Обсуждение статьи "Популяционные алгоритмы оптимизации: Рой частиц (PSO)"
спасибо за комментарий! да, можно связать коэффициенты с итерациями, как это делается в алгоритме оптимизации стаей серых волков. посмотрите, пожалуйста, мои следующие статьи.
К сожалению, не все статьи еще опубликованы на английском языке.
Алгоритмы оптимизации популяций: Ant Colony Optimization (ACO): https://www.mql5.com/ru/articles/11602
Алгоритмы оптимизации популяций: Искусственная пчелиная колония (ABC): https://www.mql5.com/ru/articles/11736
Алгоритмы оптимизации популяций: Оптимизация стаей серых волков (GreyWolf Optimizer - GWO): https://www.mql5.com/ru/articles/11785
Эти статьи о метаэвристических методах оптимизации просто потрясающие! Вы делаете огромную работу, Андрей, это поразительно, как много опыта вы можете поделиться с нами, спасибо!
@METAQUOTES, пожалуйста, рассмотрите возможность внедрения этих целей метаэвристической оптимизации в оптимизатор! Это было бы здорово для программного обеспечения.
Что-то простое, что пользователь может установить внутри OnTester() как:
OptimizerSetEngine("ACO"); // Оптимизация муравьиной колонии OptimizerSetEngine("COA"); // алгоритм оптимизации "кукушки" OptimizerSetEngine("ABC"); // искусственная пчелиная колония OptimizerSetEngine("GWO"); // оптимизатор "серый волк OptimizerSetEngine("PSO"); // оптимизация роем частиц
Привет из Бразилии
Эти статьи о метаэвристических методах оптимизации просто потрясающие! Вы делаете огромную работу, Андрей, это просто умопомрачительно, как много опыта вы можете поделиться с нами, спасибо!
@METAQUOTES, пожалуйста, рассмотрите возможность внедрения этих целей метаэвристической оптимизации в оптимизатор! Это было бы здорово для программы.
Что-то простое, что пользователь может установить внутри OnTester() как:
Cheers from Brazil
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Популяционные алгоритмы оптимизации: Рой частиц (PSO):
В данной статье рассмотрим популярный алгоритм "Рой Частиц" (PSO — particle swarm optimisation). Ранее мы обсудили такие важные характеристики алгоритмов оптимизации как сходимость, скорость сходимости, устойчивость, масштабируемость, разработали стенд для тестирования, рассмотрели простейший алгоритм на ГСЧ.
Поскольку мы используем одну и ту же схему построения алгоритмов, что и в первой статье цикла (и в дальнейшем продолжим это делать), описанную на рис.2, то нам не составить труда подключить алгоритм к тестовому стенду.
Запустив стенд, мы увидим анимации, подобные тем, что показаны ниже. В данном случае мы хорошо видим, как ведет себя рой частиц. Рой ведет себя действительно как рой в природе. По тепловой карте функции он перемещается в виде плотного облака.
Напомню, что черным кружком обозначен глобальный оптимум (max) функции, а черной точкой - лучшие усредненные координаты алгоритма поиска, полученные на момент текущей итерации. Поясним откуда берутся усредненные значения. Тепловая карта двумерная по координатам, а оптимизируемая функция может включать сотни переменных (измерений) - поэтому результат, усредненный по координатам.
Как видим на анимации, тесты показали, что PSO достаточно хорошо справляется c гладкой первой функцией, но только при оптимизации двух переменных, с увеличением размерности пространства поиска, эффективность алгоритма резко падает, особенно это заметно на второй и дискретной третьей функциях. Результаты заметно хуже, чем у случайного алгоритма, описанного в предыдущей статье. К результатам мы еще вернёмся и подробно обсудим их при формировании сравнительной таблицы результатов.
Автор: Andrey Dik