"Popülasyon optimizasyon algoritmaları: Ateş böceği algoritması (Firefly Algorithm, FA)" makalesi için tartışma

Yeni yorum
 

Yeni makaleye göz atın: Popülasyon optimizasyon algoritmaları: Ateş böceği algoritması (Firefly Algorithm, FA).

Bu makalede ateş böceği algoritması (Firefly Algorithm, FA) optimizasyon yöntemini ele alacağız. Yapılan değişiklik sayesinde algoritma, dışarıdan bakan bir oyuncudan gerçek bir derecelendirme tablosu liderine dönüştü.


Ateş böceği algoritması, gerçek ateş böceklerinin parıldama özelliklerine dayanan üç kurala sahiptir. Kurallar şu şekildedir:

  1. Tüm ateş böcekleri daha çekici ve parlak muadillerine doğru hareket edecektir.
  2. Bir ateş böceğinin çekim derecesi parlaklığı ile orantılıdır ve havanın ışığı emmesi nedeniyle başka bir ateş böceğine olan mesafe arttıkça azalır. Bu nedenle, parıldayan iki ateş böceği arasında, daha az parlak olan daha parlak olana doğru hareket edecektir. Eğer daha parlak ya da daha çekici bir muadili yoksa, ateş böceği rastgele hareket edecektir.
  3. Ateş böceğinin parlaklığı veya ışık yoğunluğu, problemin amaç fonksiyonunun değerine göre belirlenir.


Şimdi ateş böceği optimizasyonunun inceliklerini daha ayrıntılı olarak keşfedebiliriz. Algoritmanın özü Şekil 1'de açıkça gösterilmektedir.

Fas

Yazar: Andrey Dik

 

Araştırma sonuçlarınızı yayınladığınız için teşekkür ederim!

Sonuçları ve değerlendirme metodolojisini beğendim - ancak bu optimizasyon tekniğini MT5 EA-Optimizer içinde kullanmanın bir yolu var mı?

Pratik taraftan geliyorum ve daha iyi ve daha istikrarlı EA'ları optimize etmek için bu yeni araştırmayı nasıl kullanabileceğimi bilmek istiyorum.


Çok teşekkür ederim!

 
Eugen Funk #:

Araştırma sonuçlarınızı yayınladığınız için teşekkür ederiz!

Sonuçları ve değerlendirme metodolojisini beğendim - ancak bu optimizasyon tekniğini MT5 EA-Optimizer içinde kullanmanın bir yolu var mı?

Pratik taraftan geliyorum ve bu yeni araştırmayı daha iyi ve daha istikrarlı EA'ları optimize etmek için nasıl kullanabileceğimi bilmek istiyorum.


Çok teşekkür ederim!

Geri bildiriminiz için teşekkürler!
Bu tür optimizasyon algoritmalarını ticarette kullanmanın olağan senaryosu, Uzman Danışmanlarda, yardımcı programlarda, göstergelerde, sinir ağlarını eğitmek için, uyarlanabilir sistemlerde kendi kendine optimizasyondur.
 
Andrey Dik #:
Geri bildiriminiz için teşekkürler!
Bu tür optimizasyon algoritmalarını ticarette kullanmanın olağan senaryosu, Uzman Danışmanlarda, yardımcı programlarda, göstergelerde, sinir ağlarını eğitmek için, uyarlanabilir sistemlerde kendi kendine optimizasyondur.

Teşekkür ederim! Beni "kendi kendine optimizasyon" uygulayan bazı örnek makalelere yönlendirebilir misiniz?

 
Eugen Funk #:

Teşekkür ederim! Bana "kendi kendine optimizasyon" uygulayan örnek bir makale gösterebilir misiniz?

https://www.mql5.com/en/search#!keyword=self-optimization&module=mql5_module_articles

Anlayabildiğim kadarıyla, MQL5 için Uzman Danışmanlarda kendi kendini optimizasyon konusu tam olarak açıklanmadı. belki de makalelerimdeki optimizasyon algoritmalarından birini kullanarak bu konuda bir makale yazmayı denemeliyim.

 
Andrey Dik #:

https://www.mql5.com/en/search#!keyword=self-optimization&module=mql5_module_articles

Anlayabildiğim kadarıyla, MQL5 için Uzman Danışmanlarda kendi kendini optimizasyon konusu tam olarak açıklanmadı. belki de makalelerimdeki optimizasyon algoritmalarından birini kullanarak bu konuda bir makale yazmayı denemeliyim.

İpuçları için teşekkürler.

Hmm, temelde beklediğim şey optimize ediciyi farklı bir optimizasyon algoritmasıyla çalıştırmanın bir yoluydu (şu anda her zaman "hızlı genetik tabanlı algoritma" kullanıyorum).

Ve bu daha ziyade her şeyi alt seviyede yapan bir komut dosyası/program gibi görünüyor. Ancak bunu doğru anladığımdan emin değilim.

"Hızlı genetik tabanlı algoritmayı" metrik hesaplamayı (sonuç: float) ve önceki N çalıştırmadan keşif kararlarını uygulayan bazı özelleştirilmiş sınıflarla değiştirebilmek harika olurdu.

Yeni yorum