記事「最適化アルゴリズムの効率における乱数生成器の品質の役割」についてのディスカッション - ページ 11

新しいコメント
 
Maxim Dmitrievsky #:
ここであなたは、異なる夏時間を比較するために最低何回の再始動を行うべきか、という自分の質問に答えている。これはまさに私が書いたことであり、その後あなたはそれを一蹴した。

あなたはこのトピックについて無知であることを示している。私の投稿は、最適化アルゴリズムのFF実行回数を選択するための経験則、つまり最適化アルゴリズムの許容可能な収束を保証するためにフィットネス関数を何回実行すべきかについてです。私のテストでは、10万回のフィットネス関数の実行を使用していますが、これは10^4に相当します。この記事では、最適化アルゴリズムの一部として、この10000回のフィットネス関数の実行における最適化の結果に対するGSCの品質の影響を検討しましたが、記事の結論に記載されているように、GSCの品質の影響は明らかにされていません。

また、DST同士の比較については、10^4よりはるかに多いDSTの実行回数で、乱数分布の一様性に関するテストを行った。

2024.03.18 20:54:33.459 スタンダード、100000000スロー、10000ボックス

つまり、100000000＝10^8！

私の記事のコメントにこれ以上書き込まないでください。

削除済み  
Andrey Dik #:

あなたはこのトピックについて無知であることがわかります。私の投稿は、最適化アルゴリズムのFF実行回数を選択するための経験則、つまり最適化アルゴリズムの許容可能な収束を保証するために必要なフィットネス関数の実行回数についてです。私のテストでは、10万回のフィットネス関数の実行を使用し、これは10^4に相当します。この記事では、最適化アルゴリズムの一部として、フィットネス関数のこの10000回の実行における最適化の結果に対するHSCの品質の影響を検討しました。

また、DST同士の比較のために、乱数分布の均一性のテストは、10^4よりはるかに多いDSTの実行回数で実施された。

2024.03.18 20:54:33.459 スタンダード, 100000000スロー, 10000ボックス

すなわち、100000000 = 10^8！

私の記事のコメントにこれ以上書き込まないでください。

同じ最適化アルゴリズムを異なるDSTで比較するためには、5回ではなく、ほぼ同じ回数の再スタートを行う必要がある。多ければ多いほどいい。そうすれば、どのDSTが良いのか／悪いのか／平均的にどのような影響があるのかが明らかになる。
 
Maxim Dmitrievsky #:
同じ最適化アルゴリズムを異なるDSTで比較するには、5回ではなく、ほぼ同じ回数のリスタートを行う必要がある。多ければ多いほどよい。そうすれば、どのDSTが優れているか／劣っているか／平均的にどのような影響を与えるかが明らかになる。

5回というのはテストの回数だ。最適化アルゴリズムは、異なるDSTを使用することによる見かけ上の違いよりも大きな結果の広がりを与える。

あなたは以前、削除された投稿の中で、まずDSTの影響はないはずだと主張し、そして今、影響はあるがテストでは明らかにならないと主張している。あなたは自分の発言を混同している。

もう一度言うが、あなた自身でテストを行い、私の結論に反論するか、あるいはそれを確認してほしい。テストのための道具はすべて私が用意した。私の記事は実践のためのものであり、空虚な理論のためのものではない。

私の記事へのコメントでこれ以上書かないでほしい。

削除済み  
Andrey Dik #:

5はテスト回数。最適化アルゴリズムは、異なるDSTの適用による目に見える違い以上に、結果にばらつきを与える。

以前、削除された投稿の中で、あなたはDGSの影響はないはずだと主張し、今は影響はあるがテストでは明らかにされていないと主張している。あなたは自分の発言を混同している。

もう一度言うが、自分でテストを行い、私の結論に反論するか、あるいはそれを確認してほしい。私はテストに必要なすべてのツールを提供した。

私の記事へのコメントでこれ以上のことを書かないでほしい。

各走行におけるばらつきは、特定のDSTの適用におけるばらつきよりも優先されるため、ユーザーにとっては何の違いもない。誰も自分のタスクで10^n回実行するつもりはない。それでもgcpの影響を比較するのであれば、5回ではなく100万回実行する必要がある。
 
fxsaber #:

そのような正面からのオプションでさえ、私には有効だろう。しかし、多次元空間で突く範囲をどのように定義する のか理解できない。

FFの計算値(10,000個とする)によって、発見されたグローバルピークの面積をどのように決定するか？FFの次の繰り返しで、この領域に-DBL_MAXを強制する。

期待値最大化（一般的に）とガウス混合モデル（特に）アルゴリズムクラスは、これに理想的です。これはすべての丘を別々のクラスタとして選択し、その後、それらのどれかをゼロにすることができます。

残念ながら、これはMQL5ではALGLIBでも利用できません。今のところ、pythonから引き出すことができます。もしご希望があれば、このサイトの資料も使えます。

 
Stanislav Korotky #:

期待値最大化（一般的に）およびガウス混合モデル（特に）クラスのアルゴリズムは、これに理想的である。これは、すべての丘を別々のクラスタとして選択し、その後、それらのどれかをゼロにすることができる。

残念ながら、これはMQL5ではALGLIBでも利用できません。今のところ、pythonから引き出すことができます。もしご希望があれば、このサイトの資料も使えます。

とても興味深いです。
 
問題は、「丘の頂上」を持つこれらの集合を次にどうするかである。以前は最適化アルゴリズムの解として1つの大域的最大値を持っていた。しかし、それらは安定性問題を解決 するには至らない。
 
Stanislav Korotky #:
問題は、「丘の頂上」を持つこれらの集合を次にどうするかである。以前は最適化アルゴリズムの解として1つの大域的最大値を持っていた。しかし、それらは安定性問題を解くには至らない。

セイバーがなぜピークを探すのかはわかりませんが（たぶん教えてくれるでしょう）、彼の問題文では、これがロバストな解を見つける方法なのかもしれません。

先ほどの図で、ロバスト解（ロバストな結果）を見つけることに影響する要素は何だと思いますか？


 
Andrey Dik #:

先ほどの図で、ロバストな解決策（ロバストな結果）を見つけることに影響する要素はどれだと思いますか？

私の考えでは、何もありません。

 
Stanislav Korotky #:

私の見るところ、ここにはない。

この回路には、ロバスト性に関与する、あるいは影響する要素はないのか？その要素とは何ですか？
1...456789101112131415
新しいコメント