O algoritmo genético e suas possíveis aplicações - página 5
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
1. é demais, o gráfico é escalonado para que você não consiga ver os resultados úteis. Devolvo um valor ligeiramente maior do que o pior costume. O principal, porém, é definir a direção certa para a melhoria.
2. Qual é o objetivo? O principal é definir a direção correta, o que significa que você tem que mostrar à GA que ela mostrou o pior resultado aqui, e não apenas um fraco.
1. isto é uma desvantagem da exibição regular do otimizador, mas não significa que você realmente deva considerar a falta de ferramenta de pesquisa (neste caso, o otimizador MT), a fim de obter um resultado melhor. de fato, a abordagem correta para visualizar os resultados da otimização você mesmo, porque o otimizador MT não sabe o que você realmente precisa. Não há nenhuma ferramenta para mostrar resultados na tabela de otimização (e no gráfico) no momento, eu acho que ela será implementada um dia.
2. Não, o principal não é apenas mostrar que o resultado é "ruim", mas mostrar que o resultado é "muito ruim", faz uma enorme diferença para a AO.
Não me lembro se escrevi sobre isso no fórum, mas é realmente um problema e não está claro por que ele é implementado na MT. Em teoria, se o examinador devolveu um código de erro "parâmetros errados", o examinador é obrigado a gerar outra instância, para que a população esteja completa.
Concordo plenamente.
Talvez para as gerações futuras (exceto a primeira) tal truque não funcione (pergunta para especialistas da GA), mas para a primeira amostra (que é aleatória de qualquer forma) a substituição de um conjunto aleatório (com entradas erradas) por outro não fará nenhum mal. E a probabilidade de encontrar parâmetros incorretos nas gerações futuras será muito menor. Estranho que eles não...
Diga-me, há alguma evolução na AG para um número variável de parâmetros?
A implementação de software não é um problema. Os mesmos conjuntos de pares são "cruzados" em MT. É possível implementar a "mutação", então os conjuntos podem ser arbitrários.
Concordo plenamente.
Talvez para as gerações futuras (exceto primeiro) tal truque não funcione (pergunta para estudiosos da GA), mas para a primeira amostra (que é aleatória de qualquer forma) a substituição de um conjunto aleatório (com entradas erradas) por outro não causará nenhum dano. E a probabilidade de encontrar parâmetros incorretos nas gerações futuras será muito menor. Estranho que eles não...
Sem obstáculo, a geração é sempre uma amostra de um pool de possíveis combinações de pares, somente se o pool não for suficiente, mas mesmo assim algo pode ser inventado, clones, por exemplo.
Sem obstáculo, a geração é sempre uma seleção a partir de um pool de combinações possíveis de pares, somente se o pool for insuficiente, mas mesmo assim você pode pensar em algo, por exemplo, clones.
Por que eles não o fazem então? Eles não são idiotas.
Concordo plenamente.
Talvez para as gerações futuras (exceto a primeira) tal truque não funcione (pergunta para especialistas da GA), mas para a primeira amostra (que é aleatória de qualquer forma), a substituição de um conjunto aleatório (com entradas erradas) por outro não fará nenhum mal. E a probabilidade de encontrar parâmetros incorretos nas gerações futuras será muito menor. Estranho que eles não o façam.
Bom - a variante de parâmetros de entrada incorretos deve ser ignorada pelo otimizador e, em vez disso, deve ser gerada outra, para que a população esteja sempre cheia. Se o número de variantes possíveis for insuficiente - as duplicatas tomadas com probabilidade proporcional à classificação de um indivíduo na população são aceitáveis.
Diga-me, há algum desenvolvimento de AG para um número variável de parâmetros?
Acho que é improvável. Com base no conceito de GA, estruturas idênticas - clones do mesmo sistema com valores de parâmetros diferentes - podem se intercruzar. Diferentes indivíduos dentro de um mesmo ambiente também não podem cruzar na Natureza. Esta restrição biológica natural impede o surgimento de aberrações ridículas e não viáveis que não têm sentido para o ecossistema. Tais "experimentos" sempre terminam em fracasso e são adequados apenas para pesquisa de laboratório. A GA imita a biologia e, portanto, não se desvia dos princípios de reprodução cruzada, herança e seleção.
A questão, de um ponto de vista teórico, é muito interessante. A evolução cria não apenas versões "otimizadas" das criaturas no decorrer de seu "ajuste" às condições, mas também fundamentalmente novas espécies. De onde eles vêm se a reprodução cruzada interespécies é impossível? Portanto, elas vêm de mutações naturais. Mas, - a mutação é uma mudança nos genes existentes, não a aquisição de novos genes. Ou seja, - o conjunto não pode ser aumentado, e a "calibração" apenas adapta (otimiza) as espécies vivas. De onde vêm criaturas novas e mais complexas?
Mesmo que façamos um algoritmo "fundir" parâmetros aleatórios em sistemas arbitrários e também encontremos aleatoriamente um alvo de otimização (função de adequação) para eles, o que isso pode nos dar?
Diga-me, há alguma evolução na AG para um número variável de parâmetros?
é.
As aplicações práticas são bastante amplas - desde a programação genética até o cálculo da forma e volume dos corpos, levando em conta a maximização da força e a minimização do volume.
há.