Discussão do artigo "Algoritmos genéticos - é fácil!" - página 10
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
... mas no loop superior é atribuído +1, então eu subtraio e depois -1 ...
É aí que o cachorro está!!! E eu penso - como é possível - que o artigo já tem um ano - e tudo funciona, ninguém reclama ... Mais uma vez, obrigado pelo artigo ... e pelas explicações :)
@jooOlá. Adoro seu Zig-Zag, mas ele é lento em um grande número de velas. É possível obter aceleração sem perda de qualidade?
Desculpe-me, mas não sou o autor desse indicador.
Consulte a página de discussão desse indicador.
Não vou contestar a competência da fonte citada, mas tenho que discordar.
A conveniência de usar o GA em problemas de otimização está na redução do número de execuções de FF necessárias para determinar o ótimo em comparação com a pesquisa direta.
Se seguirmos a recomendação
então para um problema com 1.000 argumentos seria necessário um tamanho de população de 11.000 indivíduos! E isso significa 11.000 execuções de FF em apenas uma época! Você também pode usar a geração aleatória de genes e o resultado não será muito inferior para encontrar o melhor. A fonte fornecida faz uma "aposta" de que, em uma população grande, haverá material genético suficiente para desenvolver ainda mais a população em direção ao aprimoramento a cada época. Estou tentando conseguir a mesma coisa, mas às custas de jogar probabilidades com operadores genéticos sem um aumento total nas execuções de FF.
Sinceramente, não conseguiria imaginar um problema com 1.000 argumentos. Uso o algoritmo para treinar uma rede neural, digamos, cinco camadas, embora três geralmente sejam suficientes, de modo que a entrada é de 14 variáveis para a rede de cinco camadas e 17 para a rede de três camadas!!!! O que você pode colocar aí?
Fácil.
Aqui está o número de parâmetros otimizáveis para uma rede de 4 camadas com 2 camadas ocultas, por exemplo, para esta - 10-40-40-40-1:
10*40+40+40+40+40+40*40+40+40+40+40*1+1=2121 (pesos dos neurônios e seus deslocamentos para 40+40+1=81 neurônios).
Como você pode ver, 2121 parâmetros precisam ser otimizados para uma rede relativamente pequena.
É possível publicar um exemplo de como você usaria essa biblioteca para otimizar um Expert Advisor da mesma forma que o MT faz?
Seria de grande ajuda para mim
Obrigado, senhor
É possível publicar um exemplo de como você usaria essa biblioteca para otimizar um consultor especialista da mesma forma que o MT faz?
Seria de grande ajuda para mim
Muito obrigado
Infelizmente, não há tempo para isso, e o estímulo....
Talvez mais tarde.
Desculpe-me, mas sou um pouco burro.
Acontece que no algoritmo com genes contínuos considerado aqui, um parâmetro como uma etapa não tem sentido. Só podemos falar de precisão se o resultado for conhecido antecipadamente e for necessário encontrar argumentos.
...
Acontece que, no algoritmo com genes contínuos considerado aqui, um parâmetro como a etapa não tem sentido. Só podemos falar de precisão se o resultado for conhecido antecipadamente e for necessário encontrar argumentos.
Exatamente, se a distância entre os genes for grande o suficiente, a etapa será maior; à medida que os genes se aproximam, a etapa diminui automaticamente, simplesmente porque o próprio conceito de etapa não é usado, mas a precisão com a qual você precisa encontrar uma solução. A distância entre os genes é o tempo todo dividido pelo período aleatório, e é constante 32768. O número resultante será a etapa condicional.
Se nem mesmo o resultado for conhecido, você pode presumir a solução com a precisão necessária, pois é mais fácil do que no espaço desconhecido especificar com que etapa você precisa procurar uma solução.