Operaciones > Analizador de estrategia > Mejoramiento

En pocas palabras, el Algoritmo Genético intenta encontrar el conjunto de parámetros más óptimo para una estrategia. No lo hace probando la fuerza bruta de cada combinación individual como lo hace el método de optimización predeterminado, sino que utiliza el concepto de teoría evolutiva tomado de la biología, donde solo los padres más aptos (combinados con mutación y cruce) producen hijos para la próxima generación. A través de las pruebas de varias generaciones, debería haber reducido los parámetros más óptimos y, por lo tanto, ahorrarle tiempo al tener que probar cada combinación de parámetros.

Comprender el algoritmo genético

Visión general

La idea general de cómo la AG resuelve un problema de optimización es análoga al concepto de cómo la evolución a través de la selección natural adapta una especie al medio ambiente. En biología, solo los individuos más fuertes podrán reproducirse y transmitir sus genes superiores a la próxima generación. Asumiendo que cada generación solo puede transmitir los genes más fuertes, después de varias iteraciones nos quedaríamos con los atributos óptimos para el medio ambiente. A través de este mismo mecanismo, el GA probará un preajuste aleatorio de sus parámetros. A través de múltiples generaciones de pruebas, los parámetros se centrarán en una solución óptima.

Nota: Es importante comprender que GA encontrará soluciones óptimas aproximadas. Dado que no prueba todas las combinaciones posibles, no hay garantía de que sus soluciones sean absolutamente óptimas.

Cómo calcula el GA

El GA determina su solución a través de los siguientes pasos:

1.Comience con un tamaño de población inicial que consiste en individuos seleccionados al azar (combinaciones de configuración de parámetros)

2.Calcule el estado físico (Optimizar en ...) para cada individuo en la población y asigne probabilidades a la población en función de los resultados de estado físico. Los resultados más aptos tienen más probabilidad de ser seleccionados para la reproducción de la próxima generación.

3.Genere una nueva población para la próxima generación seleccionando individuos de la generación anterior para producir descendencia por cruce y mutación (ver más abajo)

4.Repita desde el paso 2 hasta llegar al número de generaciones en su prueba

Cruzado y Mutación

Crossover es el proceso para generar descendencia que no es 100% idéntica a sus padres. Se realiza tomando la mitad de la configuración de parámetros del padre A y mezclándola con la otra mitad del padre B. El cruce permite que GA pruebe diferentes combinaciones de parámetros y perfeccione la solución óptima. Sin embargo, el crossover solo eventualmente producirá descendientes idénticos en la población a través de varias generaciones y, por lo tanto, a través de la mutación, algunas configuraciones de parámetros aleatorios se intercalarán en algunos de los descendientes para permitir una calidad adaptativa al algoritmo.

Comprender los parámetros del algoritmo genético

Consulte el artículo "Optimizar una estrategia" para saber cómo ejecutar una optimización.

Cuando seleccione el optimizador genético, verá las siguientes propiedades de optimización después de hacer clic con el botón izquierdo en el triángulo a la izquierda de "GO Properties" para expandir las propiedades.

StrategyAnalyzer_Optimization_GOParams

Umbral de convergencia	Establecer esto terminará la optimización genética si hay más de un cierto número de hijos duplicados en una sola generación, definida por el valor del umbral de convergencia. Esto permite que la optimización finalice si no se realiza ningún trabajo nuevo porque ya ha convergido en la solución más óptima. Ejemplo: En la captura de pantalla anterior, el tamaño de la generación se establece en 25, por lo tanto, cada generación contendrá 25 hijos, si 20 de estos hijos son duplicados que ya se han probado, la optimización finalizará.
Tasa de cruce (%)	Cada nueva generación se crea a partir de una combinación de descendencia generada aleatoriamente y descendencia creada a partir de la combinación (cruzamiento) de parámetros primarios. La tasa de cruce determina el porcentaje de la nueva generación que se genera a partir del proceso de cruce.
Tamaño de la generación	Establece el número de combinaciones para probar en cada generación (niños). Cuanto mayor sea el tamaño, más variedad de combinaciones se probarán en cada generación. Desea asegurarse de establecer esto lo suficientemente alto como para probar suficientes combinaciones de parámetros para obtener una buena cobertura del dominio del problema, pero no tan alto como para que cada combinación de parámetros posible se pruebe en una sola generación.
Generaciones	Establece el número de generaciones para probar. Cada generación tendrá el número de hijos establecido en "Tamaño de generación". El número de combinaciones de parámetros totales probadas es igual al Generation Size * Generations.
Rendimiento mínimo	Si se alcanza este valor de rendimiento antes de que se evalúen todas las generaciones, el optimizador finalizará y presentará los resultados de inmediato, donde el tipo de este valor está directamente relacionado con la métrica de aptitud de optimización utilizada (es decir, Factor de beneficio). Un valor de 0 significa que no se está utilizando un rendimiento mínimo.
Tasa de mutación (%)	Establece la probabilidad de que una descendencia cruzada contenga algunos parámetros mutados
Fuerza de mutación (%)	Establece el desplazamiento máximo de los valores cruzados que una descendencia marcada para mutación puede cambiar sus parámetros
Restablecer tamaño (%)	Cuando se crea cada nueva generación, todos los individuos de generaciones anteriores son posibles padres para los nuevos descendientes. Si el x% de mejor desempeño (% de tamaño de estabilidad) de los niños de la generación recién creada es el mismo que el x% de los padres de mejor desempeño, restablezca todos los padres y repobla una nueva generación al azar, dejando solo el y% de los padres de mejor desempeño ( restablecer tamaño%) para las generaciones futuras. Nota: Esto ocurre antes de que se pruebe la convergencia.
Tamaño de estabilidad (%)	Consulte "Restablecer tamaño%"