文章 "种群优化算法：猴子算法（MA）" 新评论 MetaQuotes 2023.08.01 13:38 新文章 种群优化算法：猴子算法（MA）已发布： 在本文中，我将研究猴子优化算法（MA）。 这些动物克服困难障碍，并到达最难以接近的树顶的能力构成了 MA 算法思想的基础。 猴子探索的区域是适应度函数地域，因此最高的山对应于问题的解（我们考虑全局最大化问题）。 从当前位置开始，每只猴子都会向上移动，直至抵达山顶。 攀爬过程旨在逐步提高目标函数的值。 然后，猴子向随机方向进行一系列局部跳跃，希望找到更高的山峰，并重复向上的运动。 在进行了一定次数的攀爬和局部跳跃后，猴子认为它已经充分探索了初始位置附近的地域。 为了探索搜索新的空间区域，猴子进行了一次长距离跳跃。 上述步数在算法参数中重复指定次数。 该问题的解则声明为给定猴子种群发现的最高顶点。 然而，MA 算法在攀登过程中花费了大量的计算时间用于寻找局部最优解。 全局跳跃过程可以加快算法的收敛速度。 这个过程的目的是迫使猴子寻找新的搜索机会，以免陷于本地搜索。 该算法具有结构简单、可靠性较高、能很好地搜索局部最优解等优点。 MA 算法是一种新型的进化算法，可以解决许多具有非线性、不可微分性、和高维性的复杂优化问题。 与其它算法的不同之处在于，MA 算法花费的时间主要集中于攀爬过程中寻找局部最优解。 在下一章节中，我将讲述算法的主要组件、表示的解、初始化、攀登、观察和跳跃。 作者：Andrey Dik 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
新文章 种群优化算法：猴子算法（MA）已发布：
在本文中，我将研究猴子优化算法（MA）。 这些动物克服困难障碍，并到达最难以接近的树顶的能力构成了 MA 算法思想的基础。
猴子探索的区域是适应度函数地域，因此最高的山对应于问题的解（我们考虑全局最大化问题）。 从当前位置开始，每只猴子都会向上移动，直至抵达山顶。 攀爬过程旨在逐步提高目标函数的值。 然后，猴子向随机方向进行一系列局部跳跃，希望找到更高的山峰，并重复向上的运动。 在进行了一定次数的攀爬和局部跳跃后，猴子认为它已经充分探索了初始位置附近的地域。
为了探索搜索新的空间区域，猴子进行了一次长距离跳跃。 上述步数在算法参数中重复指定次数。 该问题的解则声明为给定猴子种群发现的最高顶点。 然而，MA 算法在攀登过程中花费了大量的计算时间用于寻找局部最优解。 全局跳跃过程可以加快算法的收敛速度。 这个过程的目的是迫使猴子寻找新的搜索机会，以免陷于本地搜索。 该算法具有结构简单、可靠性较高、能很好地搜索局部最优解等优点。
MA 算法是一种新型的进化算法，可以解决许多具有非线性、不可微分性、和高维性的复杂优化问题。 与其它算法的不同之处在于，MA 算法花费的时间主要集中于攀爬过程中寻找局部最优解。 在下一章节中，我将讲述算法的主要组件、表示的解、初始化、攀登、观察和跳跃。
作者：Andrey Dik