Все (пока нет) о Стратегический тестировщик, Оптимизация и Облако - страница 13

Новый комментарий
 

Алгоритмы популяционной оптимизации: Алгоритм имитированного отжига (SA). Часть I

Алгоритм Simulated Annealing был разработан Скоттом Киркпатриком, Джорджем Гелаттом и Марио Векки в 1983 году. При изучении свойств жидкостей и твердых тел при высоких температурах было обнаружено, что металл переходит в жидкое состояние и частицы распределяются случайным образом, а состояние с минимальной энергией достигается при условии достаточно высокой начальной температуры и достаточно длительного времени охлаждения. Если это условие не выполняется, то материал окажется в метастабильном состоянии с неминимальной энергией - это называется закалкой, которая заключается в резком охлаждении материала. В этом случае атомная структура не обладает симметрией (анизотропное состояние, или неоднородные свойства материала внутри кристаллической решетки).

Таким образом, основная идея алгоритма основана на математическом аналоге процесса отжига металла. В процессе отжига для равномерного распределения внутренней энергии металл нагревается до высокой температуры, а затем медленно охлаждается, что позволяет молекулам металла перемещаться и упорядочиваться в более стабильные состояния, при этом снимаются внутренние напряжения в металле и устраняются межкристаллитные дефекты. Термин "отжиг" также связан с термодинамической свободной энергией, которая является атрибутом материала и зависит от его состояния.
Population optimization algorithms: Simulated Annealing (SA) algorithm. Part I
Population optimization algorithms: Simulated Annealing (SA) algorithm. Part I
  • www.mql5.com
The Simulated Annealing algorithm is a metaheuristic inspired by the metal annealing process. In the article, we will conduct a thorough analysis of the algorithm and debunk a number of common beliefs and myths surrounding this widely known optimization method. The second part of the article will consider the custom Simulated Isotropic Annealing (SIA) algorithm.
 

Алгоритмы популяционной оптимизации: Алгоритм имитированного изотропного отжига (SIA). Часть II

В первой части мы рассмотрели обычную версию алгоритма имитационного отжига (Simulated Annealing, SA). В основе алгоритма лежат три основные концепции: применение случайности, принятие худших решений и постепенное снижение вероятности принятия худших решений. Применение случайности позволяет исследовать различные области пространства поиска и избежать застревания в локальном оптимуме. Принятие худших решений с некоторой вероятностью позволяет алгоритму временно "выпрыгивать" из локального оптимума и искать лучшие решения в других областях пространства поиска, что позволяет сначала исследовать пространство поиска более широко, а затем сосредоточиться на улучшении решения.
Population optimization algorithms: Simulated Isotropic Annealing (SIA) algorithm. Part II
Population optimization algorithms: Simulated Isotropic Annealing (SIA) algorithm. Part II
  • www.mql5.com
The first part was devoted to the well-known and popular algorithm - simulated annealing. We have thoroughly considered its pros and cons. The second part of the article is devoted to the radical transformation of the algorithm, which turns it into a new optimization algorithm - Simulated Isotropic Annealing (SIA).
 

Алгоритмы оптимизации популяций: Изменение формы, переключение распределений вероятностей и тестирование на Smart Cephalopod (SC)

Алгоритмы оптимизации популяций: Изменение формы, смещение распределений вероятностей и тестирование на "умном головоногом" (SC)

В этой статье мы рассмотрим различные типы вероятностных распределений, их свойства и практическую реализацию в виде соответствующих функций в коде. При генерации случайных чисел с различными типами распределений можно столкнуться с большим количеством проблем, таких как бесконечная длина хвоста или смещение вероятностей при задании границ дисперсии. При проектировании и создании алгоритмов оптимизации часто возникает необходимость сдвига вероятностей относительно математического ожидания. Цель данной статьи - решить эти проблемы и создать рабочие функции для работы с вероятностями для их последующего использования в алгоритмах оптимизации.
Population optimization algorithms: Changing shape, shifting probability distributions and testing on Smart Cephalopod (SC)
Population optimization algorithms: Changing shape, shifting probability distributions and testing on Smart Cephalopod (SC)
  • www.mql5.com
The article examines the impact of changing the shape of probability distributions on the performance of optimization algorithms. We will conduct experiments using the Smart Cephalopod (SC) test algorithm to evaluate the efficiency of various probability distributions in the context of optimization problems.
 

Алгоритмы популяционной оптимизации: Эволюционные стратегии, (μ,λ)-ES и (μ+λ)-ES

Название "Эволюционные стратегии" может ввести в заблуждение, поскольку исследователи могут подумать, что это общее название для класса эволюционных алгоритмов. Однако это не так. На самом деле это особая группа алгоритмов, использующих идеи эволюции для решения задач оптимизации.

Содержание

1. Введение
2. Алгоритм
3. Замена тестовой функции
4. Результаты тестирования
5. Выводы

Population optimization algorithms: Evolution Strategies, (μ,λ)-ES and (μ+λ)-ES
Population optimization algorithms: Evolution Strategies, (μ,λ)-ES and (μ+λ)-ES
  • www.mql5.com
The article considers a group of optimization algorithms known as Evolution Strategies (ES). They are among the very first population algorithms to use evolutionary principles for finding optimal solutions. We will implement changes to the conventional ES variants and revise the test function and test stand methodology for the algorithms.
 

Алгоритмы популяционной оптимизации: Bacterial Foraging Optimization - Genetic Algorithm (BFO-GA)

Алгоритмы популяционной оптимизации: Bacterial Foraging Optimization - Genetic Algorithm (BFO-GA)

Гибридный алгоритм оптимизации BFO-GA сочетает в себе два различных алгоритма оптимизации: алгоритм кормовой оптимизации (BFO) и генетический алгоритм (GA). Этот гибридный алгоритм был создан для повышения эффективности оптимизации и преодоления некоторых недостатков каждого из отдельных алгоритмов.

BFO (Bacterial Foraging Optimization) - это алгоритм оптимизации, вдохновленный кормовым поведением бактерий. Он был предложен в 2002 году Рахулом К. Куджуром. BFO моделирует движение бактерий с помощью трех основных механизмов: переходов, диффузии и обновления позиции. Каждая бактерия в алгоритме представляет собой решение задачи оптимизации, а пища соответствует оптимальному решению. Бактерии перемещаются в пространстве поиска, чтобы найти оптимальную пищу.

Генетический алгоритм (ГА) - это алгоритм оптимизации, основанный на принципах естественного отбора и генетики. Он был разработан Джоном Холландом в 1970-х годах. ГА работает с популяцией особей, представляющих собой решения оптимизационной задачи. Особи подвергаются операциям скрещивания (объединение генетической информации) и мутации (случайные изменения генетической информации) для создания новых поколений. После нескольких поколений ГА стремится найти оптимальное решение.

Population optimization algorithms: Bacterial Foraging Optimization - Genetic Algorithm (BFO-GA)
Population optimization algorithms: Bacterial Foraging Optimization - Genetic Algorithm (BFO-GA)
  • www.mql5.com
The article presents a new approach to solving optimization problems by combining ideas from bacterial foraging optimization (BFO) algorithms and techniques used in the genetic algorithm (GA) into a hybrid BFO-GA algorithm. It uses bacterial swarming to globally search for an optimal solution and genetic operators to refine local optima. Unlike the original BFO, bacteria can now mutate and inherit genes.
 

Алгоритмы оптимизации популяций: Микроискусственная иммунная система (Микро-ИС)

Иммунная система - это удивительный механизм, который играет важную роль в защите нашего организма от внешних угроз. Словно невидимый щит, она борется с бактериями, вирусами и грибками, сохраняя наше тело здоровым. Но что, если бы мы могли использовать этот мощный механизм для решения сложных задач оптимизации и обучения? Именно такой подход используется в методе оптимизации Artificial Immune System (AIS).

Метод оптимизации с помощью искусственной иммунной системы (AIS) был предложен в 1990-х годах. Ранние исследования этого метода относятся к середине 1980-х годов, значительный вклад в них внесли Фармер, Паккард, Перельсон (1986) и Берсини и Варела (1990).

Population optimization algorithms: Micro Artificial immune system (Micro-AIS)
Population optimization algorithms: Micro Artificial immune system (Micro-AIS)
  • www.mql5.com
The article considers an optimization method based on the principles of the body's immune system - Micro Artificial Immune System (Micro-AIS) - a modification of AIS. Micro-AIS uses a simpler model of the immune system and simple immune information processing operations. The article also discusses the advantages and disadvantages of Micro-AIS compared to conventional AIS.
 

Общая оптимизационная формула (GOF) для реализации пользовательского максимума с ограничениями

Общая оптимизационная формула (GOF) для реализации пользовательских максимумов с ограничениями

В общем случае существует два основных типа алгоритмов оптимизации. Первый тип - более классический, основанный на вычислении градиентов всех функций, участвующих в задаче оптимизации (он восходит к временам Исаака Ньютона). Второй тип - более современный (с ~1970-х годов), который вообще не использует информацию о градиентах. Между ними могут существовать алгоритмы, сочетающие два упомянутых подхода, но здесь их рассматривать не нужно. Алгоритм MetaTrader 5 под названием "Fast Genetic based Algorithm" --- на вкладке "Настройки терминала MetaTrader 5" --- относится ко второму типу. Он позволяет обойтись без вычисления градиентов для функций цели и ограничений. Более того, благодаря безградиентному характеру алгоритма MetaTrader 5 мы смогли учесть функции ограничений, которые не были бы уместны в градиентных алгоритмах. Подробнее об этом будет рассказано ниже.

Важным моментом является то, что алгоритм MetaTrader 5 под названием "Медленный полный алгоритм" на самом деле является не алгоритмом оптимизации, а грубой, исчерпывающей оценкой всех возможных комбинаций значений для всех входных переменных в рамках боковых ограничений.

A Generic Optimization Formulation (GOF) to Implement Custom Max with Constraints
A Generic Optimization Formulation (GOF) to Implement Custom Max with Constraints
  • www.mql5.com
In this article we will present a way to implement optimization problems with multiple objectives and constraints when selecting "Custom Max" in the Setting tab of the MetaTrader 5 terminal. As an example, the optimization problem could be: Maximize Profit Factor, Net Profit, and Recovery Factor, such that the Draw Down is less than 10%, the number of consecutive losses is less than 5, and the number of trades per week is more than 5.
1...678910111213
Новый комментарий
Причина обращения: