Discussion de l'article "Algorithmes d'optimisation de la population"
Sujet intéressant - j'attends le développement des réflexions.
Jusqu'à présent, trouver les extrema d'une fonction est une bonne chose, mais existe-t-il un moyen de récupérer la fonction et de l'exprimer mathématiquement, en particulier lors de l'optimisation, disons, d'un EA ?
1. Nous vous remercions de votre intérêt. Comme il n'existe pas de classement universellement reconnu des algorithmes, de nombreuses découvertes surprenantes sont attendues dans les articles suivants : certains AR ne se comportent pas aussi bien qu'on le croit lors d'une étude détaillée, tandis que d'autres présentent des propriétés de recherche extraordinaires. Outre les implémentations classiques, des modifications d'OA bien connus seront proposées.
2. Cette question intéresse de nombreux esprits aujourd'hui, car elle ouvre la voie à des domaines de connaissance tels que, par exemple, la création de nouvelles protéines ayant des propriétés données (bien qu'il y ait des progrès modestes dans ce domaine, ils sont obtenus par simple énumération de combinaisons d'acides aminés). En général, il n'existe pas de méthodes permettant de restaurer à 100 % la formule analytique d'une fonction, si ce n'est sous la forme d'un réseau neuronal. Peut-être qu'à l'avenir, avec l'application des technologies de l'IA, il sera possible de faire de la rétro-ingénierie à partir de données pour obtenir une fonction analytique...
1. Nous vous remercions de votre intérêt. Comme il n'existe pas de classement universellement reconnu des algorithmes, de nombreuses découvertes surprenantes sont attendues dans les articles suivants : certains AR ne se comportent pas aussi bien qu'on le croit lors d'une étude détaillée, tandis que d'autres présentent des propriétés de recherche extraordinaires. Outre les implémentations classiques, des modifications d'OA bien connus seront proposées.
2. Cette question intéresse de nombreux esprits aujourd'hui, car elle ouvre la voie à des domaines de connaissance tels que, par exemple, la création de nouvelles protéines ayant des propriétés données (bien qu'il y ait des progrès modestes dans ce domaine, ils sont obtenus par simple énumération de combinaisons d'acides aminés). En général, il n'existe pas de méthodes permettant de restaurer à 100 % la formule analytique d'une fonction, si ce n'est sous la forme d'un réseau neuronal. Peut-être qu'avec l'application des technologies de l'IA dans le futur, il sera possible de faire de la rétro-ingénierie à partir de données dans une fonction analytique...
Merci pour votre réponse.
Existe-t-il une méthode rapide pour les variables/prédicteurs binaires (volume total d'environ 5k) avec une longueur de gène allant jusqu'à 10 lettres (ou quel que soit le nom qu'on lui donne ?) ?
Je vous remercie de votre réponse.
Existe-t-il une méthode rapide pour les variables/prédicteurs binaires (total d'environ 5k) avec une longueur de gène allant jusqu'à 10 lettres (ou quel que soit son nom ?) ?
Je n'ai pas encore la réponse, mais je la chercherai avec le lecteur dans de futurs articles.)
Il y a beaucoup de travail de recherche à faire.
L'arbre de classification ne représente pas toutes les méthodes d'optimisation existantes à ce jour. En outre, seuls les algorithmes basés sur la population seront pris en compte.
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Vous acceptez la politique du site Web et les conditions d'utilisation
Un nouvel article Algorithmes d'optimisation de la population a été publié :
Cet article est une introduction à la classification des algorithmes d'optimisation (Optimization Algorithm - OA). L'article tente de créer un banc d'essai (un ensemble de fonctions), pouvant être utilisé pour comparer les OA et, peut-être, identifier l'algorithme le plus universel parmi tous ceux qui sont largement connus.
Classification des AO
Lors de l'optimisation des systèmes de trading, les algorithmes d'optimisation métaheuristiques sont les plus excitants. Ils ne nécessitent pas de connaître la formule de la fonction à optimiser. Leur convergence vers l'optimum global n'a pas été prouvée, mais il a été établi expérimentalement qu’ils donnent une assez bonne solution dans la plupart des cas, ce qui est suffisant pour un certain nombre de problèmes.
De nombreux AO sont apparus comme des modèles empruntés à la nature. Ces modèles sont également appelés modèles comportementaux, d'essaimage ou de population, tels que le comportement des oiseaux en vol (algorithme de l'essaim de particules) ou les principes du comportement des colonies de fourmis (algorithme de la fourmi).
Les algorithmes de population impliquent le traitement simultané de plusieurs options pour résoudre le problème d'optimisation et représentent une alternative aux algorithmes classiques basés sur les trajectoires de mouvement dont la zone de recherche n'a qu'un seul candidat évoluant lors de la résolution du problème.
Auteur : Andrey Dik