Discussão do artigo "Algoritmos populacionais de otimização: Evolução diferencial (Differential Evolution, DE)"
Por favor, adicione links para a descrição de cada algoritmo na ordem do diagrama.
Mais uma vez, obrigado por compartilhar.
fxsaber #:
Adicione links para a descrição de cada algoritmo na ordem do diagrama.
Mais uma vez, obrigado por compartilhar.
Obrigado pela sugestão.
Seria ótimo se você pudesse criar os links diretamente no gráfico de barras, mas, infelizmente, o mecanismo do artigo não permite isso.
Acho que os links podem ser adicionados na tabela. Vou tentar fazer isso.
Cometi um erro, a imagem da mesa colorida do artigo anterior foi substituída pela atual.
Após verificar a versão mais recente do artigo, a nova imagem estará disponível. No entanto, há uma tabela colorida real no arquivo e você pode dar uma olhada nela.
Aqui está ela:
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
Novo artigo Algoritmos populacionais de otimização: Evolução diferencial (Differential Evolution, DE) foi publicado:
Neste artigo, falaremos sobre o algoritmo que apresenta os resultados mais contraditórios de todos os examinados anteriormente, o de evolução diferencial (DE).
A estratégia da Evolução Diferencial se baseia em sua combinação de simplicidade e eficácia. Utilizando uma população de vetores que representam soluções potenciais, cada vetor é formado por componentes que correspondem aos valores das variáveis do problema em questão.
Na DE, a função do agente de busca é desempenhada pelo vetor. O processo inicia com uma população aleatória de vetores, seguido de um ciclo iterativo de mutação e cruzamento com outros vetores da população. A mutação envolve a adição da diferença entre dois vetores aleatórios a um terceiro vetor, gerando uma nova solução candidata.
Após a mutação, ocorre o cruzamento desse vetor mutado com o vetor original, possibilitando a combinação de informações e a criação de novas variantes de soluções. O resultado obtido é comparado com a melhor solução atual na população. Se o novo vetor for melhor, ele substitui o vetor antigo e passa a fazer parte da população. A mutação permite explorar o espaço de busca, enquanto o cruzamento permite combinar informações de diferentes vetores e criar novas variantes de soluções.
Esse processo é repetido diversas vezes, até que se atinja um critério de parada pré-estabelecido, como um número específico de iterações ou a obtenção de uma solução com a precisão desejada, neste caso, alcançar 10000 execuções da função de adaptação.
Autor: Andrey Dik