기고글 토론 "모집단 최적화 알고리즘: 묘목 파종 및 성장(SSG)" - 페이지 4

새 코멘트
 
Andrey Dik #:

포레스트는 FF 즉, 최적화하기 위해 시스템에 부과된 몇 가지 요구 사항입니다. 시스템에 대한 요구 사항이 변경되면 FF가 변경되지만 시스템은 변경되지 않았죠?
마치 사용자가 다양한 방법으로 요구 사항을 변경하려고 시도했지만 여전히 포레스트를 얻은 것과 같습니다. 예를 들어 통합 FF는 밸런스와 같이 포레스트와 똑같이 생겼습니다.
가능하면 일체형 FF를 사용하지 않고, 가능하지 않은 경우 FF 위에 NADstroika를 만드는 것, 즉 급격한 피크를 피하기 위해 FF에 FF를 적용하는 것이 필요합니다.
글쎄요, 예를 들어 보겠습니다. 우리는 균형 FF를 가져 왔습니다. (아마도) 숲처럼 보입니다. 근처 어딘가에있는 감각 입자에 대한 균형에 의한 최적화 결과의 탁한 물에서 낚시를 할 수 있고, 다른 방향으로 갈 수 있습니다. 표면이 더 이상 급격히 유한하지 않도록 균형 FF를 상부 구조화하고 필요한 모든 매개 변수가 가장 높은 완만 한 언덕에 가깝고 동시에 놓여 있습니다!
요컨대, FF가 급격히 유한하다면 이것이 실제로 문제에서 짜낼 수있는 전부이거나 연구원이 실수를 저질렀다고 말할 수 있습니다.

언덕/스파이크를 고려하는 것이 언제, 어떻게 합당한지는 완전히 다른 주제입니다. 이를 파악하려면 먼저 임의의 함수에서 이를 찾는 방법을 배워야 합니다.

 
fxsaber #:

이것은 완전히 다른 주제입니다. 언덕/스파이크를 고려하는 것이 언제, 어떻게 합리적일까요? 이를 위해서는 먼저 임의의 함수에서 언덕을 찾는 방법을 배워야 합니다.


좋아요. 그러면 다음과 같이 추론해 볼 수 있습니다......
하지만 '고원'(가까운 지점의 최대 농도)이 전 세계 극값보다 훨씬 낮다면 고원 높이의 수용 가능 수준은 어디까지일까요?
나는 얻을 수있는 것을 어떤 식 으로든 설명 할 수 있도록 장려하려고 노력하고 있습니다. 즉, 문제가 가장 가까운 수용 가능한 모든 솔루션이 집중된 전역 극한을 찾는 것으로 이어집니다.)
 
fxsaber 최적화 기준에 관계없이) 딱 맞습니다.
저도 같은 점이 흥미로웠습니다. 여기에 똑똑한 사람들에게 질문이 있습니다.
이것이 당신이 달성하고자하는 것입니까?

 
Andrey Dik #:

좋아요. 다음 줄을 따라 추론해 볼 수 있습니다.....
하지만 '고원'(가까운 지점의 최대 농도)이 전 세계 극한값보다 훨씬 낮은 것으로 밝혀지면 어떻게 될까요? 고원 높이의 수용 가능 수준은 어디까지일까요?
나는 얻어야 할 것이 어떤 식 으로든 설명 될 수 있다는 사실, 즉그 문제는 가장 가까운 모든 수용 가능한 솔루션이 집중된 글로벌 극한을 찾는 것으로 이어집니다).

예, 모든 것은 글로벌 극한을 찾는 것으로 귀결됩니다. GA의 마지막 단계는 그 극한값을 중심으로 이루어져야 합니다. 따라서 기본적으로 다음 GA 실행에서 버려야 할 영역이 될 것입니다.

즉, 제안된 알고리즘 중 하나를 사용하여 항상 전역만 검색합니다. 그런 다음 글로벌이 떨어진 영역을 버리고 반복합니다.

 
mytarmailS #:
저도 같은 궁금증이 있어서 똑똑하신 분들께 질문드립니다.
h ttps://stats.st ackexchange.com/questions/566930/optimization-taking-into-account-the-shape-of-the-optimization-surface
이것이 당신이 달성하고자 하는 목표인가요?

네, 그거요. 그리고 그 이상입니다.

이 그림에서 이전에 찾은 최대값의 모든 영역을 버리는 원칙에 따라 행동하면 빨간색과 녹색 영역을 모두 찾을 수 있습니다.

이 그림의 경우 5개의 최적화가 필요합니다: 4개는 빨간색, 1개는 녹색을 찾아야 합니다.

그런 다음 5 개의 포인트를 TesterDashboard의 아날로그를 통해 전달하고 누가 어떤 가치가 있는지 즉시 확인합니다.


ZЫ 스무딩을 제안하는 "똑똑한"사람들이 표면 물체 형성의 본질을 이해하지 못하는 것은 이상합니다.

 
fxsaber #:

네, 그거요. 그리고 더 있습니다.

이 그림에서 우리는 이전에 발견 된 맥시마의 모든 영역을 버리는 원칙에 따라 행동하면 빨간색과 녹색 영역을 모두 찾을 수 있습니다.

이 그림의 경우 다섯 번의 최적화가 필요합니다. 네 번은 빨간색, 한 번은 녹색을 찾아야 합니다.

그런 다음 5개의 포인트를 TesterDashboard의 아날로그를 통해 전달하고 누가 어떤 가치가 있는지 즉시 확인합니다.

그렇군요,
그래서 몇 개의 피크를 찾아서 모두 테스트하고 싶으신 거죠?

날카로운 피크를 무시하고 부드러운 피크를 찾고 싶다고 생각했습니다.


첫 번째 경우에는 적은 수의 반복으로 OA를 몇 번만 실행하면 됩니다.


두 번째 경우는 '노이즈 함수 최적화' 섹션입니다.

특수한 AO가 있는 특수한 도메인입니다.

일반적인 영역에서 AO를 수행합니다:
시뮬레이션 번아웃, 베이지안 최적화.


AO - 최적화 알고리즘
 
fxsaber #:

네, 그거요. 그리고 더 있습니다.

이 그림에서 우리는 이전에 발견 된 맥시마의 모든 영역을 버리는 원칙에 따라 행동하면 빨간색과 녹색 영역을 모두 찾을 수 있습니다.

그림의 경우 네 개는 빨간색, 하나는 녹색을 찾는 다섯 가지 최적화가 필요합니다.

그런 다음 5 개의 포인트를 TesterDashboard의 아날로그를 통해 전달하고 누가 무엇을 가치가 있는지 즉시 확인합니다.


여기! 저는 5 개의 최적화를 피하고 한 번의 최적화 내에서 한 번에 녹색 영역에 들어갈 수 있다는 것을 전달하려고합니다. 이를 위해서는 부 FF 위에 메인 FF를 도입해야합니다. 메인 FF는 녹색 영역을 설명해야하며 글로벌 최대 값입니다.
따라서 그림의 FF는 우리에게 필요한 것이 아니라 글로벌 최대값을 찾아야하는 FF가 필요합니다.
손가락으로 설명하기는 어렵지만 기사에서 할 수 있습니다))))
 
mytarmailS #:
그래서 몇 개의 피크를 찾아서 모두 테스트하고 싶은 거죠?

예. 일반적으로 20 개 이상의 피크를 확인하는 것은 의미가 없습니다. 강력한 무언가가 있다면 이 20개 중에서 찾아야 합니다.

물론 이론적으로 언덕이 깎인 고슴도치를 상상할 수 있습니다. 그러면 배출 원리에 따른 백 가지 최적화 중 언덕이 없을 것입니다. 그러나 이러한 상황은 현실과는 거리가 멀다.

일반적으로 우리는 그러한 고슴도치를 직접 만들어 대머리가 없도록합니다.

 
Andrey Dik #:

여기요! 한 번에 다섯 가지 최적화를 피할 수 있다고 말씀드리고 싶어요.
그는 녹색 영역이 필요하지 않습니다.
 
fxsaber #:

예. 일반적으로 20개 이상의 피크를 확인하는 것은 의미가 없습니다. 강력한 무언가가 있다면 이 20개 중에서 찾아야 합니다.

물론 이론적으로 언덕이 깎인 고슴도치를 상상할 수 있습니다. 그러면 배출 원칙에 따른 백 가지 최적화 중 언덕이 없을 것입니다. 그러나 이러한 상황은 현실과는 거리가 멀다.

원칙적으로 우리는 대머리를 갖기 위해 그러한 고슴도치를 형성합니다.

그렇다면 위에서 썼 듯이 아주 간단합니다.
20 개의 피크가 필요하고 AO를 20 번 실행하기 만하면됩니다.
1234567891011...13
새 코멘트