Discussione sull’articolo "Algoritmi di ottimizzazione della popolazione: Semina e Crescita degli Alberelli (Saplings Sowing and Growing up - SSG)" - pagina 10

Nuovo commento
 
Una sorta di convalida incrociata seleziona l'ago o la superficie migliore. Per ottenere molti aghi, è possibile ottimizzare diversi pezzi di storia. Lo stesso ID ph rimarrà invariato.
 
Andrey Dik #:

Non posso essere responsabile di altri articoli su MQL, ma lì le persone hanno fatto qualcosa e condiviso qualcosa, a differenza di voi.
wikipedia è solo una semplice scrittura di persone che non sono responsabili, e anche una scrittura politicizzata.
Per quanto riguarda i miei articoli, cosa non funziona esattamente? Smettila di blaterare, fai qualcosa.
Sì, anch'io ho governato un articolo di wikipedia quando ho fatto una promozione 😀 Si manda la gente su wikipedia per dire guardate, c'è scritto la stessa cosa. È davvero divertente.
 
Andrei, sono rimasti molti altri algoritmi? Ha senso fermarsi a SSG o ce ne sono altri potenzialmente più forti? )
 
Maxim Dmitrievsky #:
Una sorta di convalida incrociata seleziona l'ago o la superficie migliore. Per ottenere molti aghi, è possibile ottimizzare diversi pezzi di storia. Il ph rimarrà lo stesso.

A proposito, ecco un modo per filtrare i parametri che vengono sempre versati (inserirli in owls come erronei e il tester li salterà). selezionare le aree che vengono versate più spesso e poi usare queste aree versate come la vostra immaginazione vi suggerisce.

 
Andrey Dik #:

A proposito, c'è un modo per filtrare i parametri che si svuotano sempre (inserirli come erronei in owls e il tester li salterà). selezionare le aree che vengono versate più spesso e poi usare queste aree versate come la fantasia vi suggerisce.

Non è chiaro perché il tester non disponga di un modo intuitivo per eseguire una media su diversi pezzi di storia. Forse viene fatto in qualche modo attraverso le cornici.
 
Maxim Dmitrievsky #:
Andrei, sono rimasti molti altri algoritmi? Ha senso fermarsi a SSG o ce ne sono altri potenzialmente più forti? )

Ci sono molti algoritmi, non so se ce ne siano di più potenti.

La tabella è viva, aggiungo algoritmi man mano che li imparo, cioè non posso dire che quello lì è il più bello, conosco solo quelli che ho descritto))))

In realtà, è già stato possibile prendere formica, ape e erba, sono molto buoni. legno naturalmente ora strappa tutti, quale sarà il prossimo leader - non lo so.

Arriverò agli ibridi quando avrò esaminato tutti quelli importanti conosciuti, gli ibridi sono molto promettenti.

Per ora sto considerando i tipi di popolazione, ma ce ne sono altri, sarà interessante studiare anche quelli.

 
Maxim Dmitrievsky #:
Non capisco perché finora nel tester non ci sia un modo intuitivo per eseguire una media su diversi pezzi di storia. Forse viene fatto attraverso i frame in qualche modo.
Con il tester/ottimizzatore in generale arrivano molte nuove idee, non so se è uno sviluppatore dedicato a farlo, o se qualcuno del team che è disponibile lo fa....
 
Nikolai Semko #:
Tolto dal contesto. Continua a leggere.
Stavo dicendo che la correttezza della scelta di un punto del PO non dipende da una collina o da una depressione e nemmeno dalla velocità del vettore locale del moto nel tempo, ma solo dal segno del vettore accelerazione (derivata della velocità), una parte del quale è nel futuro, che non è noto.
Quindi, quello che voglio dire è che osservando la variazione temporale dell'OD,
possiamo fare una previsione della prossima OD, il che significa che possiamo ottenere il segno del vettore accelerazione e il punto e il fit....
Quindi è il futuro che è sconosciuto.


OP è una superficie di ottimizzazione
 

È un grave errore trarre idee dall'osservazione di immagini tridimensionali. È come trarre conclusioni sul caso tridimensionale da immagini bidimensionali.

Con due parametri, il numero di selle corrisponde approssimativamente al numero di massimi - tra due massimi c'è una sella (con un parametro non ci sono selle). Al crescere del numero di parametri, il numero di selle diventa molto più grande del numero di estremi e si diversifica. Il compito principale della massimizzazione diventa quindi quello di non considerare una sella come un estremo, il che è abbastanza possibile a causa del numero limitato di punti di calcolo.

Se ci sono discontinuità nella dipendenza dell'obiettivo dai parametri, allora c'è un'oscurità completa ed è semplicemente impossibile immaginare tutte le varianti multivariate.

 
Aleksey Nikolayev #:

È un grave errore trarre idee dall'osservazione di immagini tridimensionali. È come trarre conclusioni su un caso tridimensionale da immagini bidimensionali.

Con due parametri, il numero di selle corrisponde approssimativamente al numero di massimi - tra due massimi c'è una sella (con un parametro non ci sono selle). Al crescere del numero di parametri, il numero di selle diventa molto più grande del numero di estremi e si diversifica. Il compito principale della massimizzazione diventa quello di non considerare una sella come un estremo, il che è abbastanza possibile a causa del numero limitato di punti di calcolo.

Se ci sono discontinuità nella dipendenza dell'obiettivo dai parametri, allora c'è un'oscurità completa ed è semplicemente impossibile immaginare tutte le varianti multivariate.

Sì, è vero. Le immagini tridimensionali sono il massimo che possiamo vedere, altre dimensioni non possono essere viste. Ma dobbiamo avere un'idea della superficie per i test AO.

Io uso funzioni di test tridimensionali (due parametri), anche se ci sono 1000 parametri nei test si tratta di 500 funzioni di test.

Se la FF è "eterogenea" nei parametri, come nel caso dell'Expert Advisor, allora è impossibile immaginare una superficie a zig zag, ma non è più difficile di funzioni di test "omogenee". Tutti gli algoritmi riportati negli articoli sono testati per il "chitting", in quanto, ad esempio, si potrebbero opzionare due parametri e copiarli in tutti gli altri, quindi le funzioni multivariate di prova farebbero clic su una e due volte.

C'è anche un metodo sulle tendenze "parallelo-perpendicolari" (non so come si chiami esattamente) degli algoritmi: si tratta di quando un algoritmo risolve meglio problemi di ottimizzazione in cui i vertici e i punti critici sono situati verticalmente e orizzontalmente rispetto agli assi delle coordinate; tali algoritmi falliscono i test sulle funzioni con rotazione (prendete una qualsiasi funzione di test e ruotatela di 5-10 gradi).

1...345678910111213
Nuovo commento