Andrey Dik / Профиль
- Информация
10+ лет
опыт работы
|
25
продуктов
|
16
демо-версий
|
14
работ
|
0
сигналов
|
0
подписчиков
|
интеллекта, оптимизации и прогнозирования.
Принимал активное участие в развитии платформы МТ5, таких как введение поддержки универсальных параллельных
вычислений на GPU и CPU с OpenCL, тестирование и бектестинг распределённых
вычислений в локальной сети и облаке при оптимизации в МТ5, мои тестовые функции входят в штатную поставку терминала.
Серия статей, посвященных алгоритмам оптимизации:
Генетические алгоритмы - это просто!: https://www.mql5.com/ru/articles/55
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
Популяционные алгоритмы оптимизации: Оптимизация инвазивных сорняков (Invasive Weed Optimization - IWO): https://www.mql5.com/ru/articles/11990
Все мои публикации: https://www.mql5.com/en/users/joo/publications
ЕСЛИ ВАМ НРАВЯТСЯ МОИ СТАТЬИ И РАЗРАБОТКИ В ОБЛАСТИ ОПТИМИЗАЦИИ - МОЖЕТЕ ПОДДЕРЖАТЬ АВТОРА И КУПИТЬ ИЛИ АРЕНДОВАТЬ МОЩНУЮ БИБЛИОТЕКУ АЛГОРИТМА ОПТИМИЗАЦИИ:
https://www.mql5.com/en/market/product/92455
https://www.mql5.com/en/market/product/93703
или любой другой из моих продуктов:
https://www.mql5.com/en/users/joo/seller
Сделать заказ для MT4 и MT5 через фриланс : https://www.mql5.com/ru/job/new?prefered=joo
Осуществляю подключения к биржам, есть готовые коннекторы.
Рекомендуемые брокеры:
https://rbfxdirect.com/ru/lk/?a=dnhp
https://www.icmarkets.com/ru/?camp=4941
В статье мы погрузимся в мир гибридизации алгоритмов оптимизации, рассмотрев три ключевых типа: смешивание стратегий, последовательную и параллельную гибридизации. Мы проведем серию экспериментов, сочетая и тестируя соответствующие алгоритмы оптимизации.
Продолжение эксперимента, цель которого - исследовать поведение популяционных алгоритмов оптимизации в контексте их способности эффективно покидать локальные минимумы при низком разнообразии в популяции и достигать глобальных максимумов. Результаты исследования.
Эта статья представляет уникальный эксперимент, цель которого - исследовать поведение популяционных алгоритмов оптимизации в контексте их способности эффективно покидать локальные минимумы при низком разнообразии в популяции и достигать глобальных максимумов. Работа в этом направлении позволит глубже понять, какие конкретные алгоритмы могут успешно продолжать поиск из координат, установленных пользователем в качестве отправной точки, и какие факторы влияют на их успешность в этом процессе.
Уникальная исследовательская попытка объединения разнообразных популяционных алгоритмов в единый класс с целью упрощения применения методов оптимизации. Этот подход не только открывает возможности для разработки новых алгоритмов, включая гибридные варианты, но и создает универсальный базовый стенд для тестирования. Этот стенд становится ключевым инструментом для выбора оптимального алгоритма в зависимости от конкретной задачи.
В статье рассматриваются практические аспекты использования алгоритмов оптимизации для поиска наилучших параметров советников "на лету", виртуализация торговых операций и логики советника. Данная статья может быть использована как своеобразная инструкция для внедрения алгоритмов оптимизации в торгового советника.
Продолжение предыдущей статьи как развитие идеи социальных групп. В новой статье исследуется эволюция социальных групп с использованием алгоритмов перемещения и памяти. Результаты помогут понять эволюцию социальных систем и применить их в оптимизации и поиске решений.
В статье рассмотрим принцип построения многопопуляционных алгоритмов и в качестве примера такого вида алгоритмов разберём Эволюцию социальных групп (ESG), новый авторский алгоритм. Мы проанализируем основные концепции, механизмы взаимодействия популяций и преимущества этого алгоритма, а также рассмотрим его производительность в задачах оптимизации.
В этой статье мы рассмотрим бинарный генетический алгоритм (BGA), который моделирует естественные процессы, происходящие в генетическом материале у живых существ в природе.
В этой статье мы проведем исследование различных методов, применяемых в бинарных генетических алгоритмах и других популяционных алгоритмах. Мы рассмотрим основные компоненты алгоритма, такие как селекция, кроссовер и мутация, а также их влияние на процесс оптимизации. Кроме того, мы изучим способы представления информации и их влияние на результаты оптимизации.
Статья рассказывает о методе оптимизации, основанном на принципах функционирования иммунной системы организма — Micro Artificial Immune System (Micro-AIS) — модификацию AIS. Micro-AIS использует более простую модель иммунной системы и простые операции обработки иммунной информации. Статья также обсуждает преимущества и недостатки Micro-AIS по сравнению с обычным AIS.
В статье представлен новый подход к решению оптимизационных задач, путём объединения идей алгоритмов оптимизации бактериального поиска пищи (BFO) и приёмов, используемых в генетическом алгоритме (GA), в гибридный алгоритм BFO-GA. Он использует роение бактерий для глобального поиска оптимального решения и генетические операторы для уточнения локальных оптимумов. В отличие от оригинального BFO бактерии теперь могут мутировать и наследовать гены.
В этой статье будет рассмотрена группа алгоритмов оптимизации, известных как "Эволюционные стратегии" (Evolution Strategies или ES). Они являются одними из самых первых популяционных алгоритмов, использующих принципы эволюции для поиска оптимальных решений. Будут представлены изменения, внесенные в классические варианты ES, а также пересмотрена тестовая функция и методика стенда для алгоритмов.
В данной статье исследуется влияние изменения формы распределений вероятностей на производительность алгоритмов оптимизации. Мы проводим эксперименты на тестовом алгоритме 'Умный головастик' (SC), чтобы оценить эффективность различных распределений вероятностей в контексте оптимизационных задач.
Первая часть статьи была посвящена известному и популярному алгоритму - имитации отжига, были рассмотрены его достоинства и подробно описаны недостатки. Вторая часть статьи посвящена кардинальному преобразованию алгоритма, его перерождению в новый алгоритм оптимизации "имитации изотропного отжига, SIA".
Алгоритм имитации отжига (Simulated Annealing) является метаэвристикой, вдохновленной процессом отжига металлов. В нашей статье проведем тщательный анализ алгоритма и покажем, как многие распространенные представления и мифы, вокруг этого наиболее популярного и широко известного метода оптимизации, могут быть ошибочными и неполными. Анонс второй части статьи: "Встречайте собственный авторский алгоритм имитации изотропного отжига (Simulated Isotropic Annealing, SIA)!"
Статья представляет полное исследование метода Нелдера-Мида объясняя, как симплекс — пространство параметров функции — изменяется и перестраивается на каждой итерации для достижения оптимального решения, а также описывает способ улучшения этого метода.
В этой статье поговорим об алгоритме, который демонстрирует самые противоречивые результаты из всех рассмотренных ранее, алгоритм дифференциальной эволюции (DE).
В статье представлен алгоритм оптимизации, основанный на закономерностях построения спиральных траекторий в природе, таких как раковины моллюсков - алгоритм оптимизации спиральной динамики, SDO. Алгоритм, предложенный авторами, был мной основательно переосмыслен и модифицирован, в статье будет рассмотрено, почему эти изменения были необходимы.