Все (пока нет) о Стратегический тестировщик, Оптимизация и Облако - страница 13

[Sergey Golubev]

Алгоритмы популяционной оптимизации: Алгоритм имитированного отжига (SA). Часть I

Алгоритм Simulated Annealing был разработан Скоттом Киркпатриком, Джорджем Гелаттом и Марио Векки в 1983 году. При изучении свойств жидкостей и твердых тел при высоких температурах было обнаружено, что металл переходит в жидкое состояние и частицы распределяются случайным образом, а состояние с минимальной энергией достигается при условии достаточно высокой начальной температуры и достаточно длительного времени охлаждения. Если это условие не выполняется, то материал окажется в метастабильном состоянии с неминимальной энергией - это называется закалкой, которая заключается в резком охлаждении материала. В этом случае атомная структура не обладает симметрией (анизотропное состояние, или неоднородные свойства материала внутри кристаллической решетки).

Таким образом, основная идея алгоритма основана на математическом аналоге процесса отжига металла. В процессе отжига для равномерного распределения внутренней энергии металл нагревается до высокой температуры, а затем медленно охлаждается, что позволяет молекулам металла перемещаться и упорядочиваться в более стабильные состояния, при этом снимаются внутренние напряжения в металле и устраняются межкристаллитные дефекты. Термин "отжиг" также связан с термодинамической свободной энергией, которая является атрибутом материала и зависит от его состояния.

[Sergey Golubev]

Алгоритмы популяционной оптимизации: Алгоритм имитированного изотропного отжига (SIA). Часть II

В первой части мы рассмотрели обычную версию алгоритма имитационного отжига (Simulated Annealing, SA). В основе алгоритма лежат три основные концепции: применение случайности, принятие худших решений и постепенное снижение вероятности принятия худших решений. Применение случайности позволяет исследовать различные области пространства поиска и избежать застревания в локальном оптимуме. Принятие худших решений с некоторой вероятностью позволяет алгоритму временно "выпрыгивать" из локального оптимума и искать лучшие решения в других областях пространства поиска, что позволяет сначала исследовать пространство поиска более широко, а затем сосредоточиться на улучшении решения.

[Sergey Golubev]

Алгоритмы оптимизации популяций: Изменение формы, переключение распределений вероятностей и тестирование на Smart Cephalopod (SC)

В этой статье мы рассмотрим различные типы вероятностных распределений, их свойства и практическую реализацию в виде соответствующих функций в коде. При генерации случайных чисел с различными типами распределений можно столкнуться с большим количеством проблем, таких как бесконечная длина хвоста или смещение вероятностей при задании границ дисперсии. При проектировании и создании алгоритмов оптимизации часто возникает необходимость сдвига вероятностей относительно математического ожидания. Цель данной статьи - решить эти проблемы и создать рабочие функции для работы с вероятностями для их последующего использования в алгоритмах оптимизации.

[Sergey Golubev]

Алгоритмы популяционной оптимизации: Эволюционные стратегии, (μ,λ)-ES и (μ+λ)-ES

Название "Эволюционные стратегии" может ввести в заблуждение, поскольку исследователи могут подумать, что это общее название для класса эволюционных алгоритмов. Однако это не так. На самом деле это особая группа алгоритмов, использующих идеи эволюции для решения задач оптимизации.

Содержание

1. Введение
2. Алгоритм
3. Замена тестовой функции
4. Результаты тестирования
5. Выводы

[Sergey Golubev]

Алгоритмы популяционной оптимизации: Bacterial Foraging Optimization - Genetic Algorithm (BFO-GA)

Гибридный алгоритм оптимизации BFO-GA сочетает в себе два различных алгоритма оптимизации: алгоритм кормовой оптимизации (BFO) и генетический алгоритм (GA). Этот гибридный алгоритм был создан для повышения эффективности оптимизации и преодоления некоторых недостатков каждого из отдельных алгоритмов.

BFO (Bacterial Foraging Optimization) - это алгоритм оптимизации, вдохновленный кормовым поведением бактерий. Он был предложен в 2002 году Рахулом К. Куджуром. BFO моделирует движение бактерий с помощью трех основных механизмов: переходов, диффузии и обновления позиции. Каждая бактерия в алгоритме представляет собой решение задачи оптимизации, а пища соответствует оптимальному решению. Бактерии перемещаются в пространстве поиска, чтобы найти оптимальную пищу.

Генетический алгоритм (ГА) - это алгоритм оптимизации, основанный на принципах естественного отбора и генетики. Он был разработан Джоном Холландом в 1970-х годах. ГА работает с популяцией особей, представляющих собой решения оптимизационной задачи. Особи подвергаются операциям скрещивания (объединение генетической информации) и мутации (случайные изменения генетической информации) для создания новых поколений. После нескольких поколений ГА стремится найти оптимальное решение.

[Sergey Golubev]

Алгоритмы оптимизации популяций: Микроискусственная иммунная система (Микро-ИС)

Иммунная система - это удивительный механизм, который играет важную роль в защите нашего организма от внешних угроз. Словно невидимый щит, она борется с бактериями, вирусами и грибками, сохраняя наше тело здоровым. Но что, если бы мы могли использовать этот мощный механизм для решения сложных задач оптимизации и обучения? Именно такой подход используется в методе оптимизации Artificial Immune System (AIS).

Метод оптимизации с помощью искусственной иммунной системы (AIS) был предложен в 1990-х годах. Ранние исследования этого метода относятся к середине 1980-х годов, значительный вклад в них внесли Фармер, Паккард, Перельсон (1986) и Берсини и Варела (1990).

[Sergey Golubev]

Общая оптимизационная формула (GOF) для реализации пользовательского максимума с ограничениями

В общем случае существует два основных типа алгоритмов оптимизации. Первый тип - более классический, основанный на вычислении градиентов всех функций, участвующих в задаче оптимизации (он восходит к временам Исаака Ньютона). Второй тип - более современный (с ~1970-х годов), который вообще не использует информацию о градиентах. Между ними могут существовать алгоритмы, сочетающие два упомянутых подхода, но здесь их рассматривать не нужно. Алгоритм MetaTrader 5 под названием "Fast Genetic based Algorithm" --- на вкладке "Настройки терминала MetaTrader 5" --- относится ко второму типу. Он позволяет обойтись без вычисления градиентов для функций цели и ограничений. Более того, благодаря безградиентному характеру алгоритма MetaTrader 5 мы смогли учесть функции ограничений, которые не были бы уместны в градиентных алгоритмах. Подробнее об этом будет рассказано ниже.

Важным моментом является то, что алгоритм MetaTrader 5 под названием "Медленный полный алгоритм" на самом деле является не алгоритмом оптимизации, а грубой, исчерпывающей оценкой всех возможных комбинаций значений для всех входных переменных в рамках боковых ограничений.

[Sergey Golubev]

Алгоритмы оптимизации популяций: Эволюция социальных групп (ESG)

В этой статье мы рассмотрим многопопуляционный алгоритм ESG, который я создал специально для этой статьи. Мы рассмотрим основные принципы работы подобных алгоритмов. Кроме того, мы рассмотрим результаты сравнительных исследований, которые позволят нам оценить эффективность этих алгоритмов по сравнению с методами монопопуляционной оптимизации.

[Sergey Golubev]

Алгоритмы оптимизации популяций: Искусственные мультисоциальные объекты поиска (MSO)

В предыдущей статье мы рассматривали эволюцию социальных групп, когда они свободно перемещаются в пространстве поиска. Однако здесь я предлагаю изменить эту концепцию и предположить, что группы перемещаются между секторами, перескакивая из одного в другой. У всех групп есть свои центры, которые обновляются на каждой итерации алгоритма. Кроме того, мы вводим понятие памяти как для группы в целом, так и для каждой отдельной частицы в ней. Благодаря этим изменениям наш алгоритм теперь позволяет группам перемещаться из сектора в сектор на основе информации о наилучших решениях.

В этой статье мы проведем серию экспериментов, чтобы выяснить, как эти новые концепции влияют на эффективность поиска алгоритма. Мы проанализируем взаимодействие между группами, их способность к сотрудничеству и координации, а также их способность к обучению и адаптации. Наши выводы могут пролить свет на эволюцию социальных систем и помочь лучше понять, как группы формируются, развиваются и адаптируются к изменяющимся условиям среды.

[Sergey Golubev]

Использование алгоритмов оптимизации для настройки параметров советника на лету

Для начинающих трейдеров понимание основных принципов работы алгоритмов оптимизации может стать мощным инструментом в поиске прибыльных сделок и минимизации рисков. Для опытных профессионалов глубокие знания в этой области могут открыть новые горизонты и помочь создать сложные торговые стратегии, превосходящие ожидания.