Discussão do artigo "Algoritmos de otimização populacionais: objetos de busca multissociais artificiais (artificial Multi-Social search Objects, MSO)"
Pergunta teórica (pode ser testada na prática).
Se adicionarmos um parâmetro falso (não envolvido nos cálculos do FF) com um intervalo de, por exemplo, cinco valores ao conjunto, os resultados do algoritmo melhorarão/deteriorarão?
Fórum sobre negociação, sistemas de negociação automatizados e teste de estratégias de negociação.
fxsaber, 2024.02.15 11:46 AM
input int inRange = 0; void OnInit() {}
Sobre o tópico da complexidade do FF como um TC.
O AG padrão concluiu a otimização no quadro verde.
A reinicialização do AG, primeiro com o fumbling, chegou a um resultado muito melhor (quadro vermelho).
Sobre a questão da complexidade do FF como um TC.
O GA da equipe terminou a otimização na caixa verde.
A reinicialização do AG, primeiro com o erro, chegou a um resultado muito melhor (quadro vermelho).
Para o AG padrão, vários lançamentos são a técnica recomendada (não sei se isso é bom ou ruim - há argumentos a favor e contra).
Questão teórica (pode ser testada na prática).
Se adicionarmos um parâmetro falso (não envolvido nos cálculos de FF) com um intervalo de, por exemplo, cinco valores ao conjunto, os resultados do algoritmo melhorarão/deteriorarão?
Deterioração, sem ambiguidade. As execuções do FF serão desperdiçadas em tentativas fúteis de encontrar parâmetros falsos "bons".
Quanto maior a porcentagem de possíveis variantes de parâmetros falsos em relação ao número total de possíveis variantes de parâmetros, mais forte será o impacto - no limite, visando a resultados aleatórios.
Para um GA padrão, várias partidas são a técnica recomendada (não sei se isso é bom ou ruim - há argumentos a favor e contra).
Obrigado, isso está incorporado.
Deteriorar, inequivocamente. Serão desperdiçadas muitas execuções em tentativas fúteis de encontrar parâmetros falsos "bons".
Quanto maior a porcentagem de possíveis variantes de parâmetros falsos em relação ao número total de possíveis variantes de parâmetros, mais forte será o impacto - no limite, visando a resultados aleatórios.
Vou ter que dar uma olhada nisso.
Eu diria que, mais corretamente, os parâmetros falsos dificultam a localização. Mas, se todos os fatores forem iguais, os resultados serão piores. Digamos que, se você fizer 1 milhão de execuções de ff, o resultado será o mesmo, mas se fizer 1 mil execuções, a diferença será perceptível.
- 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: objetos de busca multissociais artificiais (artificial Multi-Social search Objects, MSO) foi publicado:
Continuação do artigo anterior como desenvolvimento da ideia de grupos sociais. No novo artigo, explora-se a evolução dos grupos sociais utilizando algoritmos de movimentação e memória. Os resultados ajudarão a entender a evolução dos sistemas sociais e aplicá-los na otimização e busca de soluções.
No artigo anterior, discutimos a evolução dos grupos sociais, onde eles se moviam livremente no espaço de busca. No entanto, neste artigo, propomos modificar esse conceito e supor que os grupos se movem entre setores, pulando de um para outro. Todos os grupos têm seus centros, que são atualizados em cada iteração do algoritmo. Além disso, introduzimos o conceito de memória tanto para o grupo como um todo quanto para cada partícula individual nele. Usando essas mudanças, nosso algoritmo agora permite que os grupos se movam de setor em setor, baseando-se nas informações das melhores soluções.
Essa nova modificação abre novas possibilidades para a investigação da evolução dos grupos sociais. A transição para setores permite que os grupos troquem informações e experiências dentro de cada setor, o que pode levar a uma busca e adaptação mais eficazes. A introdução da memória permite que os grupos armazenem informações sobre movimentos anteriores e as utilizem para tomar decisões sobre movimentos futuros.
Neste artigo, realizaremos uma série de experimentos para investigar como esses novos conceitos afetam as qualidades de busca do algoritmo. Analisaremos a interação entre os grupos, sua capacidade de cooperação e coordenação, bem como sua capacidade de aprendizado e adaptação. Nossos resultados podem lançar luz sobre a evolução dos sistemas sociais e ajudar a entender melhor como os grupos se formam, evoluem e se adaptam a ambientes em mudança.
Autor: Andrey Dik