文章 "种群优化算法：二进制遗传算法（BGA）。第 I 部分"

[MetaQuotes]

新文章 种群优化算法：二进制遗传算法（BGA）。第 I 部分已发布：

在本文中，我们将探讨二进制遗传和其它种群算法中所用的各种方法。我们将见识到算法的主要组成部分，例如选择、交叠和突变，以及它们对优化的影响。此外，我们还将研究数据表示方法，及其对优化结果的影响。

优化问题的参数通常称为 “特征”，必须以某种方式表示，才可在优化算法的逻辑中所用。在遗传学中，这些特征划分为表现型和基因型。表现型是正被优化的参数的外观，基因型是它在算法中的表示方式。在大多数优化算法中，表现型与基因型相同，并表示为实数。基因是优化参数，反过来，染色体是一组基因，即一组优化参数。

实数数据表示法常用来表示分数。实数可以有十进制部分和分数部分，用小数点分隔。例如，“3.14” 和 “0.5” 是实数。

数据的二进制表示，另一方面，使用二进制数字系统，其数字使用两个符号表示：“0” 和 “1”，每个数位称为比特位（二进制数位）。例如，数字 “5” 可以用二进制形式表示为 “101”。

数据的实数表示和二进制表示之间的主要区别在于数字的编码方式。实数通常使用 IEEE 754 等标准进行编码，IEEE 754 定义了浮点数的表示格式。在 MQL5 语言中，“double（双精度）” 数据类型用于实数。它可以在一个数字中描述总共 16 个有效数位。这意味着总数位量不能超过 16，例如，“9 999 999 999 999 999.0” 和 “9 999 999.999 999 99” 和 “0.999 999 999 999 9” 在小数点前后总共有 16 个 “9”。我稍后会解释为什么这很重要。

实数便于在编写程序和日常生活中所用，而二进制数则用于计算系统，以及执行低级运算，包括逻辑和按位运算。

作者：Andrey Dik

[Andrey Dik]

fxsaber #:
这刺伤了我。

谢谢你，改正了。

[fxsaber]

读一读。现在缺少的是一个显示优化算法一般表示方法的图表。

[Andrey Dik]

fxsaber #:
读一读。我们缺少的是一张显示优化算法一般表示方法的图表。

对于所有优化算法来说，无一例外，不仅是 GA，运算符（方法）的顺序总是相同的，与目录中的顺序一致：

1.选择。

2.交叉。

突变。

每个特定的算法都可能缺少一两个运算符，但顺序总是如此。这种顺序在逻辑上肯定是合理的，而且与概率有关，任何优化算法的目标都是将有利于解决问题的概率组合起来。

还有第四种方法，即把新个体放入种群的方法，但它通常不被视为一种独立的方法。

也许，画一张 "优化算法 "的结构图是有意义的，我会考虑的。

[fxsaber]

Andrey Dik #:

对于所有优化算法，不仅是 GA，运算符（方法）的顺序无一例外都是相同的

我不明白为什么有些算法在没有输入的情况下会移动，而有些算法在有输入的情况下会移动。

for (uint i = epochCount; (bool)i--;)
{
  AO.Moving() // 移动（i）

  for (uint set = ArraySize(AO.aName); (bool)set--;)
    AO.aName[set].f = FF(AO.aName[set].c);
                                                                     
  AO.Revision();
}

[Andrey Dik]

fxsaber #:
我不明白为什么有的 Moving 算法没有输入，而有的则有输入。

这是因为在算法的一个公式中需要考虑当前历元的数量。在其他算法中，历时计数器是其自身的内部计数器。