Discusión sobre el artículo "Algoritmo de tiro con arco - Archery Algorithm (AA)"

[MetaQuotes]

Artículo publicado Algoritmo de tiro con arco - Archery Algorithm (AA):

Este artículo detalla un algoritmo de optimización inspirado en el tiro con arco, centrado en el uso del método de la ruleta como mecanismo de selección de zonas prometedoras para las "flechas". Este método nos permite evaluar la calidad de las soluciones y seleccionar las más prometedoras para seguir estudiándolas.

El Algoritmo de Tiro con Arco (AA) es un método de optimización estocástica completamente nuevo desarrollado para encontrar soluciones óptimas en problemas de optimización e inspirado en el comportamiento de un arquero que apunta a una diana.  El AA simula el proceso de disparo de flechas a una diana. Cada miembro de la población representa una solución potencial al problema de optimización, y sus posiciones en el espacio de búsqueda se actualizan según el rendimiento de un miembro "objetivo" elegido aleatoriamente, proceso similar a la forma en que un tirador ajusta su mira según dónde quiere disparar.

La población se representa como una matriz en la que cada fila corresponde a un miembro (solución) y cada columna a una dimensión del problema. Esto permite evaluar y actualizar de forma estructurada las soluciones según sus valores de función objetivo. El rendimiento de cada miembro se evalúa usando una función objetivo que cuantifica la calidad de la solución encontrada. Los resultados se almacenan en un vector, lo cual permite al algoritmo comparar el rendimiento de distintas soluciones.

El objetivo se divide en secciones, y la anchura de cada sección se corresponde con la productividad de los miembros de la población. Luego se calcula una función de verosimilitud para determinar la probabilidad de que cada miembro sea seleccionado según su valor de función objetivo, teniendo los arqueros más eficientes una mayor probabilidad de ser seleccionados. Después se selecciona aleatoriamente un miembro de la población según la probabilidad acumulada, imitando la selección del objetivo del tirador. Dicha selección afecta al modo en que se actualizan las posiciones de los demás miembros. El algoritmo actualiza la posición de cada flecha en el espacio de búsqueda usando determinadas ecuaciones. La actualización dependerá de si el arquero seleccionado tiene un valor de función objetivo mejor o peor que el actual. Este proceso incorpora la aleatoriedad para explorar el espacio de búsqueda. El AA funciona de forma iterativa, actualizando la población hasta que se alcanza una condición de parada (número máximo de iteraciones). Durante este proceso, el algoritmo efectúa un seguimiento de la mejor solución encontrada.

Autor: Andrey Dik

[Ilya Melamed]

Gracias por su investigación. Pero tengo una pregunta muy sencilla como simple programador de Asesores Expertos en mql5 (no soy matemático). Puede parecerle una tontería, pido disculpas de antemano. Pero aún así, ¿cómo puede su investigación ayudar en la optimización de EAs? ¿Podría darme un ejemplo? Digamos que tenemos un nuevo EA, queremos optimizarlo, y ....? Gracias.

[Andrey Dik]

Ilya Melamed optimización de EAs? ¿Podría darme un ejemplo? Digamos que tenemos un nuevo EA, queremos optimizarlo, y ....? Muchas gracias.

Gracias por su interés en mi trabajo y por su excelente pregunta.

Hay muchos escenarios para aplicar algoritmos de optimización, siempre que quieras obtener la mejor solución entre las posibles.

Por ejemplo, se puede aplicar a la auto-optimización de EAs como se describe aquí.

O se puede utilizar como parte de la gestión de optimización de un probador interno, como se describe aquí.