文章 "遗传算法 - 很简单！"
大家好！
希望你们喜欢这篇文章。
我将很高兴听到您关于如何将 UGA 转换为 OOP 的建议。
我想看看
MathSrand((int)TimeLocal());
优化后是否有效？
您在测试器中运行过您的程序库吗？
1) 我想知道这是否会
MathSrand((int)TimeLocal());
优化后是否有效？
2) 您在测试器中运行过您的库吗？
1) 我看不出有什么理由不能运行。
2) 对于这个简单的问题，您无法用两句话给出详尽的答案。
交易者的优化问题可以有条件地分为两类：a) "局部问题 "和 b) "全局问题"。
a) 局部问题--交易者/TS 在每个 交易日执行的所有操作的集合（反过来也可分为局部任务）。文章中的第一个任务（解方程、选择最优期权价格和其他类似任务）就是这种类型的一个例子。它们不需要 "未来 "的价格历史。
b) 全局任务 - 优化所有局部任务的某些函数（可以是报告期内的总利润、缩减、MO 等）。需要优化期间的全部价格历史记录。内部测试人员执行的正是这类任务。
UGA 的设计不依赖于标准测试仪，可用于全局和局部任务，无需更改算法代码，包括 "自制 "测试仪。在标准测试仪的框架内，UGA 仅可用于局部任务，无需更改。对于全局任务，则必须在测试仪中进行修改。
我还没有在有自己优化算法的测试仪中使用优化算法的需要。
请概括描述您的任务，我们将在此考虑解决方法。
谢谢你，朱--有趣的工作！
关于遗传算法 的实际应用出现了一些问题
论文描述了
- 寻找给定区间内两个变量函数的最大值/最小值
- 寻找利润函数的最大值（以 ZigZag 为例）。
请举例说明该算法在实际交易任务中的应用。
- 2010.05.25
- Andrey Dik
- www.mql5.com
请概括描述您的问题，我们将在此探讨解决问题的方法。
问题很简单：我希望每次运行测试器时，srand() 函数都能将发生器设置为随机起点。
结果发现，MathSrand((int)TimeLocal()) 会在多次运行测试仪时将发生器设置为之前（相同）的初始状态。
任务很简单：我希望每次运行测试器时，srand() 函数都能将生成器设置为随机起点。
事实证明，MathSrand((int)TimeLocal()) 会在测试仪的不同多次运行中将发生器设置为先前（相同）的初始状态。
TimeLocal 以秒为单位给出时间。测试时，它将是相同的生成测试时间。
尝试使用GetTickCount。老实说，它给出的是毫秒数，不会模拟任何东西。
测试时，生成的测试时间相同。
О!谢谢。
谢谢你，朱--有趣的工作！
关于遗传算法 的实际应用出现了一些问题
论文描述了
- 寻找给定区间内两个变量函数的最大值/最小值
- 寻找利润函数的最大值（以 ZigZag 为例）。
请举例说明该算法在实际交易任务中的应用。
一般来说，经济任务，尤其是交易任务，大多具有优化性质。
交易者一直在寻找其 TS 的最佳参数。以下是 UGA 可以帮助解决的任务类型的不完整列表：
-寻找指标的最佳参数
-寻找 MM 的最佳参数
-寻找指标中滤波器（任何滤波器，包括寻找数字滤波器中的系数）的最佳设置
-训练任意拓扑结构和任意大小的神经网络
-训练任意拓扑结构和任意大小的网络委员会。(委员会是一组相互独立的网络）。
UGA 既可用于单独解决上述任务，也可一次解决所有任务。 因此，为了帮助您了解 UGA 的强大功能，我要说的是，解决列表中最后一类任务的可能性允许您创建大脑模型（正如您所知道的，大脑由多个部门组成）。
任务列表可以很长，看看论坛上的主题就知道了。
很酷的东西，写得很好。我自己也玩过遗传优化，但遗憾的是，我发现它的好处并不多。遗传优化通常被认为是一种全局优化方法。如果你有足够的时间来处理非常大的菌落，这的确没错，但当时间（菌落大小）有限时，GA 就会像梯度下降法一样，收敛到局部最小值，而且速度相当慢。当然，与钝化搜索所有可能的输入参数组合的方法相比，GA 在速度上具有不可否认的优势。GA 的广泛应用之一是训练具有大量系数的多层神经网络。这种网络有大量的局部最小值。出于某种原因，GA 被认为是解决这一问题的良方。但事实上，"良方 "就是所应用的工具，也就是本例中的多层网络。选择另一种分类准确率高的工具（如买入/卖出/持有）或回归外推法进行简单明了的优化要容易得多；-）。
1) 东西很酷，写得很好。
2) 我自己也在玩遗传优化，但遗憾的是，我并没有发现什么好处。GA通常被认为是全局优化的一种方法。如果你有足够的时间来处理非常大的菌落，这的确没错，但当时间（菌落大小）有限时，GA 就会像梯度下降法一样，收敛到局部最小值，而且速度相当慢。 当然，与钝化搜索所有可能的输入参数组合的方法相比，GA 在速度上具有不可否认的优势。GA 的广泛应用之一是训练具有大量系数的多层神经网络。这种网络有大量的局部最小值。出于某种原因，GA 被认为是解决这一问题的良方。但事实上，"良药 "是应用的工具，即本例中的多层网络。选择另一种能进行高精度分类（如买入/卖出/持有）或回归推断的工具，并进行简单明了的优化，会容易得多；-)。
1) 感谢您的美言。
2) 我并不怀疑你对这一主题的了解，但你仍然需要一些使用遗传算法的技巧（文章 "使用 UGA 的建议 "部分的第 4 条建议）。
UGA 是作为一种通用工具开发的，可用于任何优化问题（文章 "历史回顾 "部分），无需对算法进行任何修改。它可以最大限度地用于进一步修改和添加特定运算符。你知道有多少优化算法具有这样的特性吗？
我不知道为什么 GA 被认为是解决各种优化问题的灵丹妙药，我个人不这么认为，也从未在任何地方说过。当然，对于每项具体任务，你都可以从执行速度和最终结果两方面选择最佳优化工具。UGA 有一个不同的目标--通用。
我在 MQL4 论坛主题"测试多变量多极限函数 " 中发布了一些有趣的测试函数，文章中介绍了其中一个。
如果您愿意，可以尝试使用 GA 以外的其他优化算法找到所提议函数的极值，并将结果发布在这里。欢迎您这样做。这对每个人来说都会很有趣，对我来说更是如此。
PS 我建议您了解一下文章中提出的算法，以便对相反的观点（粗体字）深信不疑，尽管我无意说服任何人。
祝您研究顺利！
- www.mql5.com
新文章 遗传算法 - 很简单！已发布：
在本文中，笔者将讨论利用亲自开发的遗传算法进行的进化计算。笔者将通过示例说明算法的功能，并为算法的使用提供实用性的建议。
作者：Andrey Dik