Обсуждение статьи "Популяционные алгоритмы оптимизации: Устойчивость к застреванию в локальных экстремумах (Часть I)"
Интересное исследование!
В голову почему-то пришло разделение пространства поиска на 4/9/16/... частей и запуск алгоритма на каждом под-пространстве (но с меньшим кол-вом итераций), а потом выбор лучшего результата.
Andrey Khatimlianskii #:
Интересное исследование!
В голову почему-то пришло разделение пространства поиска на 4/9/16/... частей и запуск алгоритма на каждом под-пространстве (но с меньшим кол-вом итераций), а потом выбор лучшего результата.
Очень радует, что исследование вызвало интерес у читателей.
Да, разбиение пространства на зоны, исследование зон по отдельности и последующий анализ полученных результатов имеет практический смысл.
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
Опубликована статья Популяционные алгоритмы оптимизации: Устойчивость к застреванию в локальных экстремумах (Часть I):
Эта статья представляет уникальный эксперимент, цель которого - исследовать поведение популяционных алгоритмов оптимизации в контексте их способности эффективно покидать локальные минимумы при низком разнообразии в популяции и достигать глобальных максимумов. Работа в этом направлении позволит глубже понять, какие конкретные алгоритмы могут успешно продолжать поиск из координат, установленных пользователем в качестве отправной точки, и какие факторы влияют на их успешность в этом процессе.
Мои мысли и идеи, приведшие к этому исследованию, являются результатом глубокого погружения в тему и страсти к научному исследованию и я верю, что эта работа может стать важным вкладом в область алгоритмической оптимизации, привлекая внимание исследователей и практиков.
В данном эксперименте предлагаю провести тест, направленный на оценку устойчивости алгоритмов к застреванию в локальных экстремумах и вместо случайного размещения агентов на первой итерации по всему полю пространства поиска — разместить их в глобальном минимуме. Задачей эксперимента является поиск глобального максимума.
В таком сценарии, где все поисковые агенты алгоритма размещены в одной точке, мы сталкиваемся с интересным феноменом – вырожденной популяцией. Это подобно моменту замирания времени, где разнообразие в популяции сведено к минимуму. Хотя такой сценарий является искусственным, он позволяет получить интересные выводы и оценить влияние сокращения разнообразия в популяции на результат. Алгоритм должен быть способен выбраться из такого "бутылочного горлышка" и достичь глобального максимума.
В этом своеобразном стресс-тесте для алгоритмов оптимизации мы можем раскрыть тайны взаимодействия агентов, их кооперации или конкуренции, и понять, как эти факторы влияют на скорость достижения оптимума. Такой анализ открывает новые горизонты в понимании важности разнообразия в популяции для эффективной работы алгоритмов и позволяет выработать стратегии поддержания этого разнообразия для достижения лучших результатов.
Для проведения эксперимента нужно предварительно инициализировать координаты агентов принудительно снаружи по отношению к алгоритму, используя координаты глобального минимума, перед тем как измерить функцию приспособленности на первой эпохе.
Такой эксперимент позволит оценить устойчивость к крайне сложным условиям и способность преодолевать ограничения.
Автор: Andrey Dik