У меня есть данные эксперимента, который я использовал, используя генетический алгоритм, и пытаюсь представить его в статье. Что является хорошим/классическим способом представления результатов генетического алгоритма. Я думал о том, чтобы сделать рассеянную диаграмму, представляющую людей с максимальной отдачей от их поколений. Является ли это хорошим представлением результатов?Презентация результатов генетического алгоритма
ответ
Когда вы оцениваете производительность генетического алгоритма (или любого другого стохастического алгоритма), вы запускаете его несколько раз, а затем объединяете результаты, чтобы исключить влияние некоторых прогонов на «удачу» или «неудачу». Затем речь идет о представлении таких обобщенных результатов.
Для одного прогона (среди многих из них) вы, как правило, заботятся о лучшем индивидууме только в фитнессе (если вы не анализируете динамику популяции, которая, как я думаю, вы этого не сделаете), потому что это результат работы алгоритм в любой момент времени во время выполнения.
Когда у вас есть такие лучшие люди для каждого прогона, вы представляете результаты. Типичное визуальное представление ГА является «развитие сюжета» или «прогресс сюжет» (я лично использую первый член и другие исследователи используют это тоже), и это выглядит примерно так (с моей магистерской диссертации):
Я знаю, это немного грязно. Однако сплошные линии являются медианами агрегированных прогонов. Это означает, что при X-оценках для каждого алгоритма сплошная линия находится в медианной пригодности всех лучших индивидуумов от каждого запуска конкретного алгоритма (среднее также иногда используется, но оно не устойчиво к выбросам). Шкалы ошибок простираются от 1-го до 3-го квартиля, в моем случае (стандартное отклонение также используется иногда, но тогда полосы ошибок симметричны относительно сплошной линии и не показывают распределение столько же, сколько квантили).
Если вас не интересует прогресс эволюции, а скорее конечные результаты, вы можете использовать, например, boxplot, чтобы правильно отображать распределение конечных значений алгоритмов. Это выглядит примерно так (опять-таки, с моей магистерской диссертации, соответствует эволюции участка выше):
Это одна была создана в среде MATLAB. Существует онлайн-инструмент для создания ящиков: http://boxplot.bio.ed.ac.uk
Если у вас есть только один алгоритм для представления, вы также можете комбинировать график эволюции с boxplot - эволюционный сюжет из ящиков! Вы просто помещаете ящик в каждую N-ю оценку (N зависит от размера фигуры для чтения). Шкалы ошибок квартили и средняя сплошная линия - это своего рода коробчатая диаграмма (искаженным) способом.
Последний вариант - представить результаты в текстовом виде (или в таблице), которые поддерживаются некоторыми статистическими тестами. Для сравнения двух алгоритмов (конечных значений) вы можете использовать, например. Mann-Whitney U-test. Сравнение более двух алгоритмов становится сложным, и вам нужно найти дружественного статистика, чтобы помочь вам :).
- 1. Временная сложность генетического алгоритма
- 2. Операция кроссовера генетического алгоритма
- 3. Кодирование генетического алгоритма
- 4. В: инициализация генетического алгоритма
- 5. турнирный отбор генетического алгоритма
- 6. Оптимизация генетического алгоритма?
- 7. Создание генетического алгоритма
- 8. Выбор генетического алгоритма
- 9. Генерация генерации генетического алгоритма
- 10. Инициализация генетического алгоритма JAVA
- 11. Практического применение генетического алгоритма
- 12. Объективная функция генетического алгоритма
- 13. Выбор генетического алгоритма
- 14. Ошибка кроссовера генетического алгоритма
- 15. Сводка конвергенции генетического алгоритма
- 16. Вопросы генетического алгоритма
- 17. Проблемы генетического алгоритма
- 18. Индивидуальное представление генетического алгоритма
- 19. Начальная нация генетического алгоритма
- 20. Лучшая презентация результатов
- 21. Оптимальные параметры для генетического алгоритма
- 22. Механизм выбора для генетического алгоритма
- 23. Распараллеливание генетического алгоритма в Matlab
- 24. Генерация следующего поколения генетического алгоритма
- 25. Array help для генетического алгоритма
- 26. параллельный запуск для генетического алгоритма
- 27. Специфическая функция генерации генетического алгоритма
- 28. Нахождение вычислительной сложности генетического алгоритма
- 29. Оптимизация алгоритма восстановления изображений с использованием генетического алгоритма в Matlab
- 30. Создание популяции для генетического алгоритма в C
Во-первых, какой тип дисплея используется, зависит от результатов, генерируемых больше, чем алгоритм, используемый для их создания. Во-вторых, следует задать это на [cs.SE] (http://cs.stackexchange.com/questions/tagged/genetic-algorithms) или [stats.SE] (http://stats.stackexchange.com/) как SO фокусируется на проблемах с кодированием, а не на более общих вопросах CS/IT. – JGreenwell
В этом случае я пытаюсь показать результаты по конкретному алгоритму, используемому не столько для конкретного приложения. – David
Результаты генетических алгоритмов могут быть отображены с использованием контрольных диаграмм, гистограмм/гистограмм, комбинированных линий/гистограмм, различных графиков рассеяния, диаграмм запуска и т. Д. Это зависит от того, какой дисплей лучше всего отображает данные. – JGreenwell