L'algorithme génétique et ses applications possibles - page 5
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
1. c'est trop, le graphique est mis à l'échelle de sorte que vous ne pouvez pas voir les résultats utiles. Je renvoie une valeur légèrement supérieure à celle de la pire coutume. L'essentiel, cependant, est de définir la bonne direction pour l'amélioration.
2. Quel est l'intérêt ? L'essentiel est de définir la bonne direction, ce qui signifie que vous devez montrer à l'AG qu'elle a obtenu le pire résultat ici, et pas seulement un résultat faible.
1. il s'agit d'un inconvénient de l'affichage régulier de l'optimiseur, mais cela ne signifie pas que vous devriez considérer le manque d'outil de recherche (dans ce cas, l'optimiseur MT), afin d'obtenir un meilleur résultat. en fait, la bonne approche pour visualiser les résultats de l'optimisation vous-même, parce que l'optimiseur MT ne sait pas ce dont vous avez vraiment besoin. Il n'y a pas d'outil pour montrer les résultats dans le tableau d'optimisation (et sur le graphique) pour le moment, je pense que cela sera implémenté un jour.
2. Non, l'essentiel n'est pas seulement de montrer que le résultat est "mauvais", mais de montrer que le résultat est "très mauvais", cela fait une énorme différence pour AO.
Je ne me souviens pas si j'ai écrit à ce sujet sur le forum, mais c'est vraiment un problème et la raison pour laquelle il est implémenté dans MT n'est pas claire. En théorie, si l'examinateur renvoie un code d'erreur "paramètres incorrects", le testeur est obligé de générer une autre instance à la place, afin que la population soit complète.
Tout à fait d'accord.
Peut-être que pour les générations futures (sauf la première), cette astuce ne fonctionnera pas (question pour les experts en AG), mais pour le premier échantillon (qui est de toute façon aléatoire), le remplacement d'un ensemble aléatoire (avec des entrées erronées) par un autre ne fera pas de mal. Et la probabilité de rencontrer des paramètres incorrects dans les générations futures sera beaucoup plus faible. C'est étrange qu'ils ne veuillent pas...
Dites-moi, y a-t-il des développements en GA pour un nombre variable de paramètres ?
La mise en œuvre du logiciel n'est pas un problème. Les mêmes ensembles de paires sont "croisés" en MT. Vous pouvez mettre en œuvre la "mutation", puis les ensembles peuvent être arbitraires.
Tout à fait d'accord.
Peut-être que pour les générations futures (sauf la première), cette astuce ne fonctionnera pas (question pour les spécialistes de l'AG), mais pour le premier échantillon (qui est de toute façon aléatoire), le remplacement d'un ensemble aléatoire (avec des entrées erronées) par un autre ne fera pas de mal. Et la probabilité de rencontrer des paramètres incorrects dans les générations futures sera beaucoup plus faible. C'est étrange qu'ils ne veuillent pas...
Aucun obstacle, la génération est toujours un échantillonnage à partir d'un pool de combinaisons possibles de paires, seulement si le pool n'est pas suffisant, mais même dans ce cas, quelque chose peut être inventé, des clones par exemple.
Aucun obstacle, la génération est toujours une sélection à partir d'un pool de combinaisons possibles de paires, seulement si le pool est insuffisant, mais même dans ce cas, vous pouvez penser à quelque chose, des clones par exemple.
Pourquoi ne le font-ils pas alors ? Ce ne sont pas des idiots.
Tout à fait d'accord.
Peut-être que pour les générations futures (sauf la première), cette astuce ne fonctionnera pas (question pour les experts en GA), mais pour le premier échantillon (qui est de toute façon aléatoire), remplacer un ensemble aléatoire (avec des entrées erronées) par un autre ne fera pas de mal. Et la probabilité de rencontrer des paramètres incorrects dans les générations futures sera beaucoup plus faible. C'est étrange qu'ils ne le fassent pas.
Bon - la variante incorrecte des paramètres d'entrée devrait être ignorée par l'optimiseur et une autre variante devrait être générée à sa place, de sorte que la population soit toujours pleine. Si le nombre de variantes possibles est insuffisant - les doublons pris avec une probabilité proportionnelle au rang d'un individu dans la population sont acceptables.
Dites-moi, existe-t-il des développements de GA pour un nombre variable de paramètres ?
Je pense que c'est peu probable. Selon le concept de l'AG, des structures identiques - clones du même système avec des valeurs de paramètres différentes - peuvent se croiser. Dans la nature, des individus différents au sein d'un même environnement ne peuvent pas non plus se croiser. Cette contrainte biologique naturelle empêche l'émergence de monstres ridicules, non viables et sans intérêt pour l'écosystème. De telles "expériences" se soldent toujours par un échec et ne conviennent qu'à la recherche en laboratoire. L'AG imite la biologie et ne s'écarte donc pas des principes de croisement, d'hérédité et de sélection.
La question, d'un point de vue théorique, est très intéressante. L'évolution crée non seulement des versions "optimisées" des créatures au cours de leur "adaptation" aux conditions, mais aussi des espèces fondamentalement nouvelles. D'où viennent-ils si les croisements entre espèces sont impossibles ? Ils proviennent donc de mutations naturelles. Mais, - la mutation est un changement dans les gènes existants, pas l'acquisition de nouveaux gènes. C'est-à-dire que - l'ensemble ne peut pas être augmenté, et le "calibrage" ne fait qu'adapter (optimiser) l'espèce vivante. D'où viennent les créatures nouvelles et plus complexes ?
Même si nous faisons en sorte qu'un algorithme "coule" de manière aléatoire des paramètres dans des systèmes arbitraires et trouve également de manière aléatoire une cible d'optimisation (fonction d'aptitude) pour ces paramètres, que cela peut-il nous apporter ?
Dites-moi, y a-t-il des développements en GA pour un nombre variable de paramètres ?
est.
Les applications pratiques sont assez vastes - de la programmation génétique au calcul de la forme et du volume des corps, en tenant compte de la maximisation de la force et de la minimisation du volume.
il y a.