解密DEoptim包中的步長參數

Question

我正在看小插圖「Large-scale portfolio optimization with DEoptim」。小插曲應用遺傳算法來解決非凸優化問題。

我的問題是解釋參數'F'的步長。該文檔讀取：「F：步長從區間[0,2]。默認爲.8」。在基於梯度的體面方法的機器學習文獻中，步長指的是選擇向量在最大下降方向上被調整的量。大步驟意味着更快的收斂，但精度更低。

小插曲案例研究涉及組合優化。步長未被指定爲參數，因此始終使用.8的步長。然而，由於最優化是找出什麼權重最小化了一些投資組合目標，並且因爲權重必須總和爲1，所以似乎0.8的步驟（投資組合的80％）對於這個問題來說要大得多。 stepize的更好選擇可能是.01。

但是，我必須失去一些東西，因爲當我運行一個優化時，我可以看到在每一代中權重並沒有每次跳過.8。那麼「stepsize」的解釋是什麼？在投資組合優化的背景下，將此值設置爲諸如.01（1％）這樣的小值是否有意義？

Answer 1

F是差分加權因子;文檔中的「步長」是一個很差的描述。我會改變這一點。

F用於衡量兩個人口成員之間的差異，然後再添加到第三個人口成員以創建新的人口成員。根據策略，它用於創建抖動或抖動。

例如，下面是經典的策略，創造一個新的羣體成員的公式：

newMember = oldPop[i,] + F*(oldPop[j,] - oldPop[k,]) 

其中i，j，k是隨機羣體的成員。