文章的顾问。对所有来者进行测试。 - 页 7 12345678910 新评论 Yury Reshetov 2012.02.06 06:53 #61 Mathemat: 好吧，优化已经穿过了它们，那么它们还能偏离哪里呢？ 它是指在优化过程中引入不明显的错误，即输入参数的值将被随机地轻微扭曲，它应该是为了防止遗传算法 固定在具有陡峭下降的虚假极值上。同时，对于具有平缓坡度的极值，小的失真也会对优化算法产生小的影响。 例如，如果一个极端点的坐标是输入参数值x、y、z的形式，而健身函数利润=f(x、y、z)，那么x±delta、y±delta、z±delta，其中delta是输入参数值的一个小变形，对于假极端点，健身函数的偏差将大大影响最终结果，而对于坡度平缓的极端点，健身函数的偏差将不显著。 这类似于道路交通：如果道路又窄又滑，在上面开车很难不飞出路边--这是一个错误的，即不稳定的极点。如果道路宽阔且铺设良好，就可以轻松驾驶--这是一个更真实，即稳定的极值。我们在转向中引入了小的偏差，不再可能在狭窄和湿滑的道路上行驶并融入弯道--我们切断了虚假的极值。由于寻找多维函数的极值非常类似于在不同的轨道上爬坡，所以这个比喻非常恰当。 因此，从理论上讲，遗传算法将试图避免假极值，因为它们的后代作为染色体将不适合转弯，并将致力于在稳定的染色体上实现最大化。 优化后，输入参数的失真应被禁用。 Victor Nikolaev 2012.02.06 07:36 #62 Reshetov: 在优化之后，输入参数的失真必须被禁止。 也许你不应该排除他们。他们可以给人以信心的界限 Yury Reshetov 2012.02.06 13:45 #63 Vinin: 雷舍托夫。 优化后，输入参数失真应被禁用。 也许你不应该把他们排除在外，先生。他们可以给人以信心的界限为什么你需要交易中的扭曲？也许你打开它们是为了有一个正负一公里的缩减，但我不需要这样的乐趣。任务只是在优化过程中切断很大一部分不稳定的极值。 khorosh 2012.02.06 14:40 #64 Vinin: 也许你不应该把他们排除在外。他们可以给人以信心的界限 主人是老板：如果你想，就把它们打开或关闭）。 Igor Makanu 2012.02.07 17:47 #65 先生。尤里，这篇文章怎么样了？ 什么时候发表？ Yury Reshetov 2012.02.07 18:09 #66 IgorM: 先生。尤里，这篇文章怎么样了？ 什么时候发表？ 它几乎是以html格式准备好的。我再加几张截图，仔细重读，调整一下，然后送去编辑。它可能最早于明天出发进行编辑。 Igor Makanu 2012.02.07 18:28 #67 Reshetov: 它可能最早将于明天出发进行编辑。 好消息！我很想在周末前读到你的作品。 好运! Yury Reshetov 2012.02.07 18:34 #68 IgorM: 好消息！我很想在周末前读到你的作品。 好运! 都是些书呆子，一些公式，一些书呆子的词，图片，让它更重要。 我宁愿读一个侦探故事。 Avals 2012.02.08 02:02 #69 Reshetov: 它是指在优化过程中引入不明显的错误，即输入参数的值将被随机地轻微扭曲，它应该是为了防止遗传算法固定在具有陡峭下降的虚假极值上。同时，对于具有平缓坡度的极值，小的失真也会对优化算法产生小的影响。 例如，如果一个极端点的坐标是输入参数值x、y、z的形式，而健身函数利润=f（x、y、z），那么x±delta、y±delta、z±delta，其中delta是输入参数值的小变形，对于假极端点，健身函数的偏差将大大影响最终结果，而对于坡度平缓的极端点，健身函数的偏差将不显著。 这类似于道路交通：如果道路又窄又滑，在上面开车很难不飞到路边--这是一个错误的，即不稳定的极点。如果道路宽阔且铺设良好，就可以轻松驾驶--这是一个更真实，即稳定的极值。我们在转向中引入小的偏差，在转弯时不可能再在狭窄和湿滑的道路上行驶--我们切断了错误的极值。由于寻找多维函数的极值非常类似于在各种小径上爬坡，所以这个比喻非常恰当。 因此，从理论上讲，遗传算法将试图避免虚假的极值，因为他们的后代以染色体的形式将不适合转弯，并寻求在稳定的上最大化。 在优化之后，输入参数的扭曲必须被禁止。 不要不小心扭曲了什么。这是由GA本身的突变机制来完成的。需要优化来检查每个单独选项的稳健性，而不是寻找全局的极值。如果一个选项不符合要求，那么这个过滤器或一个集合元素（取决于参数是什么）应该被修改或完全被抛弃。 GA只需要一个初始参考点--选择或多或少起作用的选项值，将它们固定下来，然后分别检查每个选项。 Avals 2012.02.08 03:06 #70 TheXpert: 在任何情况下，前进是必要的。我们还能怎么估计呢？ 如果你正确地分析了批发商，你根本不需要一个转发。 前进的实质是评估优化参数的极值是否会随时间漂浮。也就是说，当整个测试部分有几个局部极值时，要切断变体（优化+自动取样）。通过对每个选项的极值奇异性和单调性的单独分析，可以更好地切断它。也就是说，它已经保证了期权在时间上不会 "浮动"。而前向有一个严重的缺点--它只考虑优化面上的个别点，而不是总体上的。这一点，再加上声子将地块划分为优化和自动样本，降低了这种分析在基座以下的统计可靠性))这只是一种认识--也许人们会幸运地选择一个自动样本，而一套低劣的期权将被通过，或者反之--自动样本将落在一套 "好 "的期权的暂时缩减期。 但无论如何，我重申，优化任务是评估系统的每个参数的稳健性。如果有疑问，最好抛弃或修改它。只留下100%有统计数据和交易逻辑支持的东西。 12345678910 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
好吧，优化已经穿过了它们，那么它们还能偏离哪里呢？
它是指在优化过程中引入不明显的错误，即输入参数的值将被随机地轻微扭曲，它应该是为了防止遗传算法 固定在具有陡峭下降的虚假极值上。同时，对于具有平缓坡度的极值，小的失真也会对优化算法产生小的影响。
例如，如果一个极端点的坐标是输入参数值x、y、z的形式，而健身函数利润=f(x、y、z)，那么x±delta、y±delta、z±delta，其中delta是输入参数值的一个小变形，对于假极端点，健身函数的偏差将大大影响最终结果，而对于坡度平缓的极端点，健身函数的偏差将不显著。
这类似于道路交通：如果道路又窄又滑，在上面开车很难不飞出路边--这是一个错误的，即不稳定的极点。如果道路宽阔且铺设良好，就可以轻松驾驶--这是一个更真实，即稳定的极值。我们在转向中引入了小的偏差，不再可能在狭窄和湿滑的道路上行驶并融入弯道--我们切断了虚假的极值。由于寻找多维函数的极值非常类似于在不同的轨道上爬坡，所以这个比喻非常恰当。
因此，从理论上讲，遗传算法将试图避免假极值，因为它们的后代作为染色体将不适合转弯，并将致力于在稳定的染色体上实现最大化。
优化后，输入参数的失真应被禁用。
在优化之后，输入参数的失真必须被禁止。
也许你不应该排除他们。他们可以给人以信心的界限
优化后，输入参数失真应被禁用。
也许你不应该把他们排除在外，先生。他们可以给人以信心的界限
为什么你需要交易中的扭曲？也许你打开它们是为了有一个正负一公里的缩减，但我不需要这样的乐趣。任务只是在优化过程中切断很大一部分不稳定的极值。
也许你不应该把他们排除在外。他们可以给人以信心的界限
先生。尤里，这篇文章怎么样了？ 什么时候发表？
好消息！我很想在周末前读到你的作品。
好运!
好消息！我很想在周末前读到你的作品。
好运!
都是些书呆子，一些公式，一些书呆子的词，图片，让它更重要。
我宁愿读一个侦探故事。
它是指在优化过程中引入不明显的错误，即输入参数的值将被随机地轻微扭曲，它应该是为了防止遗传算法固定在具有陡峭下降的虚假极值上。同时，对于具有平缓坡度的极值，小的失真也会对优化算法产生小的影响。
例如，如果一个极端点的坐标是输入参数值x、y、z的形式，而健身函数利润=f（x、y、z），那么x±delta、y±delta、z±delta，其中delta是输入参数值的小变形，对于假极端点，健身函数的偏差将大大影响最终结果，而对于坡度平缓的极端点，健身函数的偏差将不显著。
这类似于道路交通：如果道路又窄又滑，在上面开车很难不飞到路边--这是一个错误的，即不稳定的极点。如果道路宽阔且铺设良好，就可以轻松驾驶--这是一个更真实，即稳定的极值。我们在转向中引入小的偏差，在转弯时不可能再在狭窄和湿滑的道路上行驶--我们切断了错误的极值。由于寻找多维函数的极值非常类似于在各种小径上爬坡，所以这个比喻非常恰当。
因此，从理论上讲，遗传算法将试图避免虚假的极值，因为他们的后代以染色体的形式将不适合转弯，并寻求在稳定的上最大化。
在优化之后，输入参数的扭曲必须被禁止。
不要不小心扭曲了什么。这是由GA本身的突变机制来完成的。需要优化来检查每个单独选项的稳健性，而不是寻找全局的极值。如果一个选项不符合要求，那么这个过滤器或一个集合元素（取决于参数是什么）应该被修改或完全被抛弃。
GA只需要一个初始参考点--选择或多或少起作用的选项值，将它们固定下来，然后分别检查每个选项。
在任何情况下，前进是必要的。我们还能怎么估计呢？
如果你正确地分析了批发商，你根本不需要一个转发。
前进的实质是评估优化参数的极值是否会随时间漂浮。也就是说，当整个测试部分有几个局部极值时，要切断变体（优化+自动取样）。通过对每个选项的极值奇异性和单调性的单独分析，可以更好地切断它。也就是说，它已经保证了期权在时间上不会 "浮动"。而前向有一个严重的缺点--它只考虑优化面上的个别点，而不是总体上的。这一点，再加上声子将地块划分为优化和自动样本，降低了这种分析在基座以下的统计可靠性))这只是一种认识--也许人们会幸运地选择一个自动样本，而一套低劣的期权将被通过，或者反之--自动样本将落在一套 "好 "的期权的暂时缩减期。
但无论如何，我重申，优化任务是评估系统的每个参数的稳健性。如果有疑问，最好抛弃或修改它。只留下100%有统计数据和交易逻辑支持的东西。