Методы генетического поиска — наиболее продвинутые и сложные из новых методов, разработанных на сегодня. Есть свидетельства, что они быстрее и достоверней, чем все предыдущие. Описание подробностей их действия не входит в рамки данной книги. Однако в связи с их превосходством знание о их существовании может оказаться полезным. [c.87]
Методы генетического поиска являются методами направленного поиска, но включение мутаций (то есть нестандартных случайных шагов в области пространства переменных, отклоняющихся от пути направленного поиска) снижает вероятность выбора локального максимума в качестве глобальной топ-модели. Поскольку для пространства торговых моделей характерно обилие экстремумов, надежность генетических методов делает их перспективными в исследовании торговых моделей. [c.87]
Аналогично показана возможная последовательность отказа от массового контроля в других хромосомах. Заметим, что для того, чтобы получить все возможные варианты сценариев методом генетических алгоритмов достаточно выписать хромосомы, содержащие все гены of, из которых будут формироваться сценарии. Увеличение списка предположительно лучших хромосом, заданных руководителем или экспертом может сократить перебор, осуществляемый в поисках лучшего потомка. [c.410]
Решение задач оптимизации сопровождает любую аналитическую работу, при обработке значительных объемов информации на первое место выходит не столько точность, сколько скорость и эффективность работы оптимизирующего алгоритма. Генетические алгоритмы на сегодняшний день признаются наиболее совершенными в своей области. Это новый метод поиска оптимальных решений сложных задач, основанный на эволюционных принципах селекции лучших решений. [c.151]
В общем случае, для определения оптимизирующих наборов N1 (а при необходимости и Л,/) могут быть применены рассматриваемые в главе 12 алгоритмы случайного поиска решения и генетические алгоритмы, а также следующая процедура оптимизации, являющаяся разновидностью известного метода деления отрезка пополам [11.6], подробно рассматриваемая в следующих разделах. [c.419]
Генетические алгоритмы. Первоначально генетические алгоритмы разрабатывались и успешно применялись для решения комбинаторных задач, а также задач поиска оптимальных вариантов. Суть метода основана на выборе наилучших решений по ранее формализованным критериям. При этом процесс оптимизации напоминает естественную эволюцию отбор лучших решений (сильнейших), скрещивание и мутации. Несмотря на внешнюю привлекательность данного метода, у него есть ряд существенных недостатков. В качестве примера можно отметить сложность формализации критериев отбора. Кроме того, методика в целом оптимизирована на классе задач, существенно отличающихся от прогноза оперативно меняющихся финансовых показателей. [c.123]
Однако будущее может быть настолько неопределенно (что в условиях НТР считается вполне нормальным явлением), что использование генетического подхода на практике не сможет дать сколько-нибудь надежных результатов. В этом случае применяется так называемый метод экспертных оценок. Он строится на мнениях, высказываемых специалистами в соответствующих областях, и их сопоставлении, что позволяет нарисовать ориентировочную, хотя и не очень надежную, картину будущего. Метод экспертных оценок составляет основу нормативного подхода к прогнозированию, непосредственно дающего видение будущего, которое служит исходным моментом для поиска возможных путей его достижения. [c.28]
Мир экономических явлений многообразен и динамичен, он характеризуется внутренним единством составляющих его элементов, что объективно предопределяет необходимость использования системной методологии исследования усложняющихся хозяйственных проблем. В учебнике реализован принцип единства структурно-генетического и функционального подходов к исследованию экономических явлений. В частности, при выявлении сущности собственности, рынка, а также других социально-экономических явлений используется диалектический метод, нацеливающий на поиск внутренних противоречий, обусловливающих развитие хозяйственных процессов. Анализ же поведения потребителя и производителя основывался на субъективистской и позитивистской методологии исследования и т. д. В результате применения системного метода при рассмотрении социально-экономических явлений личность предстает как "свернувшееся общество", а общество видится как "развернутая личность". [c.14]
Лучшее возможное решение задачи может быть найдено разнообразными способами. В некоторых случаях задача может быть решена простым методом проб и ошибок, особенно если поиск решения не полностью автоматизирован, а проводится вручную . В других случаях могут потребоваться сложные процедуры и алгоритмы. Например, симуляция процесса эволюции (в генетическом оптимизаторе) — очень мощный метод поиска качественных решений для сложных задач. В некоторых случаях лучшее решение — аналитическая (вычислительная) процедура, например метод сопряженных градиентов. Аналитическая оптимизация — эффективный подход для задач с гладкими (дифференцируемыми) функциями пригодности, например задач, встречающихся при обучении нейронных сетей или разработке множественных моделей линейной регрессии. [c.48]
Важным недостатком генетических алгоритмов является сложность для понимания и программной реализации. Однако преимуществом является эффективность в поиске глобальных минимумов адаптивных рельефов, так как в них исследуются большие области допустимых значений параметров нейронных сетей. Другая причина того, что генетические алгоритмы не застревают в локальных минимумах - случайные мутации, которые аналогичны температурным флуктуациям метода имитации отжига. [c.67]
Термин генетический поиск означает использование ГАдля поиска самых лучших решений, т.е. имеющих максимальную функцию пригодности. Как правило, набор потенциальных решений, в котором ведется поиск, достигает огромных размеров. В данном приложении мы хотим использовать эволюционный процесс, чтобы выявить набор чисел (генотипов), которые соответствуют основанным на правилах моделям входов (фенотипам) с максимальной функцией пригодности (или торговой эффективности). Иными словами, мы собираемся заняться селективным выращиванием методов входа, основанных на правилах Вместо того чтобы начинать с конкретного принципа, на котором основывается модель (сезонность, пробой), в данном случае для начала возьмем набор идей, которые могут способствовать созданию выгодного метода входа. Вместо того чтобы последовательно проверять ценность этих подходов, будет сделано нечто необычное генетическому процессу эволюции представится возможность создать наилучшую модель входа из набора необработанных идей. [c.285]
После каждого шага эволюции - генерации, на котором мутируют и подвергаются кросеннговеру все хромосомы, для каждой из новых хромосом вычисляется значение целевого функционала, которое достигается на кодируемых ими решениях. Чем меньше это значение для данной хромосомы, тем с большей вероятностью она отбираются для кроссинговера. В ходе эволюции усредненное по популяции значение функционала будет уменьшаться, и после завершения процесса (проведения заданного числа генераций) хромосома с минимальным его значаением выбирается в качестве приближенного решения поставленной задачи. Можно значительно улучшить свойства генетического алгоритма если после порождения новой генерации N хромосом предварительно объединить ее с предыдущей популяцией и выбрать из 2N полученных хромосом N наилучших. Опыт показывает, что генетические алгоритмы особенно эффективны при поиске глобального оптимума, поскольку они осуществляют поиск в широком пространстве решений. Если закодировать в виде хромосом значения весов и порогов нейронной сети заданной архитектуры и использовать в роли минимизируемой функции функционал ошибки то генетические алгоритмы можно использовать для обучения этой нейронной сети. Очевидно что для этой же цели можно использовать и описанный ранее метод иммитации отжига. [c.122]
Многочисленные исследования посвящены сравнению различных обучающих эвристик (см., например, [104]). В большинстве имеющихся нейронно-сетевых пакетов реализованы методы пакетной обработки, импульса, изменения величины шага, и даже более совершенные варианты алгоритмов типа алгоритма обратного распространения ошибки и квази-ньютоновские методы. В литературе описано много других алгоритмов, реализующих иные подходы к задаче оптимизации. Так, в основанном на идеях статистической физики методе замораживания стабилизация алгоритма осуществляется за счет понижения температурного параметра. Другие подходы, такие, как метод случайного блуждания [13] или Alopex [269] используют случайный поиск в пространстве весов, и это принципиально отличает их от систематического поиска в методе обратного распространения ошибки (см. [78]). Наконец, в последнее время пользуются успехом так называемые генетические алгоритмы, в которых набор весов рассматривается как индивид, подверженный мутациям и скрещиванию, а в качестве показателя его качества берется критерий ошибки. По мере того, как нарождаются новые поколения, все более вероятным становится появление оптимального индивида. [c.33]
В последнее десятилетие можно было наблюдать возникновение новых количественных методов, полезных для маркетинга. Многие из них радикально отходят от традиционного статистического подхода к построению моделей. Такие методики, как симулированная закалка, генетические алгоритмы и нейросети используют для поиска решений идеи из природы. Основное применение этих методик — приблизительная оценка и оптимизация маркетинговых моделей. Базовые проблемы остаются теми же самыми, но новые методики позволяют анализировать сложные проблемы и находить лучшие решения, чем раньше. Хотя они требуют интенсивного использования компьютера, стоимость этого использования снижается так быстро, что скоро, по всей вероятности, они станут широко распространенными. Д. Коутс и др. ( oates et al, 1994) дают обзор некоторых из этих новых методов, а их краткое описание помещено в табл. 6. [c.111]
Методы линейного программирования разработаны для проблем оптимизации, затрагивающих линейные функции пригодности или расходов с линейными ограничениями параметров или входных переменных. Линейное программирование обычно используется для решения задач по распределению активов. В мире трейдинга одно из возможных применений линейного программирования СОСТОИТЕ поиске оптимального размещения денежных средств в различные финансовые инструменты для получения максимальной прибыли. Если оптимизировать прибыль с учетом возможного риска, то применятьлинейные методы нельзя. Прибыль с поправкой нариск не является линейной функцией весов различных инвестиций в общем портфеле, здесь требуются другие методы, к примеру генетические алгоритмы. Линейные модели редко бывают полезны при разработке торговых систем и упоминаются здесь исключительно в ознакомительных целях. [c.59]
При использовании различных входящих параметров, методов обработки данных, а также архитектуры конфигураций требуется создание автоматизированного режима тестирования, который смог бы интегрировать процесс тестирования и генерацию данных. Такие инструменты, как генетические алгоритмы или же моделируемый отжиг, могут использоваться для поиска пространства допустимых значений этих параметров. Генетические алгоритмы эффективны для решения задач оптимизации систем с большим числом параметров. Во время пробного запуска моделируемый отжиг позволяет автоматизи- [c.133]
Смотреть страницы где упоминается термин Методы генетического поиска
: [c.355] [c.201] [c.249]Смотреть главы в:
Разработка,тестирование и оптимизация торговых систем -> Методы генетического поиска