Discussão do artigo "Algoritmos de otimização populacional: Resistência a ficar preso em extremos locais (Parte I)"
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
Novo artigo Algoritmos de otimização populacional: Resistência a ficar preso em extremos locais (Parte I) foi publicado:
Este artigo apresenta um experimento único que visa examinar o comportamento dos algoritmos de otimização populacional no contexto de sua capacidade de escapar eficientemente de mínimos locais quando a diversidade populacional é baixa e alcançar máximos globais. Trabalhar nessa direção fornecerá uma visão mais aprofundada sobre quais algoritmos específicos podem continuar sua busca com sucesso usando coordenadas definidas pelo usuário como ponto de partida e quais fatores influenciam seu sucesso.
Meus pensamentos e ideias que levaram a esta pesquisa são o resultado de uma profunda imersão no tópico e paixão pela pesquisa científica. Acredito que este trabalho possa se tornar uma contribuição importante para o campo da otimização algorítmica, atraindo a atenção de pesquisadores e praticantes.
Neste experimento, proponho realizar um teste com o objetivo de avaliar a resistência dos algoritmos a ficarem presos em extremos locais e, em vez de posicionar aleatoriamente os agentes na primeira iteração em todo o campo do espaço de busca, colocá-los no mínimo global. O objetivo do experimento é buscar um máximo global.
Em tal cenário, onde todos os agentes de busca do algoritmo estão localizados em um ponto, enfrentamos um fenômeno interessante - uma população degenerada. Isso é como um momento de congelamento no tempo, onde a diversidade na população é reduzida ao mínimo. Embora este cenário seja artificial, ele nos permite obter conclusões interessantes e avaliar o impacto da redução da diversidade na população sobre o resultado. O algoritmo deve ser capaz de sair de tal gargalo e alcançar um máximo global.
Neste tipo de teste de estresse para algoritmos de otimização, podemos revelar os segredos da interação entre os agentes, sua cooperação ou competição, e entender como esses fatores afetam a velocidade de alcançar o ótimo. Essa análise abre novos horizontes para a compreensão da importância da diversidade em uma população para a operação eficiente de algoritmos e nos permite desenvolver estratégias para manter essa diversidade a fim de alcançar melhores resultados.
Para realizar o experimento, precisamos primeiro inicializar as coordenadas dos agentes forçadamente fora do algoritmo, usando as coordenadas do mínimo global, antes de medir a função de aptidão na primeira época.
Tal experimento nos permitirá avaliar a resistência a condições extremamente difíceis e a capacidade de superar limitações.
Autor: Andrey Dik