L'algoritmo genetico e le sue possibili applicazioni - pagina 2

Nuovo commento
 
L'obiettivo è impostato nell'ottimizzatore integrato, ma non direttamente.

1. impostate il vostro indicatore come una funzione che definisce la curva di profitto della strategia
2. l'ottimizzatore prende come obiettivo il profitto ottenuto dalla strategia

Le possibili applicazioni di GA sono menzionate qui
 
Se ho capito bene, gli "incroci" possono essere fatti tra "geni" (parametri) di individui identici (copie dello stesso sistema con valori diversi degli stessi parametri).

In questo caso, l'"incrocio" dovrebbe essere una semplice media (somma di due valori divisi per due, di due parametri, di due "cromosomi" identici nella struttura)?

Cioè, si sommano i valori dei parametri opposti delle copie di un sistema, si dividono per due e si ottiene una terza copia del sistema, con i valori medi dei parametri?
 
RomFil:
non c'è modo di rendere il tuo obiettivo

OnTester() non funziona?

 
Реter Konow:
Se ho capito bene, gli "incroci" possono essere fatti tra "geni" (parametri) identici di individui (copie dello stesso sistema con valori diversi degli stessi parametri).

In questo caso, l'"incrocio" dovrebbe essere una semplice media (la somma di due valori, due parametri, due "cromosomi" identici nella struttura)?

Puoi fare quello che vuoi, ci sono decine di varianti.

 
Dmitry Fedoseev:

https://www.mql5.com/ru/search#!keyword=proprietà%20criterio%20ottimizzazione

Grande! Non sapevo che il cinque avesse una tale caratteristica... :) Sto ancora lavorando su quattro... :) Grazie.

Questo è tutto allora. La domanda è fuori ... :)
 
RomFil:

Grande! Non sapevo che il cinque avesse una tale caratteristica... :) Sto ancora lavorando su quattro... :) Grazie.

Questo è tutto allora. La domanda è fuori ... :)
In realtà, "questa caratteristica" esiste da quattro ))))
 
SeriousRacoon:
In realtà, "questa caratteristica" esiste da quattro ))))
Quindi sono un "nerd" ... :)
 
Реter Konow:
L'approccio in sé non è sufficiente. Può servire come strumento per "lucidare" i sistemi finiti - test e debug.
I sistemi stessi non possono essere costruiti così. Avete bisogno di un algoritmo diverso. Quando sarà inventato, GA sarà ricordato.

Ho visto tali metodi da ragazzi che lavorano su progetti di cosiddetta "vita artificiale". Roba interessante. A prima vista, sembra una poltiglia, ma la genetica crea geni "intelligenti" dalla poltiglia attraverso milioni di passaggi.

 
Aleksey Mavrin:

Ho visto questi metodi da ragazzi che lavorano su progetti di cosiddetta "vita artificiale". Roba interessante. A prima vista, sembra una poltiglia, ma la genetica crea geni intelligenti dalla poltiglia attraverso milioni di passaggi.

Vuoi dire "intelligente" - ottimizzato e adattato a un certo ambiente?

OK. Creiamo un ambiente chiuso, da un complesso di sistemi interagenti. Per esempio: gli individui a tre geni "divorano" (si attaccano e crescono) gli individui a due geni se non possono "scappare" da loro (diciamo che i geni X e Y sono coordinate sul piano). L'individuo a tre geni ha un gene Z aggiunto - la terza dimensione. Ha un vantaggio. Il compito dell'individuo a due geni è quello di sopravvivere e non essere catturato, e il compito dell'individuo a tre geni è quello di catturare il più rapidamente possibile il due geni e risparmiare tempo e risorse.

L'obiettivo: l'individuo geneticamente più debole deve calcolare quello geneticamente più forte per sopravvivere.
 
Aleksey Nikolayev:

OnTester() non è adatto?

Sì, nella modalità di ottimizzazione genetica con "Massimo del criterio utente" il GA del tester massimizzerà il risultato ottenuto dal doppio OnTester() - tutto funziona, ma c'è un problema nell'automazione "per ravvivare il GA" quando inizia a convergere intorno al massimo locale trovato e non vuole cercare altre opzioni dai parametri di input, in generale, nella regolazione fine bisogna aiutare il GA aggiungendo condizioni a OnTester() o dividendo i parametri di ottimizzazione in diversi intervalli

123456789...15
Nuovo commento