Discusión sobre el artículo "Algoritmos de optimización de la población: Algoritmos de estrategias evolutivas (Evolution Strategies, (μ,λ)-ES y (μ+λ)-ES)"
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
Artículo publicado Algoritmos de optimización de la población: Algoritmos de estrategias evolutivas (Evolution Strategies, (μ,λ)-ES y (μ+λ)-ES):
En este artículo, analizaremos un grupo de algoritmos de optimización conocidos como "estrategias evolutivas" (Evolution Strategies o ES). Se encuentran entre los primeros algoritmos basados en poblaciones que usan principios evolutivos para encontrar soluciones óptimas. Hoy le presentaremos los cambios introducidos en las variantes clásicas de ES y revisaremos la función de prueba y la metodología del banco de pruebas para los algoritmos.
El nuevo rasgo ha recibido el nombre de "Hilly" (Fig. 2) y, al igual que Forest y Megacity, se refiere a funciones de prueba complejas. Para estas tres funciones, la superficie situada por encima del 50% de la altura máxima será aproximadamente la misma y representa alrededor del 20% de la superficie total de la función.
Las características Hilly, Forest y Megacity presentan escenarios de optimización desafiantes y realistas que pueden ayudar a estimar el rendimiento de los algoritmos en entornos complejos y diversos. Cuando estas funciones se usan como prueba exhaustiva de los algoritmos de optimización, se hace posible comprender mejor su capacidad para encontrar óptimos globales y superar trampas locales.
Además, hemos introducido cambios en la metodología de las pruebas. Ahora se realizan 10 pruebas en lugar de 5 (el número de veces que se repite el proceso de optimización), para reducir los "valores atípicos" aleatorios presentes en los resultados.
Autor: Andrey Dik