Discussion de l'article "Algorithmes Génétiques - C'est Facile !" - page 10
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
... mais dans la boucle supérieure il est assigné +1, donc je soustrais puis -1 ...
C'est là que se trouve le chien ! !! Et je me dis - comment est-ce possible - l'article a déjà un an - et tout fonctionne, personne ne se plaint ... Merci encore pour l'article ... et pour les explications :)
@jooBonjour. J'adore votre Zig-Zag, cependant il est lent sur un grand nombre de bougies. Est-il possible d'obtenir une accélération sans perte de qualité ?
Désolé, mais je ne suis pas l'auteur de cet indicateur.
Veuillez vous référer à la page de discussion de cet indicateur.
Je ne contesterai pas la compétence de la source citée, mais je ne suis pas d'accord.
L'intérêt de l'utilisation de l'AG dans les problèmes d'optimisation réside dans la réduction du nombre de simulations nécessaires pour déterminer l'optimum par rapport à la recherche directe.
Si nous suivons la recommandation
alors pour un problème comportant 1000 arguments il faudrait une population de 11 000 individus ! Et il s'agit de 11 000 exécutions de FF sur une seule époque ! Vous pouvez tout aussi bien utiliser la génération aléatoire de gènes et le résultat ne sera pas beaucoup moins bon pour trouver l'optimum. La source donnée fait le "pari" que dans une grande population, il y aura suffisamment de matériel génétique pour faire évoluer la population vers l'amélioration à chaque époque. J'essaie d'obtenir la même chose, mais en jouant sur les probabilités avec les opérateurs génétiques sans augmentation totale du nombre d'exécutions de la FF.
Honnêtement, je ne pouvais pas imaginer un problème avec 1000 arguments. J'utilise l'algorithme pour entraîner un réseau neuronal, disons à cinq couches, bien que trois suffisent généralement. Il s'avère donc que l'entrée est constituée de 14 variables pour le réseau à cinq couches et de 17 pour le réseau à trois couches !!!!. Qu'est-ce qu'on peut mettre là-dedans ?
C'est facile.
Voici le nombre de paramètres optimisables pour un réseau à 4 couches avec 2 couches cachées, par exemple pour celui-ci - 10-40-40-40-40-1 :
10*40+40+40+40+40*40+40+40+40*1+1=2121 (poids des neurones et leurs décalages pour 40+40+1=81 neurones).
Comme vous pouvez le constater, 2121 paramètres doivent être optimisés pour un réseau aussi petit.
Est-il possible d'afficher un exemple de l'utilisation de cette bibliothèque pour optimiser un Expert advisor comme le fait MT ?
Cela m'aiderait beaucoup.
Je vous remercie pour votre aide.
Est-il possible d'afficher un exemple d'utilisation de cette bibliothèque pour optimiser un Expert advisor comme le fait MT ?
Cela m'aiderait beaucoup.
Je vous remercie.
Je n'ai malheureusement pas le temps pour cela, et le stimulus....
Peut-être plus tard.
Désolé, mais je suis un peu bête.
Il s'avère que dans l'algorithme avec des gènes continus considéré ici, un tel paramètre comme un pas n'a pas de sens. On ne peut parler de précision que si le résultat est connu à l'avance et qu'il est nécessaire de trouver des arguments.
...
Il s'avère que dans l'algorithme à gènes continus considéré ici, un paramètre tel que le pas n'a pas de sens. On ne peut parler de précision que si le résultat est connu à l'avance et qu'il est nécessaire de trouver des arguments.
Exactement, si la distance entre les gènes est assez grande alors le pas sera plus grand, au fur et à mesure que les gènes se rapprochent, le pas diminue automatiquement, tout simplement parce qu'on n'utilise pas le concept même de pas, mais la précision avec laquelle on doit trouver une solution. La distance entre les gènes est tout le temps divisée par la période aléatoire, et elle est constante 32768. Le nombre résultant sera le pas conditionnel.
Si même le résultat n'est pas connu, vous pouvez supposer la solution de la précision requise, il est plus facile que dans l'espace inconnu de spécifier avec quel pas vous devez rechercher une solution.