Обсуждение статьи "Улучшенная оптимизация сталкивающихся тел — Enhanced Colliding Bodies Optimization (ECBO)"
Андрей, добрый день! Вы тестируете стратегии на наборе определенных функций. А вы не строили графики целевой функции для реальных торговых задач оптимизации, скажем фиксируя все переменные кроме одной или двух на уровне оптимизированных значений, и оставляя только одну или две, чтобы визуализировать график. На что эти реальные функции похожи в терминах ваших тестов?
И ещё вопрос, если позволите. Если форма графика целевой функции имеет локальные экстремумы вблизи глобального не намного отличающееся от него по значению то в этом случае не имеет большого смысла какой набор параметров будет взят для реального использования. Если эту мысль развивать, то возможно использование нескольких независимых значений наборов параметров с использованием операции логического И повысит надёжность генерируемых сигналов. Как вы думаете? И есть ли техническая возможность реализации данного подхода. По сути существует пространство решений ограниченных поверхностью, дающих прибыльность выше заданного уровня. Возможно есть способ повысить надёжность сигналов, совместно используя разные точки из этого пространства с целью взаимной валидации
Pavel Egorov #:
Андрей, добрый день! Вы тестируете стратегии на наборе определенных функций. А вы не строили графики целевой функции для реальных торговых задач оптимизации, скажем фиксируя все переменные кроме одной или двух на уровне оптимизированных значений, и оставляя только одну или две, чтобы визуализировать график. На что эти реальные функции похожи в терминах ваших тестов?
Андрей, добрый день! Вы тестируете стратегии на наборе определенных функций. А вы не строили графики целевой функции для реальных торговых задач оптимизации, скажем фиксируя все переменные кроме одной или двух на уровне оптимизированных значений, и оставляя только одну или две, чтобы визуализировать график. На что эти реальные функции похожи в терминах ваших тестов?
на Megacity похоже
Pavel Egorov #:
И ещё вопрос, если позволите. Если форма графика целевой функции имеет локальные экстремумы вблизи глобального не намного отличающееся от него по значению то в этом случае не имеет большого смысла какой набор параметров будет взят для реального использования. Если эту мысль развивать, то возможно использование нескольких независимых значений наборов параметров с использованием операции логического И повысит надёжность генерируемых сигналов. Как вы думаете? И есть ли техническая возможность реализации данного подхода. По сути существует пространство решений ограниченных поверхностью, дающих прибыльность выше заданного уровня. Возможно есть способ повысить надёжность сигналов, совместно используя разные точки из этого пространства с целью взаимной валидации
И ещё вопрос, если позволите. Если форма графика целевой функции имеет локальные экстремумы вблизи глобального не намного отличающееся от него по значению то в этом случае не имеет большого смысла какой набор параметров будет взят для реального использования. Если эту мысль развивать, то возможно использование нескольких независимых значений наборов параметров с использованием операции логического И повысит надёжность генерируемых сигналов. Как вы думаете? И есть ли техническая возможность реализации данного подхода. По сути существует пространство решений ограниченных поверхностью, дающих прибыльность выше заданного уровня. Возможно есть способ повысить надёжность сигналов, совместно используя разные точки из этого пространства с целью взаимной валидации
это уже вопросы касаются следующего:
1. "Как корабль назовёшь, так он и поплывёт" - какая целевая (фитнес функция), такая и поверхность. Не нравится поверхность - меняем целевую.
2. Вопросы постобработки полученных результатов оптимизации.
то, о чём говорите - имеет смысл, моё мнение.
Мне не нравится ваши работы.
это мягко сказать.
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Улучшенная оптимизация сталкивающихся тел — Enhanced Colliding Bodies Optimization (ECBO):
В статье рассматривается алгоритм Colliding Bodies Optimization (CBO), основанный на физике одномерных столкновений тел. Базовая версия алгоритма не содержит настраиваемых параметров, что делает её простой. Поэтому за основу реализации была взята расширенная версия ECBO, дополненная памятью столкновений и механизмом кроссовера, что позволило алгоритму показать достойные результаты и занять место в рейтинговой таблице.
Colliding Bodies Optimization (CBO) — это метаэвристический алгоритм оптимизации, разработанный Кавехом и Махдави в 2014 году. Алгоритм черпает вдохновение из физики одномерных столкновений тел, где каждое потенциальное решение задачи оптимизации представляется как физическое тело, обладающее массой и скоростью. Подобно тому, как в реальном мире при столкновении двух объектов происходит обмен импульсом и энергией, в алгоритме CBO кандидаты-решения сталкиваются друг с другом, обмениваясь информацией о своих позициях в пространстве поиска и тем самым направляя поиск к оптимуму.
Физическая метафора алгоритма основана на хорошо известных законах сохранения импульса и энергии. Представим два бильярдных шара: когда движущийся шар ударяет в неподвижный, оба шара после столкновения приобретают новые скорости, зависящие от их масс и начальных скоростей. При этом более тяжёлый шар сложнее сдвинуть с места, а лёгкий шар получает больший импульс. Именно эта интуиция лежит в основе CBO — хорошие решения с высоким значением целевой функции получают большую массу и оказывают большее влияние на направление поиска, притягивая к себе плохие решения.
Автор: Andrey Dik