El algoritmo genético y sus posibles aplicaciones - página 2

 
El objetivo se establece en el optimizador incorporado, pero no directamente.

1. se establece el indicador como una función que define la curva de beneficios de la estrategia
2. el optimizador toma como objetivo el beneficio obtenido de la estrategia

A continuación se mencionan las posibles aplicaciones de la AG
 
Si he entendido bien, el "mestizaje" puede realizarse entre "genes" (parámetros) idénticos de individuos (copias del mismo sistema con diferentes valores de los mismos parámetros).

En este caso, el "cruce" debería ser una simple media (suma de dos valores dividida por dos, de dos parámetros, de dos "cromosomas" idénticos en estructura)...

Es decir, se suman los valores de los parámetros opuestos de las copias de un sistema, se dividen por dos y se obtiene una tercera copia del sistema, con los valores medios de los parámetros...
 
RomFil:
no hay manera de hacer que su objetivo

¿OnTester() no funciona?

 
Реter Konow:
Si he entendido bien, el "mestizaje" puede realizarse entre "genes" (parámetros) idénticos de individuos (copias del mismo sistema con diferentes valores de los mismos parámetros).

En este caso, ¿el "cruce" debe ser una simple media (la suma de dos valores, dos parámetros, dos "cromosomas" idénticos en estructura)?

Puedes hacer lo que quieras, hay docenas de variaciones.

 

¡Genial! No sabía que el cinco tuviera esa característica... :) Todavía estoy trabajando en cuatro... :) Gracias.

Eso es todo entonces. La pregunta está fuera ... :)
 
RomFil:

¡Genial! No sabía que el cinco tuviera esa característica... :) Todavía estoy trabajando en cuatro... :) Gracias.

Eso es todo entonces. La pregunta está fuera ... :)
En realidad, "esta característica" existe desde hace cuatro ))))
 
SeriousRacoon:
En realidad, "esta característica" existe desde hace cuatro ))))
Así que soy un "nerd" ... :)
 
Реter Konow:
El enfoque en sí mismo no es suficiente. Puede servir como herramienta para "pulir" los sistemas terminados: probar y depurar.
Los sistemas en sí no pueden construirse así. Necesitas un algoritmo diferente. Cuando se invente, GA será recordado.

He visto esos métodos en personas que trabajan en proyectos de la llamada "vida artificial". Es interesante. A primera vista, parece una papilla, pero la genética fabrica genes "inteligentes" a partir de la papilla a través de millones de pases.

 
Aleksey Mavrin:

He visto estos métodos en personas que trabajan en los llamados proyectos de "vida artificial". Es interesante. A primera vista, parece una papilla, pero la genética fabrica genes inteligentes a partir de la papilla a través de millones de pases.

¿Quiere decir "inteligente", es decir, optimizado y adaptado a un determinado entorno?

DE ACUERDO. Creamos un entorno cerrado, a partir de un complejo de sistemas que interactúan. Por ejemplo: los individuos de tres genes "devoran" (se adhieren y crecen) a los individuos de dos genes si no pueden "escapar" de ellos (digamos que los genes X e Y son coordenadas en el plano). Al individuo de tres genes se le añade un gen Z, la tercera dimensión. Tiene una ventaja. La tarea del individuo de dos genes es sobrevivir y no ser atrapado, y la tarea del individuo de tres genes es atrapar al de dos genes lo antes posible y ahorrar tiempo y recursos.

El objetivo: el individuo genéticamente más débil debe calcular el genéticamente más fuerte para sobrevivir.
 
Aleksey Nikolayev:

¿OnTester() no es adecuado?

Sí, en el modo de optimización genética por "Máximo del criterio del usuario" el GA del probador maximizará el resultado obtenido del doble OnTester() - todo funciona, pero hay un problema en la automatización "para animar al GA" cuando empieza a converger alrededor del máximo local encontrado y no quiere buscar otras variantes por los parámetros de entrada, en general, en la sintonía fina debe ayudar al GA añadiendo condiciones a OnTester() o dividiendo los parámetros de optimización en varios intervalos