1. 이건 너무 과해서, 유용한 결과를 볼 수 없을 정도로 그래프가 축척되어 있습니다. 최악의 Custom보다 약간 큰 값을 반환합니다. 가장 중요한 것은 개선을 위한 올바른 방향을 설정하는 것입니다.
2. 요점이 무엇입니까? 가장 중요한 것은 올바른 방향이므로 약한 결과가 아니라 최악의 결과를 보였다는 것을 GA에게 보여줘야합니다.
1. 이것은 표준 옵티마이저를 표시하는 것의 단점이지만 실제로 더 나은 결과를 얻기 위해 연구 도구(이 경우 MT 옵티마이저)의 부족을 고려해야 한다는 의미는 아닙니다. 실제로 올바른 접근 방식을 사용하면 MT 옵티마이저가 실제로 필요한 것이 무엇인지 알지 못하기 때문에 최적화 결과를 직접 시각화해야 합니다. 현재 최적화 테이블(및 차트)의 결과 표시에 필터링 도구가 없으며 언젠가는 구현될 것이라고 생각합니다.
2. 아니오, 중요한 것은 결과가 "나쁨"이라는 것을 보여주는 것뿐만 아니라 결과가 "매우 나쁨"이라는 것을 보여줘야 하는 것입니다. 이것은 AO에게 매우 중요합니다.
포럼 어딘가에 이에 대해 글을 썼는지 기억나지 않지만 실제로는 문제이고 MT에서 왜 그렇게 구현되었는지 명확하지 않습니다. 이론적으로 EA 가 오류 코드 "잘못된 매개변수"를 반환한 경우 테스터는 채우기가 완료되도록 대가로 다른 인스턴스를 생성해야 합니다.
절대적으로 동의합니다.
아마도 미래 세대(첫 번째 제외)의 경우 그러한 위장이 작동하지 않을 것입니다(GA 전문가에 대한 질문). 그러나 첫 번째 샘플(여전히 무작위임)의 경우 하나의 무작위 세트(잘못된 입력 포함)를 다른 무작위 세트로 교체하는 것은 작동하지 않습니다. 아프다. 그리고 미래 세대에서 잘못된 매개변수를 만날 확률은 훨씬 낮아질 것입니다. 안하는게 이상한거죠...
소프트웨어 구현은 문제가 되지 않습니다. MT에서는 동일한 쌍 세트가 "교차"됩니다. "돌연변이"를 구현하면 임의의 집합이 될 수 있습니다.
안드레이 카팀리안스키 :
절대적으로 동의합니다.
아마도 미래 세대(첫 번째 제외)의 경우 그러한 위장이 작동하지 않을 것 입니다(GA 전문가에 대한 질문). 그러나 첫 번째 샘플(여전히 무작위임)의 경우 하나의 무작위 세트(잘못된 입력 포함)를 다른 무작위 세트로 교체하면 작동합니다. 해가 없습니다. 그리고 미래 세대에서 잘못된 매개변수를 만날 확률은 훨씬 낮아질 것입니다. 안 하는 게 이상해...
장애물이 없습니다. 세대는 항상 가능한 쌍의 조합 풀에서 선택합니다. 풀이 충분하지 않은 경우에만 해당하지만 예를 들어 클론과 같은 것을 생각해낼 수 있습니다.
아마도 미래 세대(첫 번째 제외)의 경우 그러한 위장이 작동하지 않을 것입니다(GA 전문가에 대한 질문). 그러나 첫 번째 샘플(여전히 무작위임)의 경우 하나의 무작위 세트(잘못된 입력 포함)를 다른 무작위 세트로 교체하면 작동합니다. 해가 없습니다. 그리고 미래 세대에서 잘못된 매개변수를 만날 확률은 훨씬 낮아질 것입니다. 안 하는 게 이상해...
좋은 점은 매개변수의 잘못된 버전은 최적화 프로그램에서 무시하고 대신 다른 개체를 생성하여 모집단이 항상 가득 찰 수 있도록 한다는 것입니다. 가능한 옵션 수가 충분하지 않으면 모집단의 개인 순위에 비례하는 확률로 중복이 허용됩니다.
나는 그렇게 생각하지 않는다. GA 개념에 따라 동일한 구조가 서로 교배될 수 있습니다. 즉, 매개변수 값이 다른 동일한 시스템의 클론입니다. 같은 환경에 있는 다른 개체는 자연에서도 교배할 수 없습니다. 이 자연적인 생물학적 한계는 생태계에 무의미한 우스꽝스럽고 생존 불가능한 괴물의 출현을 막습니다. 이러한 "실험"은 항상 실패로 끝나고 실험실 연구에만 적합합니다. GA는 생물학을 모방하므로 교차, 유전 및 선택의 원칙에서 벗어나지 않습니다.
이론적인 관점에서 이 질문은 매우 흥미롭습니다. 진화는 조건에 "적합"하는 과정에서 생물의 "최적화된" 변종뿐만 아니라 근본적으로 새로운 종을 생성합니다. 종간 교차가 불가능한 경우 그들은 어디에서 왔습니까? 이것은 자연 돌연변이의 결과로 발생한다는 것을 의미합니다. 그러나 - 돌연변이는 새로운 유전자의 획득이 아니라 기존 유전자의 변화입니다. 즉, - 세트를 늘릴 수 없으며 "보정"은 살아있는 종만 적응(최적화)합니다. 새롭고 더 복잡한 생물은 어디에서 왔습니까?
매개변수를 임의의 시스템에 무작위로 "캐스팅"하는 알고리즘을 만들고 이에 대한 최적화 목표(피트니스 함수)를 무작위로 찾아도 이것이 우리에게 무엇을 줄 수 있습니까?
1. 이건 너무 과해서, 유용한 결과를 볼 수 없을 정도로 그래프가 축척되어 있습니다. 최악의 Custom보다 약간 큰 값을 반환합니다. 가장 중요한 것은 개선을 위한 올바른 방향을 설정하는 것입니다.
2. 요점이 무엇입니까? 가장 중요한 것은 올바른 방향이므로 약한 결과가 아니라 최악의 결과를 보였다는 것을 GA에게 보여줘야합니다.
1. 이것은 표준 옵티마이저를 표시하는 것의 단점이지만 실제로 더 나은 결과를 얻기 위해 연구 도구(이 경우 MT 옵티마이저)의 부족을 고려해야 한다는 의미는 아닙니다. 실제로 올바른 접근 방식을 사용하면 MT 옵티마이저가 실제로 필요한 것이 무엇인지 알지 못하기 때문에 최적화 결과를 직접 시각화해야 합니다. 현재 최적화 테이블(및 차트)의 결과 표시에 필터링 도구가 없으며 언젠가는 구현될 것이라고 생각합니다.
2. 아니오, 중요한 것은 결과가 "나쁨"이라는 것을 보여주는 것뿐만 아니라 결과가 "매우 나쁨"이라는 것을 보여줘야 하는 것입니다. 이것은 AO에게 매우 중요합니다.
포럼 어딘가에 이에 대해 글을 썼는지 기억나지 않지만 실제로는 문제이고 MT에서 왜 그렇게 구현되었는지 명확하지 않습니다. 이론적으로 EA 가 오류 코드 "잘못된 매개변수"를 반환한 경우 테스터는 채우기가 완료되도록 대가로 다른 인스턴스를 생성해야 합니다.
절대적으로 동의합니다.
아마도 미래 세대(첫 번째 제외)의 경우 그러한 위장이 작동하지 않을 것입니다(GA 전문가에 대한 질문). 그러나 첫 번째 샘플(여전히 무작위임)의 경우 하나의 무작위 세트(잘못된 입력 포함)를 다른 무작위 세트로 교체하는 것은 작동하지 않습니다. 아프다. 그리고 미래 세대에서 잘못된 매개변수를 만날 확률은 훨씬 낮아질 것입니다. 안하는게 이상한거죠...
다양한 수의 매개변수에 대한 GA 개발이 있습니까?
소프트웨어 구현은 문제가 되지 않습니다. MT에서는 동일한 쌍 세트가 "교차"됩니다. "돌연변이"를 구현하면 임의의 집합이 될 수 있습니다.
절대적으로 동의합니다.
아마도 미래 세대(첫 번째 제외)의 경우 그러한 위장이 작동하지 않을 것 입니다(GA 전문가에 대한 질문). 그러나 첫 번째 샘플(여전히 무작위임)의 경우 하나의 무작위 세트(잘못된 입력 포함)를 다른 무작위 세트로 교체하면 작동합니다. 해가 없습니다. 그리고 미래 세대에서 잘못된 매개변수를 만날 확률은 훨씬 낮아질 것입니다. 안 하는 게 이상해...
장애물이 없습니다. 세대는 항상 가능한 쌍의 조합 풀에서 선택합니다. 풀이 충분하지 않은 경우에만 해당하지만 예를 들어 클론과 같은 것을 생각해낼 수 있습니다.
장애물이 없습니다. 세대는 항상 가능한 쌍의 조합 풀에서 선택합니다. 풀이 충분하지 않은 경우에만 해당하지만 예를 들어 클론과 같은 것을 생각해낼 수 있습니다.
왜 그들은 그것을 하지 않는가? 바보가 아니야
절대적으로 동의합니다.
아마도 미래 세대(첫 번째 제외)의 경우 그러한 위장이 작동하지 않을 것입니다(GA 전문가에 대한 질문). 그러나 첫 번째 샘플(여전히 무작위임)의 경우 하나의 무작위 세트(잘못된 입력 포함)를 다른 무작위 세트로 교체하면 작동합니다. 해가 없습니다. 그리고 미래 세대에서 잘못된 매개변수를 만날 확률은 훨씬 낮아질 것입니다. 안 하는 게 이상해...
좋은 점은 매개변수의 잘못된 버전은 최적화 프로그램에서 무시하고 대신 다른 개체를 생성하여 모집단이 항상 가득 찰 수 있도록 한다는 것입니다. 가능한 옵션 수가 충분하지 않으면 모집단의 개인 순위에 비례하는 확률로 중복이 허용됩니다.
다양한 수의 매개변수에 대한 GA 개발이 있습니까?
나는 그렇게 생각하지 않는다. GA 개념에 따라 동일한 구조가 서로 교배될 수 있습니다. 즉, 매개변수 값이 다른 동일한 시스템의 클론입니다. 같은 환경에 있는 다른 개체는 자연에서도 교배할 수 없습니다. 이 자연적인 생물학적 한계는 생태계에 무의미한 우스꽝스럽고 생존 불가능한 괴물의 출현을 막습니다. 이러한 "실험"은 항상 실패로 끝나고 실험실 연구에만 적합합니다. GA는 생물학을 모방하므로 교차, 유전 및 선택의 원칙에서 벗어나지 않습니다.
이론적인 관점에서 이 질문은 매우 흥미롭습니다. 진화는 조건에 "적합"하는 과정에서 생물의 "최적화된" 변종뿐만 아니라 근본적으로 새로운 종을 생성합니다. 종간 교차가 불가능한 경우 그들은 어디에서 왔습니까? 이것은 자연 돌연변이의 결과로 발생한다는 것을 의미합니다. 그러나 - 돌연변이는 새로운 유전자의 획득이 아니라 기존 유전자의 변화입니다. 즉, - 세트를 늘릴 수 없으며 "보정"은 살아있는 종만 적응(최적화)합니다. 새롭고 더 복잡한 생물은 어디에서 왔습니까?
매개변수를 임의의 시스템에 무작위로 "캐스팅"하는 알고리즘을 만들고 이에 대한 최적화 목표(피트니스 함수)를 무작위로 찾아도 이것이 우리에게 무엇을 줄 수 있습니까?
다양한 수의 매개변수에 대한 GA 개발이 있습니까?
있다.
실제 적용은 유전 프로그래밍에서 신체의 모양과 부피 계산에 이르기까지 강도의 최대화와 부피의 최소화를 고려하여 매우 광범위합니다.
있다.