Optimisation Algorithms
Version 1.1.2-beta
การรวบรวมอัลกอริทึมการเพิ่มประสิทธิภาพที่ใช้กันมากที่สุดสำหรับการเรียนรู้ด้านวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องจักร
ที่เก็บนี้ถูกสร้างขึ้นโดยและเป็นของ: https://github.com/muradmustafayev-03
คู่มือการบริจาค: https://github.com/muradmustafayev-03/optimisation-algorithms/blob/main/contributing.md
หากต้องการรายงานปัญหาใด ๆ : https://github.com/muradmustafayev-03/optimisation-algorithms/issues
ในการติดตั้งแพ็คเกจเป็นห้องสมุดที่ใช้:
PIP ติดตั้งอัลกอริทึมการเพิ่มประสิทธิภาพ
จากนั้นจะนำเข้า:
นำเข้า empotisation_algorithms
ในโครงการนี้ฉันพยายามรวบรวมอัลกอริทึมการเพิ่มประสิทธิภาพที่เป็นประโยชน์ให้ได้มากที่สุดเท่าที่จะเป็นไปได้และเขียนด้วยวิธีที่เรียบง่ายและนำกลับมาใช้ใหม่ได้ แนวคิดคือการเขียนอัลกอริทึมเหล่านี้ทั้งหมดใน Python ในวิธีพื้นฐาน แต่ใช้งานง่ายโดยมี numpy เป็นห้องสมุดภายนอกที่ใช้เท่านั้น ปัจจุบันโครงการอยู่ในช่วงเริ่มต้นของการพัฒนา แต่หนึ่งสามารถลองและนำไปใช้ในโครงการของตนเองแล้ว และแน่นอนว่าคุณยินดีที่จะมีส่วนร่วมหรือให้คำแนะนำใด ๆ ข้อเสนอแนะใด ๆ ที่ได้รับการชื่นชม
สำหรับข้อมูลเพิ่มเติม: https://en.wikipedia.org/wiki/Mathematical_optimization
อัลกอริทึมการเพิ่มประสิทธิภาพ เป็นอัลกอริทึมที่ใช้ในการค้นหาค่าอินพุตของ minima ทั่วโลก หรือน้อยกว่าบ่อยครั้งของ maxima ทั่วโลก ของฟังก์ชั่น
ในโครงการนี้อัลกอริทึมทั้งหมดจะมองหา Minima Global Minima ของฟังก์ชั่นที่กำหนด อย่างไรก็ตามหากคุณต้องการค้นหาฟัง ก์ชั่นระดับสูง ของฟังก์ชั่นคุณสามารถผ่านการปฏิเสธฟังก์ชั่นของคุณ: -f (x) แทนที่จะเป็น f (x) โดยมี mimima ของมันจะเป็นค่าสูงสุดของฟังก์ชั่นของคุณ
อัลกอริทึมการเพิ่มประสิทธิภาพ มีการใช้กันอย่างแพร่หลายใน การเรียนรู้ของเครื่อง คณิตศาสตร์ และช่วงของวิทยาศาสตร์ประยุกต์อื่น ๆ
มี อัลกอริทึมการเพิ่มประสิทธิภาพ หลายชนิดดังนั้นนี่คือคำอธิบายสั้น ๆ ของรายการที่ใช้ในโครงการ:
อัลกอริทึม TESE เริ่มต้นจากจุดสุ่มหรือที่ระบุและขั้นตอนการย้ายไปทีละขั้นตอน minima ที่ใกล้เคียงที่สุด พวกเขามักจะต้องการ อนุพันธ์บางส่วน หรือ การไล่ระดับสี ของฟังก์ชั่นซึ่งต้องการฟังก์ชั่นที่แตกต่างกัน อัลกอริทึมเหล่านี้ง่ายและทำงานได้ดี สำหรับ ฟังก์ชั่น ที่คล้ายชาม ถ้ามี MOR มากกว่าหนึ่งฟังก์ชั่นมันสามารถสต็อกได้ที่ minima ในท้องถิ่น
อัลกอริทึมเหล่านี้เริ่มต้นด้วยชุดของโซลูชั่นแบบสุ่มจากนั้นเลือกโซลูชันที่ดีที่สุดจากชุดและขึ้นอยู่กับพวกเขาสร้างชุดของโซลูชันที่ดีกว่าชุดใหม่ดังนั้นจึงพัฒนาการวนซ้ำแต่ละครั้ง อัลกอริธึมเหล่านี้ไม่ได้สต็อกใน ระดับต่ำสุดในท้องถิ่น แต่ค้นหาได้โดยตรง ทั่วโลก ดังนั้นพวกเขาจึงสามารถใช้สำหรับฟังก์ ชั่นการใช้งานในท้องถิ่นมากมาย
ฟังก์ชั่นมาตรฐาน ใช้เพื่อทดสอบ อัลกอริทึมการเพิ่มประสิทธิภาพ อย่างไรก็ตามพวกเขาสามารถใช้งานได้ด้วยตัวเอง มี ฟังก์ชั่นมาตรฐาน หลายอย่างที่ใช้ในโครงการนี้และแบ่งออกเป็นหลายประเภทขึ้นอยู่กับรูปร่างของพวกเขา
สำหรับข้อมูลเพิ่มเติมและคำจำกัดความทางคณิตศาสตร์ของฟังก์ชั่นดู: https://www.sfu.ca/~ssurjano/optimization.html
