Comments 12
Можно ссылку на код ? хочется посмотреть
А нейросеть-то там в итоге в каком месте оказалась?
В методе селекции (отбора) генетического алгоритма, вероятно, применение диверсификации позволит улучшить результат. В топ выборки выбирать особи не из топа, а применяя подход с корреляциями и ожидаемыми полезностями от индивидов, чтобы сформировать в топе устойчивое разнообразие (диверсифицированный портфель в терминах из финансовых рынков) в определённых долях (смотри портфельную теорию Гарри Марковица, отсылка к курсу Йельского университета), а не топ клонов с малыми отличиями.
Спасибо за наводку!
Когда экспериментировал с генетическими алгоритмами, то сталкивался с тем, что в топ селекции выбирались близкие по Евклидову расстоянию вектора, что сваливало популяцию разновидных особей в одну точку с малым радиусом разброса и не охватывало альтернативные пути эволюции, создавая последующие мутации в этой же окрестности, тогда мне пришлось применять методы выборок в топ разными формулами ранжирования и это улучшало результат. Отдельно создав функцию shares (доли), которая на основе модели Гарри Марковица выбирала 5 из 100 особей (для упрощения объяснения, перебирая всевозможные сочетания, для оптимизации смотри методы Монте Карло, MCTS), и рассчитывала доли каждой из пяти особи (акции) в портфеле при минимальном риске (для упрощения объяснения), вычислялся ранг всей группы из пяти особей и сравнивался с другими такими группами, выводя в топ наилучшее сочетание особей (команды из пяти особей) с указанием доли каждого из них в группе (веса, значимости). В селекции генетического алгоритма эти 5 особей могут выглядеть как топ элементов с указанием вероятности (доли), и чем больше доля, тем больше скрещиваний и мутаций для новой популяции можно сгенерировать из этой особи.
Возможно эта информация подтолкнёт к экспериментальному подтверждению эффективности метода, но алгоритм требует умений оптимизировать, использовать динамические и эвристические алгоритмы.
Мой эксперимент с полным перебором считался порядка 10-15 минут на трёхгигагерцовом четырёхядерном интелловском целероне для поиска наилучшего сочетания при 5 из 100 (для оценки полного перебора существует формула сочетаний из комбинаторики с факториалами: "цэ из эн по ка сочетаний").
Ядро, которое понимает: как я построил обучаемый механизм атак с нейросетью, эволюцией и квантовой логикой