文章 "种群优化算法：树苗播种和成长（SSG）算法" - 页 4

新评论
 
Andrey Dik #:

如果对系统的要求改变了，FF 就会改变，但系统并没有改变，对吗？
就好像用户试图用各种方法改变要求，但得到的仍然是 Forest。不可或缺的 FF 看起来和 Forest 一模一样，例如平衡性。
如果可能，有必要尽量不使用积分 FF，如果不可能，就在 FF 上做 NADstroika，即在 FF 上应用 FF，以避免出现尖峰。
你可以在平衡优化结果的浊水中捞出附近的有意义的微粒，也可以反其道而行之，你可以对平衡 FF 进行叠加，使其表面不再是尖锐有限的，而所有必要的参数都在附近，同时又在最顶端的平缓山丘上！
总之，我们可以说，如果 FF 是尖锐有限的，那么要么这确实是能从问题中挤出的全部，要么研究者犯了一个错误。

这是另外一个话题：何时以及如何考虑山丘/尖峰才有意义。要解决这个问题，首先必须学会如何在任意函数上找到它们。

 
fxsaber #:

这是一个完全不同的话题：何时以及如何考虑山丘/尖峰才有意义。要解决这个问题，我们必须先学会如何在任意函数上找到它们。


然后，我们可以试着这样推理......。
但是，如果发现 "高原"（接近点的最大集中度）比全局极值低很多呢？
我想说明的是，要得到的结果可以用某种方式来描述，也就是说，在 iteg 中，问题会引向对全局极值的搜索，所有最接近的可接受解都集中在这里）。
 
fxsaber 优化标准 无关）。
我对同样的问题也很感兴趣，下面是我向这里的聪明人提出的问题
这是您想要达到的目标吗？

 
Andrey Dik #:

好吧。那么我们可以尝试按照以下思路进行推理.....
但是，如果发现 "高原"（接近点的最大浓度）远低于全球极值呢？
我想说明的是，所要得到的结果是可以用某种方式描述的，也就是说，在 iteg 中，问题导致了对全局极值的搜索，所有最接近的可接受解都集中在这里）。

是的，这一切都归结为寻找全局。一般来说，GA 的最后几步必须围绕全局。因此，它们基本上就是下一次 GA 运行时要丢弃的区域。

也就是说，我们使用任何一种提议的算法，都只能搜索全局。然后，我们只需丢弃全局所在的区域，然后重复。

 
mytarmailS #:
我也有同样的疑问，所以我想请教一下聪明人。
https://stats.st ackexchange.com/questions/566930/optimization-taking-into-account-the-shape-of-the-optimization-surface
这是你想要达到的目的吗？

是的，就是这样。而且还不止于此。

在这幅图中，如果我们按照丢弃所有之前发现的最大值区域的原则行事，我们将同时找到红色和绿色区域。

在这幅图中，我们需要进行五次优化：四次找到红色区域，一次找到绿色区域。

然后，我们将这五个点通过 TesterDashboard 的类似程序，就能立即看出谁的价值最大。


奇怪的是，提出平滑建议的 "聪明人 "并不了解表面物体形成的本质。

 
fxsaber #:

是的，就是这样。还有更多

在这幅图中，如果我们根据 "丢弃所有之前发现的最大值区域 "的原则，就会发现红色和绿色区域。

就这幅图而言，我们需要进行五次优化：四次可以找到红色区域，一次可以找到绿色区域。

然后，我们将这五个点通过类似于 TesterDashboard 的工具，就能立即看出谁的价值更高。

好的、
所以你想找到几个峰值，然后全部测试，对吗？

我以为你想找到一个平滑的峰值，而忽略尖峰。


在第一种情况下，你只需要运行几次迭代次数较少的 OA。


如果是第二种情况，那就是 "优化噪声函数 "部分了。

专业领域有专业的 AO。

从一般的 AO 开始：
模拟倦怠、贝叶斯优化。


AO - 优化算法
 
fxsaber #:

是的，就是这样。还有更多

在这幅图中，如果我们根据 "丢弃所有之前发现的最大值区域 "的原则，就会发现红色和绿色区域。

就这幅图而言，我们需要进行五次优化：四次可以找到红色区域，一次可以找到绿色区域。

然后，我们将这五个点通过类似的 TesterDashboard，马上就能看到谁的价值最大。


在这里，我只是想说明，可以避免五次优化，在一次优化中立即进入绿色区域。为此，您需要在次要 FF 上引入主 FF。主 FF 应描述绿色区域，并且是全局最大值。
因此，图片上的 FF 并不是我们所需要的，我们需要的是寻找全局最大值的 FF。
这很难用手指解释。但您可以在文章))))。
 
mytarmailS #:
所以，你想找到几座山峰，然后对它们进行测试，对吗？

是的，通常情况下，检查超过 20 个峰值是没有意义的。如果有什么坚固的东西，应该在这 20 个山峰中找到。

当然，从理论上讲，你可以想象一只被剃了毛的刺猬。那么，在一百个基于发射原理的优化方案中，就不会有小山了。但这种情况与实际情况相去甚远。

通常情况下，我们会自己组建这样一只刺猬，使它没有秃顶。

 
Andrey Dik #:

这里！我想告诉你，你可以同时避免五项优化。
他不需要绿色区域
 
fxsaber #:

是的，通常检查超过 20 个峰值是没有意义的。如果有什么坚固的东西，就应该在这 20 个峰中找到。

当然，从理论上讲，你也可以想象一只剃了毛的刺猬。那么，在一百个基于发射原理的优化方案中，就不会有小山了。但这种情况与实际情况相去甚远。

通常情况下，我们自己制作的刺猬会有一个秃顶。

那就很简单了，就像我上面写的那样。
您需要 20 个峰值，只需运行 AO 20 次即可。
1234567891011...13
新评论