Genetik algoritma ve olası uygulaması - sayfa 2

Yeni yorum
 
Hedef, doğrudan değil, yerleşik optimize edicide belirlenir.

1. Göstergenizi stratejinin kâr eğrisini belirleyen bir fonksiyon olarak ayarlarsınız
2. Optimize edici, stratejinin elde ettiği kârı hedefi olarak alır

GA'nın olası uygulamaları burada belirtilmiştir
 
Doğru anlarsam, bireylerin aynı "genleri" (parametreleri) (aynı sistemin aynı parametrelerin farklı değerlerine sahip kopyaları) arasında "geçiş" yapılabilir.

Bu durumda, "çapraz" basit bir ortalama olmalıdır (iki, iki parametre, iki "kromozom" yapı olarak aynı olan iki değerin toplamı)?

Bir anlamda, bir sistemin kopyalarının karşıt parametrelerinin değerleri toplanır, ikiye bölünür ve parametrelerin ortalama değerleri ile sistemin üçüncü bir kopyası elde edilir?
 
RomFil :
hedefini belirlemenin bir yolu yok

OnTester() uygun değil mi?

 
Реter Konow :
Doğru anlarsam, bireylerin aynı "genleri" (parametreleri) (aynı sistemin aynı parametrelerin farklı değerlerine sahip kopyaları) arasında "geçiş" yapılabilir.

Bu durumda, "geçiş" basit bir ortalama sayı olmalıdır (iki değerin, iki parametrenin, yapı olarak aynı iki "kromozomun" toplamı)?

Ne istersen yapabilirsin, onlarca çeşidi var.

 
Dmitry Fedoseev :

https://www.mql5.com/en/search#!keyword=custom%20optimization%20kriter

Süper! Ve ilk beşte böyle bir özellik olduğunu bilmiyordum... :) Hala ilk dörtte çalışıyorum... :) Teşekkürler.

Peki o zaman her şey. Soru kaldırıldı... :)
 
RomFil :

Süper! Ve ilk beşte böyle bir özellik olduğunu bilmiyordum... :) Hala ilk dörtte çalışıyorum... :) Teşekkürler.

Peki o zaman her şey. Soru kaldırıldı... :)
Aslında, "bu özellik" dördüncüden hala var)))
 
SeriousRacoon :
Aslında, "bu özellik" dördüncüden hala var)))
Yani ben bir "noob"um... :)
 
Реter Konow :
Bu yaklaşım tek başına yeterli değildir. Bitmiş sistemleri "parlatmak" için bir araç olarak hizmet edebilir - kontrol etme ve hata ayıklama.
Sistemlerin kendileri bu şekilde monte edilemez. Burada başka bir algoritmaya ihtiyacımız var . İcat edildiğinde, GA'yı hatırlayacaklar.

Sözde projelerle uğraşan adamları gördüm. "yapay yaşam", bu tür yöntemler. İlginç bir şey. İlk bakışta tam bir karmaşa, ama genetik, milyonlarca pasajdan "akıllı" genleri bu karmaşadan çıkarır.

 
Aleksey Mavrin :

Sözde projelerle uğraşan adamları gördüm. "yapay yaşam", bu tür yöntemler. İlginç bir şey. İlk bakışta tam bir karmaşa, ama genetik, milyonlarca pasajdan "akıllı" genleri bu karmaşadan çıkarır.

Bir anlamda, "akıllı" - optimize edilmiş ve belirli bir ortama uyarlanmış mı?

TAMAM. Etkileşimli bir sistem kompleksinden kapalı bir ortam yaratıyoruz. Örneğin: üç genli bireyler, onlardan "kaçamazlarsa" (diyelim ki X ve Y genleri düzlemdeki koordinatlardır) iki genli bireyleri "yuturur" (kendilerine bağlanır ve büyürler). Üç genli bir bireyde, Z geni eklenir - üçüncü boyut. Onun bir avantajı var. İki genin görevi hayatta kalmak ve yakalanmamaktır ve üç genin görevi iki geni mümkün olduğunca çabuk yakalamak ve zamandan ve kaynaktan tasarruf etmektir.

Hedef: Genetik olarak zayıf bir birey, hayatta kalabilmek için genetik olarak daha güçlü olanı hesaplamalıdır.
 
Aleksey Nikolayev :

OnTester() uygun değil mi?

uygun, "Maksimum özel kritere" göre genetik optimizasyon modunda GA test cihazı double OnTester()'dan elde edilen sonucu en üst düzeye çıkaracaktır - her şeyin çalıştığını kontrol etti, ANCAK otomasyonda bir sorun var "GA'yı neşelendirin" başladığında bulunan yerel maksimum etrafında birleşir ve geri kalanının seçenekleri giriş parametrelerine göre sıralamasını istemez, genel olarak ince ayarda, OnTester'a () koşullar ekleyerek veya optimizasyon parametrelerini bölerek GA'ya elle yardım etmeniz gerekir. birkaç aralık

123456789...15
Yeni yorum