Diskussion zum Artikel "Algorithmen zur Optimierung mit Populationen: Differenzielle Evolution (DE)"
Bitte fügen Sie Links zu den Beschreibungen der einzelnen Algorithmen in der Reihenfolge des Diagramms hinzu.
Nochmals vielen Dank für den Austausch.
fxsaber #:
Bitte fügen Sie Links zu den Beschreibungen der einzelnen Algorithmen in der Reihenfolge des Diagramms hinzu.
Nochmals vielen Dank für den Austausch.
Danke für die Anregung.
Es wäre toll, wenn Sie die Links direkt in das Balkendiagramm einfügen könnten, aber leider lässt die Artikelmaschine das nicht zu.
Links können in der Tabelle hinzugefügt werden, denke ich. Ich werde versuchen, es zu tun.
Ich habe einen Fehler gemacht, die farbige Tabelle Bild aus dem vorherigen Artikel, ersetzt es mit dem aktuellen.
Nach der Überprüfung der neuesten Version des Artikels, wird das neue Bild zur Verfügung stehen. Es gibt jedoch eine aktuelle farbige Tabelle im Archiv, die Sie sich ansehen können.
Hier ist sie:
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Algorithmen zur Optimierung mit Populationen: Differenzielle Evolution (DE) :
In diesem Artikel werden wir uns mit dem Algorithmus befassen, der von allen bisher diskutierten Algorithmen die umstrittensten Ergebnisse zeigt - der Algorithmus der differentiellen Evolution (DE).
Die Idee der differentiellen Evolution ist eine Kombination aus Einfachheit und Effizienz. Der Algorithmus der differentiellen Evolution verwendet eine Population von Vektoren, die potenzielle Lösungen darstellen. Jeder Vektor besteht aus Komponenten, die die Werte der Variablen des Optimierungsproblems darstellen.
In DE übernimmt ein Vektor die Rolle des Suchagenten. Der Algorithmus beginnt mit der Erstellung einer zufälligen Population von Vektoren. Anschließend findet ein iterativer Prozess statt, bei dem jeder Vektor mutiert und sich mit anderen Vektoren in der Population kreuzt. Die Mutation erfolgt durch Addition der Differenz zwischen zwei zufällig ausgewählten Vektoren aus der Population zu einem dritten Vektor. So entsteht ein neuer Vektor, der eine mögliche Lösung für das Problem darstellt.
Nach der Mutation wird der mutierte Vektor mit dem ursprünglichen Vektor gekreuzt. Die Kreuzung ermöglicht es, Informationen aus zwei Vektoren zu kombinieren und neue Lösungen zu schaffen. Das erzielte Ergebnis wird mit der aktuell besten Lösung in der Population verglichen. Wenn der neue Vektor besser ist, ersetzt er den alten und wird Teil der Population. Die Mutation ermöglicht die Erkundung des Suchraums, während die Kreuzung die Kombination von Informationen aus verschiedenen Vektoren und die Schaffung neuer Lösungen ermöglicht.
Mutation, Kreuzung und Ersetzung werden über mehrere Iterationen wiederholt, bis eine Stop-Bedingung erreicht ist, wie z. B. eine bestimmte Anzahl von Iterationen oder das Erreichen der erforderlichen Lösungsgenauigkeit (in unserem Fall das Erreichen von 10.000 Fitnessfunktionsläufen).
Autor: Andrey Dik