluciones óptimas.
En el presente artículo, llenaremos ese vacío y analizaremos como ejemplo un algoritmo ESG multipoblacional que hemos creado específicamente para esta ocasión. Asimismo, repasaremos los principios básicos de estos algoritmos, y revisaremos los resultados de los estudios comparativos para evaluar el rendimiento de dichos algoritmos en comparación con los métodos de optimización monopoblacionales.
Autor: Andrey Dik