Discusión sobre el artículo "Optimización del modelo de nubes atmosféricas — Atmosphere Clouds Model Optimization (ACMO): Teoría"

Nuevo comentario
 

Artículo publicado Optimización del modelo de nubes atmosféricas — Atmosphere Clouds Model Optimization (ACMO): Teoría:

Este artículo se centra en el algoritmo metaheurístico Atmosphere Clouds Model Optimisation (ACMO), que modela el comportamiento de las nubes para resolver problemas de optimización. El algoritmo usa los principios de generación, movimiento y propagación de nubes, adaptándose a las "condiciones meteorológicas" del espacio de soluciones. El artículo revela cómo una simulación meteorológica del algoritmo encuentra soluciones óptimas en un espacio de posibilidades complejo y detalla las etapas del ACMO, incluida la preparación del "cielo", el nacimiento de las nubes, su movimiento y la concentración de la lluvia.

Imagine un inmenso cielo virtual en el que las nubes se forman y se desplazan como en una atmósfera real. El tiempo aquí no supone solo un conjunto de condiciones, sino un sistema vivo en el que la humedad y la presión atmosférica influyen en cada decisión. Inspirado en fenómenos naturales, el algoritmo ACMO usa los principios de la formación de nubes para explorar el espacio de soluciones, del mismo modo que las nubes se forman, se extienden y desaparecen en la extensión celeste, en un esfuerzo por encontrar caminos óptimos. El algoritmo fue propuesto por los autores Yang y otros, y publicado en 2013.

En este artículo, detallaremos cada paso del algoritmo ACMO, empezando por la preparación del "cielo" donde nacen las nubes como soluciones potenciales. Luego seguiremos su movimiento por el cielo virtual, observando cómo se adaptan y cambian en función de las condiciones meteorológicas. Al sumergirse en este fascinante proceso, verá cómo las nubes, semejantes a equipos de investigación, se esfuerzan por encontrar soluciones óptimas en un laberinto de posibilidades. Juntos desvelaremos los misterios de este algoritmo y comprenderemos cómo funciona, paso a paso.


Autor: Andrey Dik

 
Fascinante. Muchas gracias. ¿Tiene algunas referencias para este algoritmo?
 
Andreas Alois Aigner #:
Fascinante. Muchas gracias. ¿Tiene algún enlace a este algoritmo?

Gracias por los comentarios.

¿A qué enlaces se refiere?

 
Muy genial, ¿es esto mejor que el Algoritmo Genético Binario compañero?
 
Gigantum Investment algoritmo genético binario?
Es difícil de decir. Cada algoritmo es bueno a su manera, depende de la tarea. ;)
 
¡Gran trabajo, Andrew!
 
Andrey Dik #:
Es difícil de decir. Cada algoritmo es bueno a su manera, depende de la tarea. ;)
Sí, usted es el único que conozco el más genio de Rusia dev y que fue hacer una comparación entre todos los algoritmos, el resultado de BGA es de alrededor de 76, que es muy alta y la parte superior de todos los algoritmos. Pero yo estaba pidiendo gpt para que, BGA es para la toma de decisiones y ACMO es para el aprendizaje continuo. ¿Estoy en lo cierto?
 
Hola Andrew, sólo una idea para mejorar el código. ¿Puedes usar la función Kowailk? Te pongo el artículo adjunto, hablan de ello. Saludos
Archivos adjuntos:
JOC24-3-4.zip  328 kb
 
También me gustaría saber cómo va a sustituir los valores de humedad y presión atmosférica; ¿qué criterios va a seleccionar?
 

Gigantum Investment #:

...

Pero le preguntaba a gpt que BGA es para la toma de decisiones y ACMO es para el aprendizaje continuo. ¿Estoy en lo cierto, amigo?

No, no necesariamente. Ambas implementaciones de estos algoritmos trabajan con números reales (como de hecho todas mis implementaciones de algoritmos en los artículos), por lo que pueden utilizarse igualmente para decisiones discretas y números en coma flotante.
 
quargil34 #:
Kowailk.
Saludos Jean. Si no me equivoco, se trata de una función de prueba muy sencilla, ¿por qué tanto interés?
Nuevo comentario