Discussão do artigo "Importância da qualidade do gerador de números aleatórios no desempenho dos algoritmos de otimização" - página 15

[[Excluído]]

Agora que o cachorro está abanando o rabo (empirismo por otimização) e não o contrário, podemos considerar qualquer algoritmo de otimização para um processo condicionalmente estacionário.

Nesse caso, podemos usar a terminologia de encontrar mínimos globais e locais.

Mas não para otimizar incógnitas e ajustar-se a mínimos ou máximos abstratos.

Mas, mesmo nesse caso, a AO tende ao treinamento excessivo (pré-ajuste) e, em seguida, as técnicas de validação são usadas para determinar a robustez de determinados parâmetros da teoria de aprendizado.

[Andrey Dik]

С

Yuriy Bykov #:
Infelizmente, ficou ainda menos claro do que estamos falando.

fxsaber #:

Linguagem obtusa + formato do fórum = mal-entendido com alta probabilidade.

Aqueles que desejarem participar de uma discussão construtiva sobre o problema da busca de soluções robustas podem escrever para mim em mensagens privadas. Organizaremos um bate-papo particular com os participantes por convite.

E a participação em conversas que não implicam em diálogo construtivo não está em minha lista de tarefas atual.

[[Excluído]]

Se tudo isso estivesse escrito em algum lugar, não teríamos que fazer uma lavagem cerebral nas pessoas com máximos e platôs e outras besteiras que não têm significado fora do contexto da estacionariedade do processo.

[[Excluído]]

Mesmo quando as condições são atendidas, o Monte Carlo de força bruta funciona tão bem quanto todos os outros algoritmos. Ou seja, basta escolher valores aleatórios de parâmetros n vezes e validar.