L'algoritmo genetico e le sue possibili applicazioni - pagina 5
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
1. è troppo, il grafico è scalato in modo da non poter vedere i risultati utili. Restituisco un valore leggermente più alto del peggiore dei costumi. La cosa principale, però, è impostare la giusta direzione per il miglioramento.
2. qual è il punto? La cosa principale è impostare la giusta direzione, il che significa che dovete mostrare a GA che ha mostrato il peggior risultato qui, non solo uno debole.
1. questo è uno svantaggio della visualizzazione regolare ottimizzatore, ma non significa che si dovrebbe effettivamente considerare la mancanza di strumento di ricerca (in questo caso, l'ottimizzatore MT), al fine di ottenere un risultato migliore. infatti, l'approccio giusto per visualizzare i risultati di ottimizzazione da soli, perché l'ottimizzatore MT non sa che cosa avete realmente bisogno. Non c'è uno strumento per mostrare i risultati nella tabella di ottimizzazione (e sul grafico) al momento, penso che sarà implementato un giorno.
2. No, la cosa principale non è solo mostrare che il risultato è "cattivo", ma mostrare che il risultato è "molto cattivo", fa una differenza enorme per AO.
Non ricordo se ne ho scritto sul forum, ma è davvero un problema e non è chiaro perché sia implementato in MT. In teoria, se l'esaminatore restituisce un codice di errore "parametri sbagliati", il tester è obbligato a generare un'altra istanza, in modo che la popolazione sia completa.
Assolutamente d'accordo.
Forse per le generazioni future (tranne la prima) tale trucco non funzionerà (domanda per gli esperti di GA), ma per il primo campione (che è comunque casuale) la sostituzione di un set casuale (con input sbagliati) con un altro non farà alcun danno. E la probabilità di incontrare parametri errati nelle generazioni future sarà molto più bassa. Strano che non lo facciano...
Dimmi, ci sono sviluppi in GA per un numero variabile di parametri?
L'implementazione del software non è un problema. Gli stessi insiemi di coppie sono "incrociati" in MT. Si può implementare la "mutazione", allora gli insiemi possono essere arbitrari.
Assolutamente d'accordo.
Forse per le generazioni future (tranne la prima) tale trucco non funzionerà (domanda per gli studiosi di GA), ma per il primo campione (che è comunque casuale) la sostituzione di un set casuale (con input sbagliati) con un altro non farà alcun danno. E la probabilità di incontrare parametri errati nelle generazioni future sarà molto più bassa. Strano che non lo facciano...
Nessun ostacolo, la generazione è sempre un campionamento da un pool di possibili combinazioni di coppie, solo se il pool non è sufficiente, ma anche allora qualcosa può essere inventato, cloni per esempio.
Nessun ostacolo, la generazione è sempre una selezione da un pool di possibili combinazioni di coppie, solo se il pool è insufficiente, ma anche allora si può pensare a qualcosa, cloni per esempio.
Perché non lo fanno allora? Non sono idioti.
Assolutamente d'accordo.
Forse per le generazioni future (tranne la prima) tale trucco non funzionerà (domanda per gli esperti di GA), ma per il primo campione (che è comunque casuale), sostituire un set casuale (con input sbagliati) con un altro non farà alcun danno. E la probabilità di incontrare parametri errati nelle generazioni future sarà molto più bassa. Strano che non lo facciano.
Bene - la variante errata dei parametri di input dovrebbe essere ignorata dall'ottimizzatore e al suo posto dovrebbe esserne generata un'altra, in modo che la popolazione sia sempre piena. Se il numero di varianti possibili è insufficiente - i duplicati presi con probabilità proporzionale al rango di un individuo nella popolazione sono accettabili.
Ditemi, ci sono sviluppi di GA per un numero variabile di parametri?
Penso che sia improbabile. Sulla base del concetto di GA, strutture identiche - cloni dello stesso sistema con diversi valori di parametri - possono incrociarsi. Individui diversi all'interno dello stesso ambiente non possono incrociarsi neanche in Natura. Questo vincolo biologico naturale blocca l'emergere di mostri ridicoli e non vitali che non hanno senso per l'ecosistema. Questi "esperimenti" finiscono sempre per fallire e sono adatti solo alla ricerca di laboratorio. La GA imita la biologia e quindi non si discosta dai principi di ibridazione, ereditarietà e selezione.
La questione, da un punto di vista teorico, è molto interessante. L'evoluzione crea non solo versioni "ottimizzate" delle creature nel corso del loro "adattamento" alle condizioni, ma anche specie fondamentalmente nuove. Da dove vengono se l'ibridazione interspecifica è impossibile? Quindi provengono da mutazioni naturali. Ma, - la mutazione è un cambiamento nei geni esistenti, non l'acquisizione di nuovi geni. Cioè, - l'insieme non può essere aumentato, e la "calibrazione" adatta (ottimizza) solo le specie viventi. Da dove vengono creature nuove e più complesse?
Anche se facciamo in modo che un algoritmo "lanci" casualmente i parametri in sistemi arbitrari e trovi anche casualmente un obiettivo di ottimizzazione (funzione di fitness) per loro, cosa può darci questo?
Dimmi, ci sono sviluppi in GA per un numero variabile di parametri?
è.
Le applicazioni pratiche sono abbastanza ampie - dalla programmazione genetica al calcolo della forma e del volume dei corpi, tenendo conto della massimizzazione della forza e della minimizzazione del volume.
c'è.