Genetic Algorithms in Plain English. O objetivo deste tutorial é explicar algoritmos genéticos o suficiente para que você seja capaz de usá-los em seus próprios projetos Este é um descapotado-to-the-bare-essentials tipo de tutorial Eu não vou Entrar em uma grande dose de profundidade e eu não vou assustar aqueles de vocês com a ansiedade matemática, jogando equações mal em você cada poucas frases Na verdade, eu não vou jogar qualquer equações desagradável em você em tudo Não neste tutorial particular De qualquer maneira smile. This tutorial é projetado para ser lido por duas vezes para não se preocupar se pouco de que faz sentido a primeira vez que você estudá-lo. Um leitor, Daniel, tem gentilmente traduzido este tutorial para o alemão Você pode encontrá-lo aqui. Outro leitor, David Lewin, traduziu o tutorial para o francês Você pode encontrá-lo aqui. Primeiro, uma lição de Biologia. Cada organismo tem um conjunto de regras, um modelo, por assim dizer, descrevendo como esse organismo é construído a partir dos pequenos blocos de construção Da vida Essas regras são codificadas nos genes de um organismo, que por sua vez estão conectados em longas cadeias chamadas cromossomos. Cada gene representa uma característica específica do organismo, como a cor do olho ou a cor do cabelo, e tem várias configurações diferentes. Configurações para um gene de cor do cabelo pode ser loiro, preto ou castanho-aloirado Esses genes e suas configurações são geralmente referidos como genótipo de um organismo A expressão física do genótipo - o próprio organismo - é chamado o fenótipo. Genes A descendência resultante pode acabar tendo metade dos genes de um dos pais e metade do outro Este processo é chamado de recombinação Muito ocasionalmente um gene pode ser mutado Normalmente, este gene mutado w Não afetará o desenvolvimento do fenótipo, mas muito ocasionalmente será expressa no organismo como um traço completamente novo. A vida na Terra evoluiu para ser como é através dos processos de seleção natural, recombinação e mutação. Para ilustrar como esses processos funcionam Juntos para produzir a diversa gama de flora e fauna que compartilhamos nosso planeta com deixe-me dizer-lhe uma pequena história. Uma vez que viveu uma espécie de criaturas chamadas Hooters Hooters tinha evoluído inteiramente dentro dos limites escurecidos de um vasto sistema de cavernas escondido profundo Nas entranhas de uma cordilheira Eles tinham uma vida fácil, sentindo e cheirando as paredes úmidas das cavernas pelas algas que tanto gostavam de comer, escorrendo entre rochas e, no momento do acasalamento, ouvindo atentamente os bufos de outros Hooters. Nenhum predador nas cavernas, era apenas os Hooters, as algas e as bolas ocasionais amigáveis, então os Hooters nunca tiveram nada a temer, exceto talvez o Hooter ocasionalmente mau e temperado Rio fluiu através do sistema de cavernas e água continuamente pingado para baixo através da mesa de água trazendo com ele os nutrientes frescos as algas prosperaram em assim havia sempre abundância para comer e beber No entanto, embora Hooters podia sentir e ouvir bem eles nunca tiveram qualquer necessidade de Os olhos na escuridão de campo das cavernas e como resultado eram totalmente cegos Isso nunca parecia preocupado com qualquer dos Hooters embora e todos eles tinham uma baleia de um tempo mastigando afastado e hooting na escuridão. Então, um dia um terremoto causou parte de O sistema de cavernas para entrar em colapso e pela primeira vez em muitos milênios os Hooters sentiram o calor da luz do sol em sua pele ea suave maciez do musgo sob seus pés Alguns Hoarers ousados saborearam o musgo e descobriram que era ainda melhor comer do que a caverna Algas Ooooooooooh eles hooted entre bocados de musgo e rapidamente foi engolido pelas águias marauding que tinha voado dentro para ver o que toda a agitação era about. For um tempo parecia que se Os Hooters podem ser caçados à extinção, pois embora eles gostassem de comer o musgo eles nunca poderiam dizer se uma águia estava voando acima Não só isso, eles não poderiam nem dizer se eles estavam escondidos sob uma rocha ou não, a menos que fosse baixo o suficiente para A cada dia muitos Hooters tropeçavam para fora das cavernas com o cheiro doce do musgo em suas narinas somente para ser levados fàcilmente e comido por uma águia Sua situação pareceu severa certamente. Felizmente, sobre os anos, a população de Hooters tinha crescido a ser enorme na segurança das cavernas e suficiente deles estavam sobrevivendo a mate - afinal, uma águia só pode comer tanto Um dia, uma ninhada de Hooters nasceu que compartilhou um gene de célula de pele mutada Este gene particular Foi responsável pelo desenvolvimento das células da pele em suas testas Durante o desenvolvimento do bebê Hooters, quando suas células da pele cresceu a partir do gene mutado instruções que eram ligeiramente sensíveis à luz Cada novo bebê Hooter poderia sentir Se algo estava bloqueando a luz para a testa ou não Quando esses pequenos Hooters bebê cresceu em Hooters maiores e aventurou-se na luz para comer o musgo eles poderiam dizer se algo estava swooping sobrecarga ou não Então, estes Hooters cresceu para ter um pouco melhor Chance de sobrevivência do que seus primos totalmente cegos E porque eles tinham uma melhor chance de sobrevivência, eles se reproduziram muito mais, portanto, passando o novo gene de célula sensível à luz da pele para a sua descendência Depois de um curto período a população tornou-se dominado pelos Hooters com este ligeiro Vantagem. Now deixe s zip algumas mil gerações no futuro Se você extrapolar este processo ao longo de muitos anos e envolvendo lotes de mutações minúsculas que ocorrem nos genes da célula da pele é fácil imaginar um processo onde uma célula sensível à luz pode se tornar um clump De células sensíveis à luz e, em seguida, como as células do interior do clump pode mutar para endurecer em uma pequena lente em forma de área, o que ajudaria a recolher a luz e f Lo em um lugar Não é muito difícil imaginar uma mutação que dá origem a duas dessas áreas de coleta de luz, assim, conferindo visão binocular sobre os Hooters Isso seria uma enorme vantagem sobre seus primos Cyclopsian como os Hooters agora seria capaz de julgar Distâncias com precisão e têm um campo de visão maior. Como você pode ver os processos de seleção natural - sobrevivência do mais apto - e mutação genética têm papéis muito poderosos para desempenhar na evolução de um organismo Mas como a recombinação se encaixa no esquema das coisas Bem para mostrar que eu preciso contar sobre alguns outros Hooters. Por volta do mesmo tempo os Hooters com as células sensíveis à luz estavam brincando no musgo e provocando as águias, outra raça de Hooters tinha nascido que compartilhava um gene mutado que Afetou seu hooter Esta mutação deu origem a um hooter um pouco maior do que seus primos, e porque era maior que poderia hoot sobre distâncias mais longas Isso acabou por ser útil i N a população em rápida diminuição, porque os Hooters com os hooters maiores poderiam chamar a potenciais companheiros situados longe Não só isso, mas a fêmea Hooters começou a mostrar uma ligeira preferência para os homens com hooters maiores O resultado disso, naturalmente, foi que o melhor dotado Hooters tinha uma chance muito melhor de acasalamento do que qualquer um não tão bem Hooters Durante um período de tempo, hooters grandes tornou-se predominante na população. Então um dia fino um Hooter feminino com o gene para células sensíveis à pele leve encontrou um Hooter masculino com o Agora, porque os bebês cromossomos foram uma recombinação de ambos os pais cromossomos, alguns dos bebês compartilhada tanto os genes especiais e cresceu não só para ter Luz células sensíveis da pele, mas enormes hooters também Estes novos filhos foram extremamente bons em evitar as águias e reproduzindo assim o processo de evolução começou a favorecê-los E mais uma vez este novo tipo melhorado de Hooter tornou-se dominante na população. E assim por diante E assim por diante. Algoritmos genéticos são uma maneira de resolver problemas imitando os mesmos processos usos mãe natureza Eles usam a mesma combinação de seleção, recombinação e mutação para Evoluir uma solução para um problema Neat huh Vire a página para descobrir exatamente como ele s done. Genetic algoritmos foram inventados para imitar alguns dos processos observados na evolução natural Muitas pessoas, incluindo os biólogos, são surpreendidos que a vida no nível de complexidade que Observamos poderia ter evoluído no tempo relativamente curto sugerido pelo registro fóssil A idéia com GA é usar esse poder de evolução para resolver problemas de otimização O pai do Algoritmo Genético original foi John Holland, que o inventou no início de 1970 s. What Algoritmos Genéticos Os Algoritmos Genéticos são algoritmos adaptativos de busca heurística baseados nas idéias evolucionárias de seleção natural e genética. N Exploração inteligente de uma pesquisa aleatória usada para resolver problemas de otimização Apesar de aleatorizados, os AGs não são de forma aleatória, em vez disso, exploram informações históricas para direcionar a busca para a região de melhor desempenho dentro do espaço de busca As técnicas básicas dos GAs são projetadas para Simular processos em sistemas naturais necessários para a evolução, especialmente aqueles que seguem os princípios estabelecidos pela primeira vez por Charles Darwin de sobrevivência do mais apto. Na natureza, a competição entre os indivíduos por recursos escassos resulta em indivíduos mais aptos dominando sobre os mais fracos. Por que Algoritmos Genéticos. É melhor do que a IA convencional, pois é mais robusta. Ao contrário dos sistemas de IA mais antigos, eles não se quebram facilmente mesmo se os inputs mudaram ligeiramente ou na presença de ruído razoável. Além disso, na busca de um grande estado-espaço, estado multimodal - space, ou superfície n-dimensional, um algoritmo genético pode oferecer benefícios significativos sobre a pesquisa mais típica de otimização techn Algoritmos Genéticos Overview. GAs simular a sobrevivência do mais apto entre os indivíduos durante a geração consecutiva para resolver um problema Cada geração é constituída por uma população de seqüências de caracteres que são análogos a O cromossomo que vemos em nosso DNA Cada indivíduo representa um ponto em um espaço de busca e uma possível solução Os indivíduos na população são então levados a passar por um processo de evolução. Os GAs são baseados em uma analogia com a estrutura genética eo comportamento de Cromossomos dentro de uma população de indivíduos que usam as seguintes fundações. Individuais em uma população competem por recursos e companheiros. Aqueles indivíduos mais bem sucedidos em cada competição produzirão mais prole que aqueles indivíduos que executam mal. Os genes de bons indivíduos se propagam pela população de modo que dois Bons pais às vezes produzem filhos que são melhores do que qualquer dos pais. A geração uccessive tornar-se-á mais apropriada a seu environment. Search Space. A população dos indivíduos é mantida dentro do espaço da busca para um GA, cada representando uma solução possível a um determinado problema Cada indivíduo é codificado como um vetor do comprimento finito dos componentes, ou das variáveis, Em termos de algum alfabeto, geralmente o alfabeto binário Para continuar a analogia genética esses indivíduos são comparados a cromossomos e as variáveis são análogos a genes Assim, uma solução cromossômica é composta de várias variáveis de genes A pontuação de fitness é atribuído a cada solução que representa as habilidades de Um indivíduo para competir O indivíduo com a pontuação ótima ou geralmente ótima de fitness é procurado A GA pretende usar a criação seletiva das soluções para produzir prole melhor do que os pais, combinando informações dos cromossomos. A GA mantém uma população de n cromossomos soluções Com valores de aptidão associados Os pais são selecionados para acasalar, com base em seus fi Consequentemente, as soluções altamente ajustáveis são dadas mais oportunidades de reproduzir, de modo que a prole herda características de cada pai Como pais se acasalam e produzem prole, deve ser feita uma sala para os recém-chegados, uma vez que a população é mantida em estática Tamanho Indivíduos na população morrem e são substituídos pelas novas soluções, eventualmente criando uma nova geração, uma vez que todas as oportunidades de acasalamento na população de idade foram esgotados Desta forma, espera-se que ao longo sucessivas gerações melhores soluções irão prosperar enquanto as soluções menos adequadas morrem Out. Novas gerações de soluções são produzidas contendo, em média, mais bons genes do que uma solução típica em uma geração anterior. Cada geração sucessiva conterá melhores soluções parciais do que as gerações anteriores Eventualmente, uma vez que a população tenha convergido e não produza progênies visivelmente diferentes Das gerações anteriores, o próprio algoritmo é Disse ter convergido para um conjunto de soluções para o problema em questão. Implementation Details. Based na seleção natural. Após uma população inicial é gerada aleatoriamente, o algoritmo evolui o através de três operadores. selection que equivale a sobrevivência do fittest. crossover que Representa o acasalamento entre indivíduos. mutação que introduz modificações aleatórias.1 A idéia de seleção Operador. key dá preferência a indivíduos melhores, permitindo que eles passem seus genes para a próxima geração. A bondade de cada indivíduo depende de sua aptidão. A determinação pode ser determinada por Uma função objetiva ou por um juízo subjetivo.2 Operador de Crossover. Prime distinto fator de GA de outras técnicas de otimização. Dois indivíduos são escolhidos da população usando o operador de seleção. Um local de cruzamento ao longo das seqüências de bits é escolhido aleatoriamente. Duas cordas são trocadas até este ponto. Se S1 000000 e s2 111111 eo ponto de cruzamento é 2 então S1 110000 e s2 0011 11.As duas novas crias criadas a partir deste acasalamento são colocadas na próxima geração da população. Ao recombinar porções de indivíduos bons, esse processo é susceptível de criar indivíduos ainda melhores.3 Operador de Mutação. Com alguma baixa probabilidade, uma porção do Novos indivíduos terão alguns de seus bits invertidos. Seu objetivo é manter a diversidade dentro da população e inibir a convergência prematura. A única indução de uma caminhada aleatória através do espaço de pesquisa. A migração e seleção sem crossover criar um paralelo, tolerante ao ruído, Escalando algorithms. Effects of Genetic Operators. Using seleção sozinho tenderá a encher a população com cópias do melhor indivíduo da população. Usando seleção e crossover operadores tendem a fazer com que os algoritmos convergem em uma solução boa, mas sub-optimal. Using Mutação por si só induz uma caminhada aleatória através do espaço de pesquisa. Usando seleção e mutação cria um parrallel, tolerante ao ruído, hill climbing algorithm. The Al Gorithms. randomly inicializar a população t. determine a aptidão da população t. select pais da população t. perform crossover nos pais que criam a população t 1.perform mutação da população t 1.determine a aptidão da população t 1. até que o melhor indivíduo seja bom bastante. Na subseção anterior, foi alegado que, através das operações de seleção, cruzamento e mutação, o GA irá convergir ao longo de gerações sucessivas para o opio globais ou quase globais por que essa simples operação deve produzir técnicas rápidas, úteis e robustas, em grande parte devido ao fato Que GAs combinar direção e chance na busca de uma forma eficaz e eficiente Uma vez que a população implicitamente conter muita mais informação do que simplesmente as pontuações de aptidão individuais, GAs combinam a boa informação escondida em uma solução com boa informação de outra solução para produzir novas soluções com bom Indormação herdada de ambos os pais, inevitavelmente esperançosamente liderando otimal. Algoritmo para explorar e explorar simultaneamente, uma quantidade crescente de justificação teórica e aplicação bem sucedida a problemas do mundo real fortalece a conclusão de que GAs são uma técnica de otimização poderosa e robusta. Uma introdução aos Algoritmos Genéticos com a imprensa editada por Melanie Mitchell. Algoritmos genéticos em Engenharia e ciência da computação editado por G Winter et al c1995.Foundations de algoritmos genéticos editado por Gregory JE Rawlins c1991.For detalhes de aplicações de algoritmos genéticos, por favor consulte meu parceiro, artigo Chun s. Usando Algoritmos Genéticos Para Previsão Financial Markets. Burton Sugeriu em seu livro, Random Walk Down Wall Street, 1973, que um macaco com os olhos vendados jogando dardos em páginas financeiras de um jornal poderia selecionar um portfólio que faria tão bem como um cuidadosamente selecionado por especialistas Embora a evolução pode ter feito o homem não mais Inteligente na colheita de ações, Charles Darwin s teoria tem bastante eficaz quando aplicado mais diretamente Para ajudá-lo pi Ck stocks, confira How To Pick A Stock. What são algoritmos genéticos. Genetic algoritmos GAs são métodos de resolução de problemas ou heurísticas que imitam o processo de evolução natural Ao contrário de redes neuronais artificiais ANNs, projetado para funcionar como neurônios no cérebro, esses algoritmos utilizam Os conceitos de seleção natural para determinar a melhor solução para um problema Como resultado, GAs são comumente usados como otimizadores que ajustar os parâmetros para minimizar ou maximizar alguma medida de feedback, que pode então ser usado de forma independente ou na construção de uma ANN. Os algoritmos genéticos de mercados financeiros são mais comumente usados para encontrar os melhores valores de combinação de parâmetros em uma regra de negociação, e eles podem ser construídos em modelos de ANN projetados para coletar ações e identificar negócios. Vários estudos têm demonstrado que esses métodos podem ser eficazes, incluindo Algoritmos Genéticos Genesis of Stock Evaluation 2004 por Rama, e As Aplicações de Algoritmos Genéticos em Stock Market Data Mining Optimi Os algoritmos genéticos são criados matematicamente usando vetores, que são quantidades que têm direção e magnitude. Parâmetros para cada regra de negociação são representados por algoritmos genéticos. Com um vetor unidimensional que pode ser pensado como um cromossomo em termos genéticos Enquanto isso, os valores usados em cada parâmetro podem ser pensados como genes, que são então modificados usando a seleção natural. Por exemplo, uma regra comercial pode envolver o uso De parâmetros como Moving Average Convergência-Divergência MACD Exponencial Média Móvel EMA e Estocástica Um algoritmo genético, então, introduzir valores nestes parâmetros com o objetivo de maximizar o lucro líquido Ao longo do tempo, pequenas mudanças são introduzidas e aqueles que fazem um desejável impacto são retidos para o Existem três tipos de operações genéticas que podem ser realizadas. Os cruzamentos representam a reprodução e Crossover visto em biologia, pelo qual uma criança assume certas características de seus pais. As mutações representam mutação biológica e são usados para manter a diversidade genética de uma geração de uma população para a próxima, introduzindo pequenas mudanças aleatórias. As eleições são o estágio em que indivíduo Os genomas são escolhidos a partir de uma população para posterior reprodução recombinação ou crossover. Estes três operadores são então utilizados em um processo de cinco passos. Initialize uma população aleatória, onde cada cromossomo é n-comprimento, sendo n o número de parâmetros que é um Número aleatório de parâmetros são estabelecidos com n elementos each. Select os cromossomas, ou parâmetros, que aumentam os resultados desejáveis, presumivelmente lucro líquido. Aplicar mutação ou crossover operadores para os pais selecionados e gerar um descendente. Reconstruir a prole ea população atual para formar um Nova população com o operador de seleção. Repita os passos dois a quatro. Ao longo do tempo, este processo resultará em cada vez mais favorab Le cromossomas ou parâmetros para uso em uma regra de negociação O processo é então terminado quando um critério de parada é cumprido, que pode incluir tempo de execução, fitness, número de gerações ou outros critérios Para mais informações sobre MACD, leia Trading The MACD Divergence. Using Genetic Algoritmos em Trading. While algoritmos genéticos são usados principalmente por comerciantes institucionais quantitativos comerciantes individuais podem aproveitar o poder de algoritmos genéticos - sem um grau em matemática avançada - usando vários pacotes de software no mercado Estas soluções variam de pacotes de software standalone voltada para os mercados financeiros Para Microsoft Excel add-ons que podem facilitar mais hands-on analysis. When usando essas aplicações, os comerciantes podem definir um conjunto de parâmetros que são então otimizado usando um algoritmo genético e um conjunto de dados históricos Algumas aplicações podem otimizar quais parâmetros são utilizados e Os valores para eles, enquanto outros se concentram principalmente em simplesmente otimizar os valores para um dado conjunto De parâmetros Para obter mais informações sobre estas estratégias derivadas de programas, consulte O poder do programa Trades. Important Dicas de otimização e Tricks. Curve montagem sobre montagem, projetar um sistema de comércio em torno de dados históricos, em vez de identificar o comportamento repetível, representa um risco potencial para os comerciantes usando genética Algoritmos Qualquer sistema de negociação usando GAs deve ser testado em frente no papel antes do uso ao vivo. Selecionar parâmetros é uma parte importante do processo, e os comerciantes devem procurar parâmetros que se correlacionam com as mudanças no preço de uma determinada segurança Por exemplo, experimente diferentes Os algoritmos genéticos são formas únicas de resolver problemas complexos, aproveitando o poder da natureza. Ao aplicar esses métodos para prever os preços dos títulos, os comerciantes podem otimizar as regras de negociação, identificando os melhores valores a serem usados para Cada parâmetro para uma dada segurança No entanto, estes algoritmos não são o Santo Graal, e os comerciantes devem Tenha cuidado para escolher os parâmetros certos e não ajuste da curva sobre o ajuste Para ler mais sobre o mercado, confira Ouça o mercado, não o seu Pundits. The quantidade máxima de dinheiro que os Estados Unidos podem emprestar O teto da dívida foi criada sob a Segunda Liberdade Bond Act. A taxa de juros em que uma instituição depositária empresta fundos mantidos no Federal Reserve para outra instituição depositária.1 Uma medida estatística da dispersão de retornos para um determinado índice de mercado ou de segurança A volatilidade pode ser medida. Um ato do Congresso dos EUA Aprovada em 1933 como a Lei Bancária, que proibia os bancos comerciais de participar no investimento. Nonfarm folha de pagamento refere-se a qualquer trabalho fora de fazendas, casas particulares e do setor sem fins lucrativos The US Bureau of Labour. The abreviação de moeda ou símbolo de moeda para a rupia indiana INR, a moeda da Índia A rupia é composta de 1.
No comments:
Post a Comment