AO Core
- Библиотеки
- Andrey Dik
- Версия: 1.8
- Обновлено: 14 июля 2023
- Активации: 20
AO Core - ядро алгоритма оптимизации, это библиотека, построенная на авторском алгоритме HMA (hybrid metaheuristic algorithm).
Пример применения AO Core описан в статье:
https://www.mql5.com/ru/articles/14183
https://www.mql5.com/ru/blogs/post/756509
Данный гибридный алгоритм основан на генетическом алгоритме и содержит лучшие качества и свойства популяционных алгоритмов.
Скоростной расчет в HMA гарантирует непревзойденную точность и высокие поисковые способности, позволяет экономить совокупное время на проведение оптимизации, где лучшее решение будет найдено за меньшее количество итераций. Производительность этого алгоритма превосходит все известные популяционные алгоритмы оптимизации.
В составе каких проектов может быть использована эта библиотека и улучшить результаты:
1. Автоматическая самооптимизация в советниках.
2. Поиск оптимального соотношения прибыль/риск для реализации гибкого манименеджмента.
3. Оптимизация портфеля, включая самооптимизацию портфелей.
4. Применение в составе оптимизатора уже найденных решений.
5. Применение в машинном обучении и совместно с нейронными сетями.
Технические характеристики:
1. Количество оптимизируемых параметров: неограниченно.
2. Шаг оптимизируемых параметров: неограниченно, начиная с 0.0.
3. Высокая масштабируемость и стабильность результатов.
Важно!
Пожалуйста, не покупайте библиотеку, если вы не до конца понимаете что с ней делать и как использовать.
Библиотека совсем не имеет настроечных параметров (снижение степеней свободы увеличивает устойчивость результатов). Необходимо только задать размер популяции (может быть очень полезно при организации распараллеливания исторических прогонов на OpenCL-устройствах).
Экспортируемые функции библиотеки:
//—————————————————————————————————————————————————————————————————————————————— #import "MQL5\\Scripts\\Market\\AO Core.ex5" bool Init (int colonySize, double &range_min [] , double &range_max [] , double &range_step []); //------------------------------------------------------------------------------ void Preparation (); void GetVariantCalc (double &variant [], int pos); void SetFitness (double value, int pos); void Revision (); //------------------------------------------------------------------------------ void GetVariant (double &variant [], int pos); double GetFitness (int pos); #import //——————————————————————————————————————————————————————————————————————————————
Опубликованные статьи автора:
Популяционные алгоритмы оптимизации: https://www.mql5.com/ru/articles/8122
Популяционные алгоритмы оптимизации: Рой частиц (PSO): https://www.mql5.com/ru/articles/11386
Популяционные алгоритмы оптимизации: Муравьиная Колония (Ant Colony Optimization - ACO): https://www.mql5.com/ru/articles/11602
Популяционные алгоритмы оптимизации: Искусственная Пчелиная Колония (Artificial Bee Colony - ABC): https://www.mql5.com/ru/articles/11736
Популяционные алгоритмы оптимизации: Оптимизация Стаей Серых Волков (Grey Wolf Optimizer - GWO): https://www.mql5.com/ru/articles/11785
Популяционные алгоритмы оптимизации: Алгоритм оптимизации с кукушкой (Cuckoo Optimization Algorithm — COA): https://www.mql5.com/ru/articles/11786
Популяционные алгоритмы оптимизации: Поиск косяком рыб (Fish School Search — FSS): https://www.mql5.com/ru/articles/11841
Популяционные алгоритмы оптимизации: Светлячковый алгоритм (Firefly Algorithm - FA): https://www.mql5.com/ru/articles/11873
Популяционные алгоритмы оптимизации: Алгоритм летучих мышей (Bat algorithm - BA): https://www.mql5.com/ru/articles/11915
Hello, I have to congratulate you for allowing me to purchase this application, excellent service from every point of view. Thank you.!!!