Discussione sull’articolo "Algoritmi di ottimizzazione della popolazione: Semina e Crescita degli Alberelli (Saplings Sowing and Growing up - SSG)" - pagina 11
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.
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.
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 :)
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.
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.
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.
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.
A quanto pare si tratta di aghi diversi da quelli di cui parlavo prima.
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.
Dal punto di vista computazionale, ciò equivale a 10 ottimizzazioni qualsiasi.
E troviamo una collina.
Ok.
Più di una. Ecco perché ho suggerito l'opzione di scarto sequenziale.
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:)
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.
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?
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.
Per l'autoformazione, qual è la dipendenza della complessità dalla misura?