Обсуждение статьи "Популяционные алгоритмы оптимизации: Светлячковый алгоритм (Firefly Algorithm - FA)"

Новый комментарий
 

Опубликована статья Популяционные алгоритмы оптимизации: Светлячковый алгоритм (Firefly Algorithm - FA):

Рассмотрим метод оптимизации "Поиск с помощью светлячкового алгоритма" (FA). Из аутсайдера путем модификации алгоритм превратился в настоящего лидера рейтинговой таблицы.

Алгоритм светлячка имеет три правила, которые основаны на характеристиках мерцания реальных светлячков. Вот они:

  1. Все светлячки будут двигаться к более привлекательным и ярким.
  2. Степень притяжения светлячка пропорциональна его яркости, которая снижается по мере увеличения расстояния от другого светлячка из-за того, что воздух поглощает свет. Следовательно, между любыми двумя мигающими светлячками менее яркий будет двигаться к более яркому. Если нет более яркого или более привлекательного светлячка, чем конкретный, он будет двигаться случайным образом.
  3. Яркость или интенсивность света светлячка определяется значением целевой функции задачи.

Суть алгоритма наглядно представлена на рисунке 1.


Fas

Автор: Andrey Dik

 

Спасибо за публикацию результатов вашего исследования!

Мне нравятся результаты и методология оценки - но есть ли способ использовать эту технику оптимизации в MT5 EA-Optimizer?

Я исхожу из практической стороны и хотел бы знать, как я могу использовать это новое исследование, чтобы оптимизировать лучшие и более стабильные советники.


Большое спасибо!

 
Eugen Funk #:

Спасибо за публикацию результатов ваших исследований!

Мне нравятся результаты и методология оценки - но есть ли способ использовать эту технику оптимизации в MT5 EA-Optimizer?

Я исхожу из практической стороны и хотел бы знать, как я могу использовать это новое исследование, чтобы оптимизировать лучшие и более стабильные советники.


Большое спасибо!

Спасибо за отзыв!
Обычный сценарий использования подобных алгоритмов оптимизации в трейдинге - это самооптимизация в советниках, утилитах, индикаторах, для обучения нейронных сетей, в адаптивных системах.
 
Andrey Dik #:
Спасибо за отзыв!
Обычный сценарий использования таких алгоритмов оптимизации в трейдинге - это самооптимизация в советниках, утилитах, индикаторах, для обучения нейронных сетей, в адаптивных системах.

Спасибо! Не могли бы вы указать мне на пример статьи, в которой реализована "самооптимизация"?

 
Eugen Funk #:

Спасибо! Не могли бы вы указать мне на какой-нибудь пример статьи, в которой реализована "самооптимизация"?

https://www.mql5.com/en/search#!keyword=self-optimization&module=mql5_module_articles

насколько я могу судить, тема самооптимизации в экспертах для MQL5 раскрыта не полностью. возможно, мне стоит попробовать написать статью на эту тему, используя один из алгоритмов оптимизации из моих статей.

 
Andrey Dik #:

https://www.mql5.com/en/search#!keyword=self-optimization&module=mql5_module_articles

насколько я могу судить, тема самооптимизации в экспертах для MQL5 раскрыта не полностью. возможно, мне стоит попробовать написать статью на эту тему, используя один из алгоритмов оптимизации из моих статей.

Спасибо за подсказки.

Хм, в принципе, я ожидал увидеть способ запуска оптимизатора с другим алгоритмом оптимизации (сейчас я всегда использую "быстрый генетический алгоритм").

А это выглядит скорее как скрипт/программа, делающая все на нижнем уровне. Однако я не уверен, правильно ли я это понял.

Было бы здорово иметь возможность заменить "быстрый генетический алгоритм" каким-нибудь настраиваемым классом, реализующим вычисление метрики (результат: float) и решения по исследованию из N предыдущих запусков.

Новый комментарий