Discussion de l'article "Algorithmes d'optimisation de la population : Optimisation des Colonies de Fourmis (Ant Colony Optimization - ACO)"
Ces articles sur les techniques d'optimisation métaheuristiques sont géniaux. Tu fais un travail formidable Andrey, c'est incroyable la quantité d'expérience que tu partages avec nous, merci !
@METAQUOTES envisagez de mettre en œuvre ces objectifs d'optimisation métaheuristique dans l'optimiseur ! Ce serait formidable pour le logiciel.
Quelque chose de facile que l'utilisateur peut définir à l'intérieur de OnTester() comme :
OptimizerSetEngine("ACO"); // Optimisation par colonies de fourmis OptimizerSetEngine("COA"); // algorithme d'optimisation coucou OptimizerSetEngine("ABC")); // colonie d'abeilles artificielle OptimizerSetEngine("GWO"); // optimiseur loup gris OptimizerSetEngine("PSO"); // optimisation par essaims de particules
Merci du Brésil
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
Un nouvel article Algorithmes d'optimisation de la population : Optimisation des Colonies de Fourmis (Ant Colony Optimization - ACO) a été publié :
Cette fois, je vais analyser l'algorithme d'Optimisation des Colonies de Fourmis. L'algorithme est très intéressant et complexe. Dans cet article, je tente de créer un nouveau type d'ACO.
L'algorithme ACO est une sorte d'algorithme d'intelligence en essaim. En modélisant le processus de recherche de nourriture d'une colonie de fourmis, le chemin le plus court dans divers environnements est établi à l'aide du mécanisme de transfert de données interne de la colonie de fourmis. Plus la concentration de phéromone restant sur le chemin est élevée, plus la probabilité que la fourmi choisisse ce chemin est élevée. Dans le même temps, la concentration de phéromones diminue avec le temps. Par conséquent, en raison du comportement de la colonie, les fourmis apprennent et optimisent constamment grâce à un mécanisme de rétroaction pour déterminer le chemin de recherche de nourriture le plus court. L'algorithme ACO est largement utilisé dans la planification de trajectoire.
ACO sur la fonction de test Skin.
ACO sur la fonction de test Forest.
ACO la fonction de test Megacity.
Il est maintenant temps de tirer des conclusions. D'une part, l'algorithme conventionnel Ant Colony n'est pas applicable aux problèmes d'optimisation pour le trading d'instruments financiers. Pourtant, dans une tentative d'éviter les limites de la version conventionnelle, nous avons assisté à l'émergence d'un tout nouveau concept de l'algorithme Colonie de Fourmis permettant un développement ultérieur de l'ACO. Ce type d’algorithme peut déjà être appliqué à un large éventail de problèmes, y compris le problème du voyageur de commerce.
Auteur : Andrey Dik