Разбираем FDO — алгоритм, вдохновлённый роением пчёл, но интересный не пчёлами. Формулы просты, но направление шага фиксирует агента на луче к глобально лучшему, сводя поиск к одной степени свободы. Мы воспроизводим канонику, сопоставляем результат с равномерным случайным перебором на том же бюджете вычислений и устраняем дефект минимальной правкой. Прилагаются готовая реализация на MQL5, полный протокол тестов и методика нуль‑модели для оценки пользы итераций.
В серии, посвящённой алгоритмам оптимизации, в очередном кандидате я обычно ищу что-нибудь, чего раньше не встречал: необычный оператор, неожиданную геометрию поиска, простую с виду идею, которая при этом может работать.
Fitness Dependent Optimizer (FDO), предложенный Jaza M. Abdullah и Tarik A. Rashid в 2019 году, заинтересовал меня по другой причине. Идея у него простая, метафора пчелиная и, как бывает, к делу отношения не имеет. Зато внутри обнаружился конструктивный дефект. Он лежит на поверхности, но остался незамеченным, а низкая размерность авторских тестов объясняет почему. Дефект устраняется правкой в одну строку, после которой алгоритм прибавляет на восемнадцать процентных пунктов.
Один из результатов лучше назвать сразу, а не приберегать к выводам. Со строкой случайного алгоритма в рейтинговой таблице мы сверяемся постоянно. Любой мало-мальски работающий алгоритм её проходит. FDO не прошёл проверку. Каноническая версия, израсходовав весь бюджет вычислений целевой функции, приходит к решению хуже, чем десять тысяч случайных точек в пространстве поиска. Как мы к этому пришли и что с этим делать — дальше по тексту.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Алгоритм оптимизации на основе приспособленности — Fitness Dependent Optimizer (FDO):
Разбираем FDO — алгоритм, вдохновлённый роением пчёл, но интересный не пчёлами. Формулы просты, но направление шага фиксирует агента на луче к глобально лучшему, сводя поиск к одной степени свободы. Мы воспроизводим канонику, сопоставляем результат с равномерным случайным перебором на том же бюджете вычислений и устраняем дефект минимальной правкой. Прилагаются готовая реализация на MQL5, полный протокол тестов и методика нуль‑модели для оценки пользы итераций.
В серии, посвящённой алгоритмам оптимизации, в очередном кандидате я обычно ищу что-нибудь, чего раньше не встречал: необычный оператор, неожиданную геометрию поиска, простую с виду идею, которая при этом может работать.
Fitness Dependent Optimizer (FDO), предложенный Jaza M. Abdullah и Tarik A. Rashid в 2019 году, заинтересовал меня по другой причине. Идея у него простая, метафора пчелиная и, как бывает, к делу отношения не имеет. Зато внутри обнаружился конструктивный дефект. Он лежит на поверхности, но остался незамеченным, а низкая размерность авторских тестов объясняет почему. Дефект устраняется правкой в одну строку, после которой алгоритм прибавляет на восемнадцать процентных пунктов.
Один из результатов лучше назвать сразу, а не приберегать к выводам. Со строкой случайного алгоритма в рейтинговой таблице мы сверяемся постоянно. Любой мало-мальски работающий алгоритм её проходит. FDO не прошёл проверку. Каноническая версия, израсходовав весь бюджет вычислений целевой функции, приходит к решению хуже, чем десять тысяч случайных точек в пространстве поиска. Как мы к этому пришли и что с этим делать — дальше по тексту.
Автор: Andrey Dik