文章 "种群优化算法：改变概率分布的形状和位移，并基于智能头足类生物（SC）进行测试" - 页 2 12 新评论 Andrey Dik 2023.12.18 20:57 #11 fxsaber 均匀分布 更好的结果。 谢谢。 在文章中，如果可能的话，我会尽量传达策略的基本含义（那些不是为一般问题设计的策略--例如，我必须认真重新设计那些最初为旅行推销员问题设计的策略）。 策略与所使用的分布的结合非常重要，有些策略对某些分布更好，有些策略对另一些分布更好。 Andrey Dik 2023.12.18 21:03 #12 fxsaber 均匀的。 通过这一系列文章，我们清楚地认识到，结果不仅会因搜索策略的不同而大相径庭，也会因输入参数值的不同而大相径庭。再加上设置分布。 如何找到最适合自己任务的分布并不十分清楚。因为你需要优化被优化的内容。 在测试中，我特意选择了三个性质完全不同的测试函数，以尽可能涵盖更多的假设任务。我精心选择了算法设置，以获得最大可能的综合结果。也就是说，当然也有可能选择在一个测试函数上取得更好结果的设置，但这样在其他函数上的结果就会下降，总分也会下降。这就是为什么你可以放心使用我所设置的算法的默认设置，它们是每种算法的最佳设置。 顺便说一下，一开始我是这样做的，我用另一种算法优化了算法设置，后来随着经验的积累，我学会了手动快速选择最佳参数。这张表是直接从算法中榨出的汁液。当然，还有一块 "蛋糕"，如果你愿意，还可以继续榨。 Andrey Dik 2023.12.18 21:10 #13 fxsaber #: 请告诉我如何衡量 MT5 GA 测试功能的质量。 标准 GA 非常酷，但也有缺点--染色体的长度有限，因此步长和参数数也受到限制（步长和参数数成反比，增加一个，另一个就会减少）。 这就是为什么它很难与标准 GA 相提并论，因为它能完美地完成任务。如果您需要复杂的变态算法，我们有一系列相关文章）））。 两者互不干扰，因为在这两种情况下都使用了我们最喜欢的 MQL5。 Andrey Dik 2023.12.19 09:15 #14 该条通过了关于 "动力 "定义的修正案。 fxsaber 2023.12.19 10:57 #15 в реальных задачах существует неопределенность и случайность и именно здесь распределения вероятностей вступают в игру. Они позволяют учесть случайность и неопределенность в оптимизационных задачах. 概率分布在进化算法和群体算法中也得到了积极的应用。在这些算法中，使用适当的概率分布来模拟搜索空间中新状态的随机生成。这样就可以探索参数空间并找到最优解，同时考虑到群体的随机性和多样性。 更复杂的优化方法使用概率分布 来模拟不确定性和近似复杂函数。考虑到数据的随机性和噪声，这些方法可以有效地探索参数空间并找到最优解。 我想了解的是，通过增加偏差，用其他概率替代均匀 概率的想法是如何产生的。 我是否理解错了，在某种复杂的优化方法中，你遇到了非均匀概率的使用，然后决定加以推广和研究？ 你是如何发现偏差的？ 我意识到这不是偶然发生的，很多事情都是凭直觉感受到的。只是我的理解水平还差得远，说得难听点。现在看来，这就像是某种魔法。我意识到，以我现在的想法，即使是偶然也不可能达到这样的变体。 Andrey Dik 2023.12.19 11:41 #16 fxsaber 均匀 概率呢？ 我的理解是否正确，即在某种复杂的优化方法中，你们遇到了非均匀概率的使用，然后决定加以推广和研究？你们是如何得出偏差的？我意识到这不是偶然发生的，很多事情都是凭直觉感觉到的。只是我的理解水平还差得远，说得难听点。现在看来，这就像是某种魔法。我意识到，以我现在的想法，即使是偶然也不可能达到这样的变体。 使用均匀分布以外的分布的想法是在 2011-2012 年萌生的，当时似乎有理由更仔细地研究已知坐标的邻域，而较少关注遥远的未知数。 后来，我了解到其他一些算法也使用非均匀分布，但大部分使用的是正态分布。 我还遇到了在可接受范围的边界出现新值的频率人为累积的边缘效应，这是不必要的浪费宝贵的尝试，因此也是时间和资源的浪费。一段时间后，我意识到，这些伪影的出现正是因为没有考虑到必要的分布转移。我不能代表世界上所有现有的算法，但我以前从未遇到过这种方法。如果我们谈论的是在指定的边界内改变分布。 如果我们说的是有目的地改变概率，而不使用分布移动，最简单的例子就是遗传算法中的轮盘赌，在轮盘赌中，用于杂交的个体是随机选择的，但与其适应性成正比。 总的来说，有意识地应用分布偏差为机器学习和其他领域（不包括优化）开辟了新天地。分布可以以任何方式和组合从多个分布中塑造出来，除了搜索策略本身之外，它确实是一个强大的工具。因此，我认为值得单独讨论这个话题。 也许我的文章并不符合清晰的科学叙事，也与数学的严谨性相去甚远，但相比理论，我更倾向于实践方面。 PS.对我来说，使用随机变量进行优化的许多事情看起来就像魔术。能用随机方法找到一些东西，似乎仍然令人难以置信。我猜想，在世界范围内的人工智能研究中，这仍将是一个知识领域，因为奇怪的是，智能生物的思维过程也是通过随机过程进行的。 fxsaber 2023.12.19 11:56 #17 Andrey Dik #:我倾向于理论而非实践。 谢谢您的详细回答。同样，在我的工作中，我也看到了偏重实践的观点。 这就是为什么我在等待一个能够应用这些算法的封装程序。 12 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
谢谢。
在文章中，如果可能的话，我会尽量传达策略的基本含义（那些不是为一般问题设计的策略--例如，我必须认真重新设计那些最初为旅行推销员问题设计的策略）。
策略与所使用的分布的结合非常重要，有些策略对某些分布更好，有些策略对另一些分布更好。
通过这一系列文章，我们清楚地认识到，结果不仅会因搜索策略的不同而大相径庭，也会因输入参数值的不同而大相径庭。再加上设置分布。
如何找到最适合自己任务的分布并不十分清楚。因为你需要优化被优化的内容。
在测试中，我特意选择了三个性质完全不同的测试函数，以尽可能涵盖更多的假设任务。我精心选择了算法设置，以获得最大可能的综合结果。也就是说，当然也有可能选择在一个测试函数上取得更好结果的设置，但这样在其他函数上的结果就会下降，总分也会下降。这就是为什么你可以放心使用我所设置的算法的默认设置，它们是每种算法的最佳设置。
顺便说一下，一开始我是这样做的，我用另一种算法优化了算法设置，后来随着经验的积累，我学会了手动快速选择最佳参数。这张表是直接从算法中榨出的汁液。当然，还有一块 "蛋糕"，如果你愿意，还可以继续榨。
请告诉我如何衡量 MT5 GA 测试功能的质量。
标准 GA 非常酷，但也有缺点--染色体的长度有限，因此步长和参数数也受到限制（步长和参数数成反比，增加一个，另一个就会减少）。
这就是为什么它很难与标准 GA 相提并论，因为它能完美地完成任务。如果您需要复杂的变态算法，我们有一系列相关文章）））。
两者互不干扰，因为在这两种情况下都使用了我们最喜欢的 MQL5。
в реальных задачах существует неопределенность и случайность и именно здесь распределения вероятностей вступают в игру. Они позволяют учесть случайность и неопределенность в оптимизационных задачах.
概率分布在进化算法和群体算法中也得到了积极的应用。在这些算法中，使用适当的概率分布来模拟搜索空间中新状态的随机生成。这样就可以探索参数空间并找到最优解，同时考虑到群体的随机性和多样性。
更复杂的优化方法使用概率分布 来模拟不确定性和近似复杂函数。考虑到数据的随机性和噪声，这些方法可以有效地探索参数空间并找到最优解。
我想了解的是，通过增加偏差，用其他概率替代均匀 概率的想法是如何产生的。
我是否理解错了，在某种复杂的优化方法中，你遇到了非均匀概率的使用，然后决定加以推广和研究？
你是如何发现偏差的？
我意识到这不是偶然发生的，很多事情都是凭直觉感受到的。只是我的理解水平还差得远，说得难听点。现在看来，这就像是某种魔法。我意识到，以我现在的想法，即使是偶然也不可能达到这样的变体。
我的理解是否正确，即在某种复杂的优化方法中，你们遇到了非均匀概率的使用，然后决定加以推广和研究？
你们是如何得出偏差的？
我意识到这不是偶然发生的，很多事情都是凭直觉感觉到的。只是我的理解水平还差得远，说得难听点。现在看来，这就像是某种魔法。我意识到，以我现在的想法，即使是偶然也不可能达到这样的变体。
使用均匀分布以外的分布的想法是在 2011-2012 年萌生的，当时似乎有理由更仔细地研究已知坐标的邻域，而较少关注遥远的未知数。
后来，我了解到其他一些算法也使用非均匀分布，但大部分使用的是正态分布。
我还遇到了在可接受范围的边界出现新值的频率人为累积的边缘效应，这是不必要的浪费宝贵的尝试，因此也是时间和资源的浪费。一段时间后，我意识到，这些伪影的出现正是因为没有考虑到必要的分布转移。我不能代表世界上所有现有的算法，但我以前从未遇到过这种方法。如果我们谈论的是在指定的边界内改变分布。
如果我们说的是有目的地改变概率，而不使用分布移动，最简单的例子就是遗传算法中的轮盘赌，在轮盘赌中，用于杂交的个体是随机选择的，但与其适应性成正比。
总的来说，有意识地应用分布偏差为机器学习和其他领域（不包括优化）开辟了新天地。分布可以以任何方式和组合从多个分布中塑造出来，除了搜索策略本身之外，它确实是一个强大的工具。因此，我认为值得单独讨论这个话题。
也许我的文章并不符合清晰的科学叙事，也与数学的严谨性相去甚远，但相比理论，我更倾向于实践方面。
PS.对我来说，使用随机变量进行优化的许多事情看起来就像魔术。能用随机方法找到一些东西，似乎仍然令人难以置信。我猜想，在世界范围内的人工智能研究中，这仍将是一个知识领域，因为奇怪的是，智能生物的思维过程也是通过随机过程进行的。
我倾向于理论而非实践。
谢谢您的详细回答。同样，在我的工作中，我也看到了偏重实践的观点。
这就是为什么我在等待一个能够应用这些算法的封装程序。