Discussione sull’articolo "Algoritmi di ottimizzazione della popolazione: Semina e Crescita degli Alberelli (Saplings Sowing and Growing up - SSG)" - pagina 11

Nuovo commento
 
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-i rimane lo stesso.

A quanto pare, si tratta di altri aghi rispetto a quelli che ho detto prima.

 
fxsaber #:

A quanto pare si tratta di aghi diversi da quelli di cui parlavo prima.

Riguardo a quelli di mappatura. Dividete il campione in 10 parti, su ciascuna ottimizzate e scartate i set con picchi unici e fastidiosi di ciascuna parte che non sono presenti nelle altre. Poi, se li escludete dall'ottimizzazione complessiva su tutti i dati, sarà pace e tranquillità e bontà di Dio. Ma non è esatto, l'ho appena inventato. Non so come escludere intervalli arbitrari nelle variabili opt.
 

Maxim Dmitrievsky #:
Про картиночные. Разбить выборку на 10 частей, на каждой оптимизировать и выбросить сеты с уникальными раздражающими пиками из каждого куска, которых нет в других.

In termini di risorse computazionali, è uguale a qualsiasi 10 ottimizzazioni.

Quindi, se le escludete dall'ottimizzazione complessiva su tutti i dati, sarà pace e tranquillità e grazia di Dio. Ma non è esatto, l'ho appena inventato.

E troviamo una collina.

Non so come escludere intervalli arbitrari nelle variabili opzionali.

Ok.

 
fxsaber #:

Dal punto di vista computazionale, ciò equivale a 10 ottimizzazioni qualsiasi.

E troviamo una collina.

Ok.

L'obiettivo finale è trovare le colline, gli aghi sono colline intermedie.

Bene, questa è praticamente l'impostazione predefinita nel Ministero della Difesa. Se i dati fanno schifo, di solito non servono a molto. Se non sono scadenti, non serve a molto :)
 
Maxim Dmitrievsky #:
L'obiettivo finale sembra essere quello di trovare le colline

Più di una. Ecco perché ho suggerito l'opzione di scarto sequenziale.

 
Andrey Dik #:

Ci sono molti algoritmi, non so se ce ne sono di ancora più belli.

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

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

Arriverò a quelli ibridi quando passerò in rassegna tutti quelli significativi conosciuti, quelli ibridi sono molto promettenti.

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

forse ce n'è già uno:)

 
Maxim Dmitrievsky #:

forse ce n'è già uno:)

Sì, un organismo molto interessante.))))

ma la lumaca usa solo 2 dimensioni, e anche gli AO più semplici sono in grado di gestire 2 dimensioni. come si comporterà in 1000 dimensioni è un grosso problema, perché la complessità del problema cresce in modo non lineare con il numero di dimensioni.

 
Andrey Dik #:

all'aumentare del numero di misure, la complessità del problema cresce in modo non lineare.

Per l'autoeducazione, qual è la dipendenza della complessità dalle misure?

 
fxsaber #:

Per l'autoformazione, qual è la dipendenza della complessità dalla misurazione?

Confesso di non saperlo, so solo che cresce in modo non lineare e veloce.

Aleksey Nikolavev è apparso qui, forse conosce la risposta esatta a questa domanda. Ho dimenticato come si chiama un utente del forum.


Attualmente sto controllando un articolo sulla ricerca elettromagnetica - EM, con caratteristiche mediocri, in generale, ha una proprietà che mi ha colpito.

 
fxsaber #:

Per l'autoformazione, qual è la dipendenza della complessità dalla misura?

Esponenziale, nel caso generale
1...45678910111213
Nuovo commento