기고글 토론 "모집단 최적화 알고리즘: 파티클 스웜(PSO)"
koehnw 하한으로 설정할 것을 제안합니다. 저는 이 값으로 다양한 종류의 문제에 PSO 방식이 매우 효과적이라는 것을 발견했습니다.
의견 주셔서 감사합니다! 예, 회색 늑대 무리에 의한 최적화 알고리즘에서 수행되는 것처럼 계수를 반복에 연결할 수 있습니다. 다음 기사를 참조하십시오.
안타깝게도 모든 기사가 아직 영어로 출판되지는 않았습니다.
인구 최적화 알고리즘: 개미 군집 최적화(ACO): https://www.mql5.com/ru/articles/11602
인구 최적화 알고리즘: 인공 꿀벌 군집(ABC): https://www.mql5.com/ru/articles/11736
인구 최적화 알고리즘: 회색 늑대 무리에 의한 최적화(그레이울프 옵티마이저 - GWO): https://www.mql5.com/ru/articles/11785
메타휴리스틱 최적화 기법에 관한 글은 정말 멋집니다! 훌륭한 일을하고 있습니다. Andrey, 당신이 우리와 얼마나 많은 경험을 공유해야하는지 놀랍습니다, 감사합니다!
메타휴리스틱 최적화 타겟을 옵티마이저에 구현하는 것을 고려해 보세요! 소프트웨어에 큰 도움이 될 것입니다.
사용자가 OnTester() 내부에서 쉽게 설정할 수 있는 무언가:
OptimizerSetEngine("ACO"); // 앤트 콜로니 최적화 OptimizerSetEngine("COA"); // 쿠쿠 최적화 알고리즘 OptimizerSetEngine("ABC"); // 인공 벌집 OptimizerSetEngine("GWO"); // 회색 늑대 옵티마이저 옵티마이저셋엔진("PSO"); // 파티클 스웜 최적화
브라질에서 건배
고맙지만 제가 아는 범위가 너무 넓어서 죄송합니다.
새로운 기고글 모집단 최적화 알고리즘: 파티클 스웜(PSO) 가 게재되었습니다:
이 글에서는 널리 사용되는 파티클 스웜 최적화(PSO) 알고리즘에 대해 살펴보겠습니다. 이전에는 수렴, 수렴 속도, 안정성, 확장성과 같은 최적화 알고리즘의 중요한 특성에 대해 알아보고 테스트 스탠드를 개발했으며 가장 간단한 RNG 알고리즘에 대해 알아보았습니다.
그림 2에 설명 된 시리즈의 첫 번째 기사에서와 동일한 구조를 사용하여 알고리즘을 구성할 것이기 때문에 (앞으로도 계속이 작업을 수행 할 것입니다) 알고리즘을 테스트 스탠드에 연결하는 것이 어렵지 않을 것입니다.
스탠드를 실행하면 아래와 유사한 애니메이션이 표시됩니다. 이 경우 파티클 무리가 어떻게 작동하는지 명확하게 확인할 수 있습니다. 스웜은 실제로 스웜처럼 행동합니다. 함수의 히트 맵에서 함수는 짙은 구름의 형태로 움직입니다.
기억하시겠지만 검은색 원은 함수의 글로벌 최적(최대)을 나타내고, 검은색 점은 현재 반복 시점에서 얻은 검색 알고리즘의 최적 평균 좌표를 나타냅니다. 평균값의 출처를 설명해 드리겠습니다. 히트 맵은 좌표로 표시되는 2차원이며, 최적화 중인 함수에는 수백 개의 변수(측정값)가 포함될 수 있습니다. 따라서 결과는 좌표로 평균화 됩니다.
스킨 테스트 함수의 PSO.
PSO의 포리스트 테스트 함수.
PSO의 메가시티 테스트 함수.
작성자: Andrey Dik