Discusión sobre el artículo "Algoritmos de optimización de la población: Objetos artificiales de búsqueda multisocial (artificial Multi-Social search Objects, MSO)"
Pregunta teórica (puede probarse en la práctica).
Si añadimos al conjunto un parámetro falso (que no interviene en los cálculos de FF) con un rango de, por ejemplo, cinco valores, ¿mejorarán/deteriorarán los resultados del algoritmo?
Foro sobre trading, sistemas automatizados de trading y prueba de estrategias de trading.
fxsaber, 2024.02.15 11:46 AM
input int inRange = 0; void OnInit() {}
Sobre el tema de la complejidad de FF como TC.
El personal GA ha terminado de optimizar en el cuadro verde.
Al reiniciar el AG primero a tientas se llegó a un resultado mucho mejor (recuadro rojo).
Para el AG estándar, los lanzamientos múltiples son la técnica recomendada (no sé si es buena o mala; hay argumentos a favor y en contra).
Pregunta teórica (puede probarse en la práctica).
Si añadimos al conjunto un parámetro falso (que no interviene en los cálculos de FF) con un rango de, por ejemplo, cinco valores, ¿mejorarán/deteriorarán los resultados del algoritmo?
Deterioran, sin lugar a dudas. Las ejecuciones de FF se desperdiciarán en intentos inútiles de encontrar "buenos" parámetros falsos.
Cuanto mayor sea el porcentaje de posibles variantes de parámetros falsos del número total de posibles variantes de parámetros, mayor será el impacto - en el límite que apunta a resultados aleatorios.
Para un AG estándar, la técnica recomendada son los arranques múltiples (no sé si esto es bueno o malo; hay argumentos a favor y en contra).
Gracias, está incorporado.
Deteriorar, inequívocamente. Se desperdiciarán carreras de Ff en intentos inútiles de encontrar "buenos" parámetros falsos.
Cuanto mayor sea el porcentaje de posibles variantes de parámetros falsos del número total de posibles variantes de parámetros, más fuerte será el impacto - en el límite que apunta a resultados aleatorios.
Tendré que comprobarlo.
Yo diría más correctamente, los parámetros falsos hacen que sea más difícil de encontrar. Pero en igualdad de condiciones, los resultados serán peores. Digamos, si haces 1mio de ejecuciones de ff, el resultado será el mismo, pero si haces 1k ejecuciones, la diferencia será notable.
- 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: Objetos artificiales de búsqueda multisocial (artificial Multi-Social search Objects, MSO):
Continuación del artículo anterior como desarrollo de la idea de grupos sociales. El nuevo artículo investiga la evolución de los grupos sociales mediante algoritmos de reubicación y memoria. Los resultados ayudarán a comprender la evolución de los sistemas sociales y a aplicarlos a la optimización y la búsqueda de soluciones.
En el artículo anterior, analizamos la evolución de grupos sociales que se movían libremente en el espacio de búsqueda. Sin embargo, en este artículo proponemos cambiar este concepto y suponer que los grupos se mueven entre sectores saltando de uno a otro. Todos los grupos tienen sus centros, que se actualizan en cada iteración del algoritmo. Asimismo, introduciremos la noción de memoria tanto para el grupo en su conjunto como para cada partícula individual que lo compone. Con estos cambios, nuestro algoritmo permitirá ahora a los grupos pasar de un sector a otro basándose en la información sobre las mejores soluciones.
Esta nueva modificación abrirá nuevas posibilidades para el estudio de la evolución de los grupos sociales. El paso a otros sectores permitirá a los grupos compartir información y conocimientos dentro de cada sector, lo cual puede volver más eficaces la búsqueda y la adaptación. La introducción de la memoria permitirá a los grupos retener información sobre los movimientos anteriores y utilizarla para tomar decisiones sobre los movimientos futuros.
En este artículo, realizaremos una serie de experimentos para investigar cómo afectan estos nuevos conceptos al rendimiento de búsqueda del algoritmo. Además, analizaremos la interacción entre los grupos, su capacidad de cooperación y coordinación, así como su capacidad de aprendizaje y adaptación. Nuestros resultados pueden arrojar luz sobre la evolución de los sistemas sociales y ayudarnos a comprender mejor cómo los grupos se forman, evolucionan y se adaptan a entornos cambiantes.
Autor: Andrey Dik