Обсуждение статьи "Популяционные алгоритмы оптимизации: Алгоритм растущих деревьев (Saplings Sowing and Growing up — SSG)" - страница 2
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
ЗЫ. Интересный вопрос всем кому интересна эта тема: чем отличаются локальные экстремумы от глобальных (не принимая во внимание их разницу значений FF)?
ничем.
Несколько иголок-"антеннок".
Я не сильно понимаю что вы хотите сделать потому не гарантирую качество совета..
вот что нужно:
вот что нужно:
Не совсем так. Допустим, ГА сделал 100 шагов на такой функции, как на картинке. Из них 90 окажутся вблизи глобального. Вот это скопление близких и стоит взять.
Если мы имеем дело с "ежиком", то там мы получим много мини-скоплений вокруг каких-то точек. Эти точки и нужны. ГА мог бы уточнить координаты скоплений через добивание узкого пространства вокруг.
Грубо говоря, надо результаты ГА классифицировать на скопления и потом добить каждое узкой оптимизацией. Получим набор "интересных" для ТС входных параметров.
Не совсем так. Допустим, ГА сделал 100 шагов на такой функции, как на картинке. Из них 90 окажутся вблизи глобального. Вот это скопление близких и стоит взять.
Если мы имеем дело с "ежиком", то там мы получим много мини-скоплений вокруг каких-то точек. Эти точки и нужны. ГА мог бы уточнить координаты скоплений через добивание узкого пространства вокруг.
Грубо говоря, надо результаты ГА классифицировать на скопления и потом добить каждое узкой оптимизацией. Получим набор "интересных" для ТС входных параметров.
так?
так?
Да. Думаю, что если после каждой оптимизации вырезать кусок пространства (например 80% входных, что вокруг) найденного глобального, то так найдется все.
Рисунок 5. Тестовая функция Forest.
Отличная визуализация того, что можно видеть во время полного перебора ТС. Конечно, здесь 3D - два входных параметра. Но наглядно видны горки/шипы. Для ТС шипы, как правило, зло. А вот вершины холмов - самое интересное.
По поводу шипов зла. Для ТС это случайности - жесткая подгонка (вне зависимости от критерия оптимизации).
Да. Думаю, что если после каждой оптимизации вырезать кусок пространства (например 80% входных, что вокруг) найденного глобального, то так найдется все.
Такой кусок характеризуется заданным интервалом для каждого входного параметра. Поэтому при наличии данных вырезаемой области можно очень легко (даже в штатном Тестере) проводить оптимизацию без этого места пространства.
Но мне совсем не хватает компетенции, как определить область вокруг найденного глобального максимума в результатах ГА.
Простой пример. Запустили оптимизацию на какой-то ТС. Она завершилась, выдав наборы входных. Нужно среди этих наборов найти самое заметное (количество точек деленное на минимальный радиус сферы, в которую они вписываются) скопление многомерных точек.
Отличная визуализация того, что можно видеть во время полного перебора ТС. Конечно, здесь 3D - два входных параметра. Но наглядно видны горки/шипы. Для ТС шипы, как правило, зло. А вот вершины холмов - самое интересное.
По поводу шипов зла. Для ТС это случайности - жесткая подгонка (вне зависимости от критерия оптимизации).
Нужен режим, который найдёт все холмы и выдаст эти диапазоны для всех параметров, с которыми можно дальше работать.
Последующие оптимизации можно будет проводить только в диапазонах таких холмов робастности.
вот вершины холмов - самое интересное.