Operações > Analisador de Estratégia > Otimização

Muito simplesmente, coloque as tentativas do Algoritmo Genético para encontrar o melhor conjunto de parâmetros para uma estratégia. Ele faz isso não pela força bruta testando cada combinação individual como o método de otimização padrão faz, mas usando o conceito de teoria evolutiva emprestado da biologia onde apenas os pais mais aptos (combinados com mutação e cruzamento) produzem filhos para a próxima geração. Através do teste de várias gerações, você deve ter reduzido os parâmetros mais ideais e, assim, economizar tempo de ter que testar cada combinação de parâmetros.

Entendendo o Algoritmo Genético

Visão global

A idéia geral de como o GA resolve um problema de otimização é análoga ao conceito de como a evolução via seleção natural adapta uma espécie ao ambiente. Em biologia, apenas os indivíduos mais fortes serão capazes de reproduzir e transmitir seus genes superiores para a próxima geração. Assumindo que cada geração possa transmitir apenas os genes mais fortes, após várias iterações, ficaríamos com os atributos ótimos para o ambiente. Por meio desse mesmo mecanismo, o GA testará uma predefinição aleatória de seus parâmetros. Através de múltiplas gerações de testes, os parâmetros irão se concentrar em uma solução ótima.

Nota : É importante entender que o GA encontrará soluções ótimas aproximadas. Como não testa todas as combinações possíveis, não há garantia de que suas soluções são ótimos absolutos.

Como o GA calcula

O GA determina sua solução através das seguintes etapas:

1.Comece com um tamanho inicial da população que consiste em indivíduos selecionados aleatoriamente (combinações de configuração de parâmetros)

2.Calcule a aptidão (Otimizar em ...) para cada indivíduo na população e atribua probabilidades à população com base nos resultados de aptidão. Resultados mais adequados têm maior probabilidade de serem selecionados para a reprodução da próxima geração.

3.Gere uma nova população para a próxima geração, selecionando indivíduos da geração anterior para produzir descendentes por meio de cruzamento e mutação (veja abaixo)

4.Repita a partir do passo 2 até atingir o número de gerações no seu teste

Crossover e Mutação

Crossover é o processo de geração de descendentes que não são 100% idênticos aos seus pais. Isso é feito tomando metade das configurações de parâmetro do pai A e misturando-o com a outra metade do pai B. O Crossover permite que o GA teste combinações diferentes de parâmetros e aprimore a solução ótima. No entanto, o cruzamento sozinho produzirá descendentes idênticos na população ao longo de várias gerações e, assim, através da mutação, algumas configurações de parâmetros aleatórios serão inseridas em alguns dos descendentes para permitir uma qualidade adaptativa ao algoritmo.

Compreendendo os parâmetros do Algoritmo Genético

Consulte o artigo "Otimizar uma estratégia" para saber como executar uma otimização.

Ao selecionar o otimizador Genetic, você verá as seguintes propriedades de otimização depois de clicar no triângulo à esquerda de "Propriedades do GO" para expandir as propriedades.

StrategyAnalyzer_Optimization_GOParams

Limiar de convergência	Definir isso encerrará a Otimização Genética se houver mais de um certo número de filhos duplicados em uma única geração, definida pelo valor Limite de Convergência. Isso permite que a otimização termine se nenhum novo trabalho estiver sendo feito porque já convergiu para a solução mais ideal. Exemplo: Na captura de tela acima, Tamanho de geração é definido como 25, portanto, cada geração conterá 25 filhos, se 20 dessas crianças forem duplicatas que já foram testadas, a otimização será encerrada.
Taxa de cruzamento (%)	Cada nova geração é criada a partir de uma combinação de filhos gerados aleatoriamente e descendentes criados a partir da combinação (crossing over) de parâmetros pai. A taxa de cruzamento determina a porcentagem da nova geração que é gerada a partir do processo de cruzamento.
Tamanho da geração	Define o número de combinações a serem testadas em cada geração (filhos). Quanto maior o tamanho, maior a variedade de combinações que serão testadas em cada geração. Você deseja certificar-se de definir isso alto o suficiente para testar combinações de parâmetros suficientes para obter uma boa cobertura do domínio do problema, mas não tão alto que cada combinação de parâmetros possíveis esteja sendo testada em uma única geração.
Gerações	Define o número de gerações para testar. Cada geração terá o número de filhos definido em "Tamanho da Geração". O número total de combinações de parâmetros testadas é igual ao Generation Size * Generations.
Desempenho mínimo	Se esse valor de desempenho for atingido antes de todas as gerações serem avaliadas, o otimizador terminará e apresentará os resultados imediatamente, onde o tipo desse valor está diretamente vinculado à sua métrica de adequação de otimização usada (por exemplo, Fator de lucro). Um valor de 0 significa que nenhum desempenho mínimo está em uso.
Taxa de mutação (%)	Define a probabilidade de que uma descendência cruzada contenha alguns parâmetros mutados
Força de mutação (%)	Define o deslocamento máximo dos valores de cruzamento que uma descendência marcada para mutação pode ter seus parâmetros alterados
Redefinir tamanho (%)	Quando cada nova geração é criada, todos os indivíduos de gerações anteriores são possíveis pais para os novos descendentes. Se o x% (% de estabilidade%) de desempenho dos filhos da geração recém-criada for igual ao x% dos pais com melhor desempenho, redefina todos os pais e preencha uma nova geração aleatoriamente deixando apenas o y% dos pais com melhor desempenho ( redefinir tamanho%) para as gerações futuras. Nota: Isso ocorre antes que a convergência threahold seja testada.
Tamanho da estabilidade (%)	Consulte "Redefinir Tamanho%"