Discussão do artigo "Algoritmos de otimização populacionais: Enxame de partículas (PSO)"
obrigado pelo comentário! sim, é possível vincular coeficientes a iterações, como é feito no algoritmo de otimização por uma matilha de lobos cinzentos. dê uma olhada nos meus artigos a seguir.
Infelizmente, nem todos os artigos ainda foram publicados em inglês.
Algoritmos de otimização de população: Ant Colony Optimization (ACO): https://www.mql5.com/ru/articles/11602
Algoritmos de otimização de população: Artificial Bee Colony (ABC): https://www.mql5.com/ru/articles/11736
Algoritmos de otimização de população: Otimização por uma matilha de lobos cinzentos (GreyWolf Optimizer - GWO): https://www.mql5.com/ru/articles/11785
Esses artigos sobre técnicas de otimização metaheurística são incríveis! Você está fazendo um ótimo trabalho, Andrey, é impressionante a quantidade de experiência que você tem para compartilhar conosco, obrigado!
@METAQUOTES, considere a possibilidade de implementar essas metas de otimização metaheurística no otimizador! Isso seria ótimo para o software.
Algo fácil que o usuário possa definir dentro de OnTester() como:
OptimizerSetEngine("ACO"); // Otimização por colônia de formigas OptimizerSetEngine("COA"); // algoritmo de otimização cuco OptimizerSetEngine("ABC"); // colônia de abelhas artificial OptimizerSetEngine("GWO"); // otimizador grey wolf OptimizerSetEngine("PSO"); // otimização por enxame de partículas
Abraços do Brasil
Esses artigos sobre técnicas de otimização metaheurística são incríveis! Você está fazendo um ótimo trabalho Andrey, é impressionante a quantidade de experiência que você tem para compartilhar conosco, obrigado!
@METAQUOTES, considere a possibilidade de implementar essas metas de otimização metaheurística no otimizador! Isso seria ótimo para o software.
Algo fácil que o usuário possa definir dentro de OnTester() como:
Abraços do Brasil
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Algoritmos de otimização populacionais: Enxame de partículas (PSO) foi publicado:
Neste artigo vamos analisar o popular algoritmo de otimização por enxame de partículas (PSO). Anteriormente, discutimos características importantes de algoritmos de otimização, como convergência, velocidade de convergência, estabilidade, escalabilidade e desenvolvemos uma bancada de testes. Também analisamos um algoritmo simples baseado em geradores de números aleatórios (GNA).
Como utilizamos o mesmo esquema de construção do algoritmo que no primeiro artigo da série (e continuaremos fazendo isso), descrito na Figura 2, não temos problemas para incluir o algoritmo na bateria de testes.
Ao iniciar essa bateria, será possível visualizar animações semelhantes às mostradas abaixo. Neste exemplo, é possível ver claramente como o enxame de partículas se comporta, movendo-se como uma nuvem densa no mapa de calor da função.
É importante lembrar que o círculo preto representa o ótimo global (máximo) da função e o ponto preto representa as melhores coordenadas médias obtidas pelo algoritmo de busca na iteração atual. As coordenadas são calculadas como a média entre as medidas, já que a função a ser otimizada pode incluir centenas de variáveis.
PSO sobre a função de teste Skin.
PSO sobre a função de teste Forest.
PSO sobre uma função de teste Megacity.
De acordo com a animação, os testes mostraram que o PSO (Particle Swarm Optimization) funciona bem com a primeira função, especialmente quando otimizando apenas duas variáveis. No entanto, à medida que a dimensionalidade do espaço de busca aumenta, a eficiência do algoritmo diminui significativamente, especialmente na segunda e terceira função discretas. Os resultados são notavelmente inferiores aos obtidos pelo algoritmo aleatório descrito no artigo anterior. Discutiremos esses resultados em detalhes e os compararemos com outros algoritmos na tabela comparativa de resultados.
Autor: Andrey Dik