이 글은 최적화 알고리즘(OA) 분류에 관한 소개 글입니다. 이 글에서는 OA를 비교하고 널리 알려진 알고리즘 중에서 가장 보편적인 알고리즘을 알아보는 데 사용할 테스트 스탠드(함수 집합)를 만들려고 합니다.
분류 AO
트레이딩 시스템을 최적화할 때 가장 흥미로운 것은 메타 휴리스틱 최적화 알고리즘입니다. 이 알고리즘은 최적화되는 함수의 공식에 대한 지식이 필요하지 않습니다. 글로벌 최적에 대한 수렴은 입증되지 않았지만 대부분의 경우 상당히 좋은 솔루션을 제공하며 이는 여러 문제에 대해 충분하다는 것이 실험적으로 입증되었습니다.
자연에서 차용한 모델로 많은 OA가 등장했습니다. 이러한 모델을 새 떼의 행동(입자 군집 알고리즘) 또는 개미 군집 행동의 원리(개미 알고리즘)와 같이 행동, 군집 또는 개체군이라고도 합니다.
모집단 알고리즘은 최적화 문제를 해결하기 위한 여러 옵션을 동시에 처리하며 고전적 알고리즘은 문제를 해결할 때 탐색 영역이 하나의 후보만 진화하는 모션 궤적 기반인데 이에 대한 대안을 제시합니다.
새로운 기고글 인구 최적화 알고리즘 가 게재되었습니다:
이 글은 최적화 알고리즘(OA) 분류에 관한 소개 글입니다. 이 글에서는 OA를 비교하고 널리 알려진 알고리즘 중에서 가장 보편적인 알고리즘을 알아보는 데 사용할 테스트 스탠드(함수 집합)를 만들려고 합니다.
분류 AO
트레이딩 시스템을 최적화할 때 가장 흥미로운 것은 메타 휴리스틱 최적화 알고리즘입니다. 이 알고리즘은 최적화되는 함수의 공식에 대한 지식이 필요하지 않습니다. 글로벌 최적에 대한 수렴은 입증되지 않았지만 대부분의 경우 상당히 좋은 솔루션을 제공하며 이는 여러 문제에 대해 충분하다는 것이 실험적으로 입증되었습니다.
자연에서 차용한 모델로 많은 OA가 등장했습니다. 이러한 모델을 새 떼의 행동(입자 군집 알고리즘) 또는 개미 군집 행동의 원리(개미 알고리즘)와 같이 행동, 군집 또는 개체군이라고도 합니다.
모집단 알고리즘은 최적화 문제를 해결하기 위한 여러 옵션을 동시에 처리하며 고전적 알고리즘은 문제를 해결할 때 탐색 영역이 하나의 후보만 진화하는 모션 궤적 기반인데 이에 대한 대안을 제시합니다.
작성자: Andrey Dik