Discussão do artigo "Algoritmos de otimização populacionais: Algoritmo de mudas, semeadura e crescimento (SSG)" - página 2
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
ZY. Uma pergunta interessante para todos os interessados nesse tópico: qual é a diferença entre extremos locais e extremos globais (sem levar em conta a diferença nos valores de FF)?
Nada.
Algumas antenas de agulha.
Eu realmente não entendo o que você quer fazer, então não garanto a qualidade da orientação...
é disso que você precisa:
é isso que é necessário:
Não é bem assim. Suponha que um AG tenha realizado 100 etapas em uma função como a da imagem. Dessas, 90 terminarão perto do global. Esse é o grupo de etapas próximas que vale a pena.
Se estivermos lidando com um ouriço, teremos muitos mini-clusters em torno de alguns pontos. Esses pontos são o que precisamos. O GA pode refinar as coordenadas dos clusters por meio do espaço estreito ao redor deles.
Em termos gerais, precisamos classificar os resultados do AG em clusters e, em seguida, finalizar cada cluster com otimização estreita. Obteremos um conjunto de parâmetros de entrada "interessantes" para o TC.
Não é bem assim. Suponha que o AG tenha realizado 100 etapas em uma função como a da imagem. Dessas, 90 terminarão próximas da global. Esse é o grupo de etapas próximas que vale a pena.
Se estivermos lidando com um ouriço, teremos muitos mini-clusters em torno de alguns pontos. Esses pontos são o que precisamos. O AG pode refinar as coordenadas dos clusters por meio do espaço estreito ao redor deles.
Em termos gerais, precisamos classificar os resultados do AG em clusters e, em seguida, finalizar cada cluster com otimização estreita. Obteremos um conjunto de parâmetros de entrada "interessantes" para o TC.
certo?
É isso mesmo?
Sim. Acho que se, após cada otimização, você cortar uma parte do espaço (como 80% da entrada, o que estiver por perto) do global encontrado, é assim que tudo será encontrado.
Figura 5: Função de teste de floresta.
Uma excelente visualização do que pode ser visto durante uma enumeração completa de TC. Obviamente, 3D são os dois parâmetros de entrada aqui. Mas os deslizes/pontos são claramente visíveis. Para TCs, os picos geralmente são ruins. Os topos de morro, por outro lado, são os mais interessantes.
Com relação ao fato de os picos serem maléficos. Para o TC, eles são aleatórios - um ajuste apertado (independentemente do critério de otimização).
Sim. Acho que se, após cada otimização, você cortar uma parte do espaço (como 80% da entrada, o que estiver por perto) do global encontrado, é assim que tudo será encontrado.
Essa parte é caracterizada por um determinado intervalo para cada parâmetro de entrada. Portanto, se você tiver os dados da região de corte, poderá facilmente (mesmo no testador padrão) realizar a otimização sem esse pedaço de espaço.
Mas não tenho a menor competência para definir a área ao redor do máximo global encontrado nos resultados do GA.
Um exemplo simples. Executamos uma otimização em um TC. Ela foi concluída com a saída de conjuntos de entradas. Precisamos encontrar o agrupamento de pontos multidimensionais mais perceptível (o número de pontos dividido pelo raio mínimo da esfera em que eles se encaixam) entre esses conjuntos.
O que é necessário é um modo que encontre todas as colinas e forneça esses intervalos para todos os parâmetros que podem ser trabalhados posteriormente.
As otimizações subsequentes só podem ser feitas dentro dos intervalos dessas colinas de robustez.
são os topos das colinas que são mais interessantes.