文章 "种群优化算法：树苗播种和成长（SSG）算法" - 页 2 123456789...13 新评论 Andrey Dik 2023.03.22 09:48 #11 Andrey Dik #:ZY. 对于所有对此感兴趣的人来说，有一个有趣的问题：局部极值和全局极值（不考虑它们在 FF 值上的差异）之间有什么区别？ 没有。 mytarmailS 2023.03.23 13:27 #12 fxsaber #:几根针形天线。 我不太明白你想做什么，所以我不能保证电路板的质量....。我知道您想找到更好的解决方案/设置。参数。所以你想找到一个函数的几个最小值...那就运行全局优化算法（例如遗传算法）几次，然后得到几个不同但接近最优最小值的解决方案....。 Andrey Dik 2023.03.23 15:07 #13 mytarmailS #: 我不太了解您想做什么，所以我不能保证建议的质量... 我知道您想找到一些最佳解决方案/组合。针对您的系统的参数。 也就是说，要找到一个函数的几个最小值... 然后只需多次运行全局优化算法，例如遗传算法，就能得到多个不同但接近最优最小值的解决方案.... 这就是你所需要的： fxsaber 2023.03.23 19:09 #14 Andrey Dik #:这就是需要的： 并非如此。假设一个 GA 在类似图片中的函数上走了 100 步。其中有 90 步会接近全局。这就是值得采取的接近全局的步骤群。 如果我们面对的是一只刺猬，那么在某些点的周围就会出现很多小型簇。这些点就是我们需要的。GA 可以通过这些簇周围的狭窄空间来完善簇的坐标。 粗略地说，我们需要将 GA 的结果归类为簇，然后对每个簇进行狭义优化。我们将得到一组对 TC 来说 "有趣 "的输入参数。 Andrey Dik 2023.03.23 19:24 #15 fxsaber #:其实不然。假设 GA 在如图所示的函数上走了 100 步。其中有 90 步最终会接近全局。这就是值得采取的接近步骤群。如果我们面对的是一只刺猬，那么在某些点的周围就会出现很多小型簇。这些点就是我们需要的。GA 可以通过它们周围狭窄的空间来完善簇的坐标。粗略地说，我们需要将 GA 的结果归类为簇，然后对每个簇进行狭义优化。我们将得到一组对 TC "有趣 "的输入参数。 对吗？ fxsaber 2023.03.23 19:32 #16 Andrey Dik #: 是吗？ 是的。我认为，如果每次优化后，你都能从找到的全局中切出一大块空间（比如输入的 80%，周围的东西），那么一切就都能找到了。 fxsaber 2023.03.23 19:39 #17 图 5：森林 测试功能。 这是在完整的 TC 枚举过程中所能看到的极佳可视化效果。当然，这里的 3D 是两个输入参数。但滑动/尖峰清晰可见。对于 TC 而言，尖峰通常是邪恶的。而山顶则是最有趣的。 关于尖峰的邪恶。对 TC 而言，尖峰是一种随机性--一种紧密配合（与优化标准 无关）。 fxsaber 2023.03.23 19:51 #18 fxsaber #:是的，我认为，如果每次优化后，都能从找到的全局中切出一大块空间（比如输入的 80%，周围的东西），那么一切就都能找到了。 这块空间的特征是每个输入参数都有一个给定的区间。因此，如果你有切割区域的数据，你可以很容易地（甚至在标准测试器中）在没有这块空间的情况下进行优化。 但我完全不知道如何定义 GA 结果中找到的全局最大值周围的区域。 举个简单的例子。我们对某个 TC 进行了优化。优化结束后输出了几组输入。我们需要在这些集合中找到最引人注目的多维点群（点的数量除以它们所适合的球体的最小半径）。 Anatoli Kazharski 2023.03.23 19:55 #19 fxsaber 优化标准 无关）。 我们需要的是一种模式，它能找到所有的山顶，并给出所有参数的范围，以便进一步处理。 随后的优化只能在这些稳健性山丘的范围内进行。 fxsaber 2023.03.23 19:58 #20 fxsaber #:最有趣的还是山顶。 这些山丘可以有多种用途。最常见的就是由这些山顶组成的投资组合。事实证明，这是一种非常稳定的子证券投资组合。 123456789...13 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
ZY. 对于所有对此感兴趣的人来说，有一个有趣的问题：局部极值和全局极值（不考虑它们在 FF 值上的差异）之间有什么区别？
没有。
几根针形天线。
我不太了解您想做什么，所以我不能保证建议的质量...
这就是你所需要的：
这就是需要的：
并非如此。假设一个 GA 在类似图片中的函数上走了 100 步。其中有 90 步会接近全局。这就是值得采取的接近全局的步骤群。
如果我们面对的是一只刺猬，那么在某些点的周围就会出现很多小型簇。这些点就是我们需要的。GA 可以通过这些簇周围的狭窄空间来完善簇的坐标。
粗略地说，我们需要将 GA 的结果归类为簇，然后对每个簇进行狭义优化。我们将得到一组对 TC 来说 "有趣 "的输入参数。
其实不然。假设 GA 在如图所示的函数上走了 100 步。其中有 90 步最终会接近全局。这就是值得采取的接近步骤群。
如果我们面对的是一只刺猬，那么在某些点的周围就会出现很多小型簇。这些点就是我们需要的。GA 可以通过它们周围狭窄的空间来完善簇的坐标。
粗略地说，我们需要将 GA 的结果归类为簇，然后对每个簇进行狭义优化。我们将得到一组对 TC "有趣 "的输入参数。
对吗？
是吗？
是的。我认为，如果每次优化后，你都能从找到的全局中切出一大块空间（比如输入的 80%，周围的东西），那么一切就都能找到了。
图 5：森林 测试功能。
这是在完整的 TC 枚举过程中所能看到的极佳可视化效果。当然，这里的 3D 是两个输入参数。但滑动/尖峰清晰可见。对于 TC 而言，尖峰通常是邪恶的。而山顶则是最有趣的。
关于尖峰的邪恶。对 TC 而言，尖峰是一种随机性--一种紧密配合（与优化标准 无关）。
是的，我认为，如果每次优化后，都能从找到的全局中切出一大块空间（比如输入的 80%，周围的东西），那么一切就都能找到了。
这块空间的特征是每个输入参数都有一个给定的区间。因此，如果你有切割区域的数据，你可以很容易地（甚至在标准测试器中）在没有这块空间的情况下进行优化。
但我完全不知道如何定义 GA 结果中找到的全局最大值周围的区域。
举个简单的例子。我们对某个 TC 进行了优化。优化结束后输出了几组输入。我们需要在这些集合中找到最引人注目的多维点群（点的数量除以它们所适合的球体的最小半径）。
我们需要的是一种模式，它能找到所有的山顶，并给出所有参数的范围，以便进一步处理。
随后的优化只能在这些稳健性山丘的范围内进行。
最有趣的还是山顶。