El algoritmo genético y sus posibles aplicaciones - página 5
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
1. es demasiado, el gráfico está escalado de manera que no se pueden ver los resultados útiles. Devuelvo un valor ligeramente superior a la peor costumbre. Sin embargo, lo principal es establecer la dirección correcta para mejorar.
2. ¿qué sentido tiene? Lo principal es fijar la dirección correcta, lo que significa que hay que mostrar a GA que mostró el peor resultado aquí, no sólo uno débil.
1. esto es una desventaja de la visualización del optimizador regular, pero no significa que usted debe considerar la falta de herramienta de investigación (en este caso, el optimizador MT), con el fin de obtener un mejor resultado. de hecho, el enfoque correcto para visualizar los resultados de la optimización usted mismo, porque el optimizador MT no sabe lo que realmente necesita. De momento no hay ninguna herramienta para mostrar los resultados en la tabla de optimización (y en el gráfico), creo que algún día se implementará.
2. No, lo principal no es sólo demostrar que el resultado es "malo", sino demostrar que el resultado es "muy malo", eso marca una gran diferencia para AO.
No recuerdo si escribí sobre ello en el foro, pero realmente es un problema y no está claro por qué está implementado en MT. En teoría, si el examinador devuelve un código de error "parámetros erróneos", está obligado a generar otra instancia en su lugar, para que la población esté completa.
Absolutamente de acuerdo.
Tal vez para futuras generaciones (excepto la primera) este truco no funcione (pregunta para los expertos en AG), pero para la primera muestra (que es aleatoria de todos modos) la sustitución de un conjunto aleatorio (con entradas erróneas) por otro no hará ningún daño. Y la probabilidad de encontrar parámetros incorrectos en futuras generaciones será mucho menor. Es extraño que no...
Dígame, ¿hay algún desarrollo en GA para un número variable de parámetros?
La implementación del software no es un problema. Los mismos conjuntos de pares se "cruzan" en MT. Es posible implementar la "mutación", entonces los conjuntos pueden ser arbitrarios.
Absolutamente de acuerdo.
Tal vez para las generaciones futuras (excepto la primera) este truco no funcione (pregunta para los estudiosos de la AG), pero para la primera muestra (que es aleatoria de todos modos) la sustitución de un conjunto aleatorio (con entradas erróneas) por otro no hará ningún daño. Y la probabilidad de encontrar parámetros incorrectos en futuras generaciones será mucho menor. Es extraño que no...
No hay obstáculo, la generación es siempre un muestreo de un conjunto de posibles combinaciones de pares, sólo si el conjunto no es suficiente, pero incluso entonces se puede inventar algo, clones por ejemplo.
No hay obstáculo, la generación es siempre una selección de un conjunto de posibles combinaciones de pares, sólo si el conjunto es insuficiente, pero incluso entonces se puede pensar en algo, en clones por ejemplo.
¿Por qué no lo hacen entonces? No son idiotas.
Absolutamente de acuerdo.
Tal vez para las futuras generaciones (excepto la primera) ese truco no funcione (pregunta para los expertos en AG), pero para la primera muestra (que es aleatoria de todos modos), sustituir un conjunto aleatorio (con entradas erróneas) por otro no hará ningún daño. Y la probabilidad de encontrar parámetros incorrectos en futuras generaciones será mucho menor. Es extraño que no lo hagan.
Bien - la variante de los parámetros de entrada incorrecta debería ser ignorada por el optimizador y en su lugar debería generarse otra, para que la población estuviera siempre llena. Si el número de variantes posibles es insuficiente, se aceptan los duplicados tomados con probabilidad proporcional al rango de un individuo en la población.
Dígame, ¿hay algún desarrollo de AG para un número variable de parámetros?
Creo que es poco probable. Basándose en el concepto de AG, las estructuras idénticas - clones del mismo sistema con diferentes valores de parámetros - pueden cruzarse. En la naturaleza tampoco pueden cruzarse individuos diferentes dentro del mismo entorno. Esta restricción biológica natural impide la aparición de fenómenos ridículos e inviables que no tienen sentido para el ecosistema. Estos "experimentos" siempre acaban en fracaso y sólo son aptos para la investigación de laboratorio. El AG imita a la biología y, por tanto, no se aparta de los principios de mestizaje, herencia y selección.
La cuestión, desde un punto de vista teórico, es muy interesante. La evolución no sólo crea versiones "optimizadas" de las criaturas en el curso de su "adaptación" a las condiciones, sino también especies fundamentalmente nuevas. ¿De dónde vienen si el mestizaje es imposible? Así que provienen de mutaciones naturales. Pero, - la mutación es un cambio en los genes existentes, no la adquisición de otros nuevos. Es decir, - el conjunto no puede aumentar, y la "calibración" sólo adapta (optimiza) las especies vivas. ¿De dónde vienen las nuevas y más complejas criaturas?
Incluso si hacemos que un algoritmo "arroje" aleatoriamente parámetros en sistemas arbitrarios y también encuentre aleatoriamente un objetivo de optimización (función de aptitud) para ellos, ¿qué puede darnos esto?
Dígame, ¿hay algún desarrollo en GA para un número variable de parámetros?
es.
Las aplicaciones prácticas son bastante amplias: desde la programación genética hasta el cálculo de la forma y el volumen de los cuerpos, teniendo en cuenta la maximización de la fuerza y la minimización del volumen.
lo hay.