differential-evolution

2熱度

1回答

我遇到了一個優化問題。我需要優化投資回報歐米茄的措施。我發現這樣的建議，可以通過使用DEoptim進行差異化進化（Yollin在R tools for portfolio optimization上的非常不錯的幻燈片，原始代碼可以在那裏找到）。我試過這個方法適應我的問題（因爲我只改數字，我希望沒有犯任何錯誤全部學分，筆者在這裏爲理念。）： optOmega <-function(x,ret,L)

1熱度

2回答

在python中使用差分進化的參數約束

我正在嘗試使用差分進化來根據成本優化可用性。但是，我在這裏有三個未知參數（a，b，c），我可以使用邊界定義範圍。然而，我想定義額外的約束爲a + b + c < = 10000.我正在使用python來做到這一點，我嘗試在差分進化中使用選項「args」，但它沒有奏效。任何信息將不勝感激。

2熱度

1回答

Scipy.optimize differential_evolution索引錯誤：元組索引超出範圍

我有一個平滑函數f（x）= sin（x/5）* exp（x/10）+ 5 * exp（-x/2）是在1到30的間隔內找到最小的非光滑函數h（x）= int（f（x））。換句話說，f（x）的每個值都被轉換爲int類型，函數只取整數值。我使用2種方法從scipy.optimize中找到最小值：minimize和differential_evolution。最小化給我的結果-5而差分進化給出指數錯誤：

7熱度

3回答

何時以及爲什麼交叉有益於差異進化？

我爲我正在做的一個副項目實現了差分進化算法。由於交叉步驟似乎涉及很多參數選擇（例如交叉概率），因此我決定跳過它並僅使用突變。該方法似乎工作正常，但我不確定如果我引入分頻器是否會獲得更好的性能。主要問題：將交叉引入差分進化背後的動機是什麼？你可以提供一個玩具的例子，介紹交叉超出純粹的突變嗎？我的直覺是交叉會在二維中產生類似於下面的內容。說我們有兩個父向量（紅色）。統一交叉可以在藍點之一產生新的

2熱度

1回答

差異進化能否解決需要依賴參數變異的問題？

差異進化（DE）和遺傳算法（GA）之間的差異之一是DE丟棄了一個新的候選人，除非它比它從中派生出來的舊候選人更適合，而遺傳算法允許「不適合」可能性。最初DE的方法聽起來不錯，但我認爲這阻止了它解決以下類別的問題。試想一下，我們正試圖最大化的健康分數： A - [max(0, A - 50) * B] + [max(0, A - 75) * 2 * B] 其中參數範圍從0到100。最初增加A是有

1熱度

1回答

如何用差分進化算法選擇最佳參數

對於第i類中的分配，需要優化4個10維函數，當實現差分進化時，我注意到所有函數都需要不同的參數設置。通過玩耍似乎特別是當選擇你的交叉率高，你的F約0.5似乎工作正常。但是在一個函數中，10維的Katsuura函數，我的差分算法似乎失敗了。我嘗試了一堆參數，但保持得分爲0.01。差分進化不適用於某些目標函數嗎？我試着爲這個問題實施PSO，但也失敗了，所以我似乎認爲這個函數具有某些只能通過某些算法

0熱度

1回答

並行差分進化

我一直在玩R中的差分進化庫，我在想：這是一個算法，它是有意義的並行化？在我看來，你可以將優化間隔分成幾個片段，在每個片段上運行算法，然後比較每個片段的結果並返回最小值。

2熱度

1回答

參數區間

我已經習慣了在遺傳算法（氣）的每個參數可以被表示爲可在指定的時間間隔進行編碼，以一個真實值的二進制串的方法。我目前編碼一個差分進化（DE）代碼，我還沒有讀到被控制就像他們在GA參數區間任何東西，所以我有點困惑這個過程...這裏是我的問題： 1）是否有任何東西控制DE中的參數間隔？我意識到，任何人都可以修改DE的目的，但我很好奇它是如何傳統使用的。 2）我看你怎麼可以對初始隨機人羣指定的時間間隔，