Evolving intraday foreign exchange trading strategies utilizing multiple instruments price series
我们提出了一个遗传编程架构的外汇交易策略的产生。该系统的主要特点是不依赖于任何先验模型的自由形式策略的演变,以及利用多种工具的价格序列作为输入数据。后一个特征构成了相对于文献中记载的先前作品的创新。在这篇文章中,我们使用AUD.USD,EUR.USD,GBP.USD和USD.JPY货币对的5分钟开、高、低、收盘柱数据。我们将测试执行分析的样本内和样本外的性能的策略交易美元.日元在多个算法运行获得。我们还将评估根据两个不同标准选择的策略之间的差异:一个依赖于仅在训练集上获得的适应度,第二个使用额外的验证数据集。策略活动和交易准确性在样本内和样本外的结果之间非常稳定。从盈利能力的角度来看,这两个标准都导致战略成功的样本外数据,但表现出不同的特点。整体表现最好的样本外策略实现了19%的年回报率。
2014-11-08 cs.NE q-fin.TR
Evolving Self-taught Neural Networks: The Baldwin Effect and the Emergence of Intelligence
所谓的鲍德温效应一般说学习,作为个体发育适应的一种形式,如何影响系统发育适应或进化的过程。这个想法也被用于计算,其中进化和学习被用作计算隐喻,包括进化的神经网络。本文提出了一种称为进化自学神经网络的技术-神经网络,它可以在没有外部监督或奖励的情况下自学。自学习的神经网络具有内在动机。此外,自学神经网络是进化和学习相互作用的产物。我们模拟了一个多智能体系统,其中神经网络用于控制自主智能体。这些代理人必须寻找资源,为自己的生存而竞争。实验结果表明,在自学神经网络中,进化和自学能力之间的交互作用优于单独的进化和自学。更具体地说,智能觅食策略的出现也通过这种相互作用得到了证明。还提出了今后发展神经网络工作的指示。
2019-04-04 cs.NE
Evolving Dyadic Strategies for a Cooperative Physical Task
许多合作的体力任务需要个人扮演专门的角色(例如,领导者-追随者)。人类是熟练的合作者,天生就能协调这些角色和角色之间的转换。然而,角色是如何被委派和重新分配的,人们还没有很好地理解。使用遗传算法,我们进化模拟代理,探索一个空间的可行的角色切换政策。应用这些切换策略在一个合作的手动任务,代理处理视觉和触觉提示,以决定何时切换角色。然后,我们分析进化的虚拟人口的属性通常与合作:负载分担和时间协调。我们发现,表现最好的二人组表现出较高的时间协调(反同步)。反过来,反同步与合作代理的参数之间的对称性相关。这些模拟提供了假设,人类合作者如何可能调解角色的二元任务。
2020-04-22 cs.MA cs.NE
Evolving Diverse Sets of Tours for the Travelling Salesperson Problem
近年来,演化不同的高质量解集在演化计算文献中获得了越来越多的兴趣。在本文中,我们通过研究经典旅行商问题(TSP)的进化多样性优化方法,为这一领域的研究做出了贡献。我们研究的影响,使用不同的多样性措施,为一组给定的旅游和进化算法的能力,以获得不同的一组高质量的解决方案时,采用这些措施。我们的研究表明,各种各样的不同的高品质的旅游可以通过使用我们的方法来实现。此外,我们比较我们的方法的理论性质和最终的一组旅游获得的进化多样性优化算法。
2021-10-01 cs.NE
Evolving Evolutionary Algorithms using Linear Genetic Programming
Babes-Bolyai University(巴比什-波雅依大学)
提出了一种新的进化算法模型。该模型是基于线性遗传编程(LGP)技术。每个LGP染色体编码一个用于解决特定问题的EA。几个进化算法的函数优化,旅行商问题,二次分配问题的进化使用所考虑的模型。数值实验表明,进化算法执行类似的,有时甚至比几个著名的基准测试问题的标准方法更好。
2021-08-21 cs.AI cs.NE
Evolving Evolutionary Algorithms with Patterns
Babeş-Bolyai University(巴比什-博雅依大学);Faculty of Mathematics and Computer Science(数学与计算机科学学院)
提出了一种新的进化算法模型。该模型是基于多表达式编程(MEP)技术。每个MEP染色体编码一种进化模式,这种模式被重复用于产生新一代的个体。演化模式被嵌入到用于解决特定问题的标准演化方案中。几个进化算法的函数优化的进化使用所考虑的模型。进化算法与人类设计的遗传算法进行了比较。数值实验表明,进化的进化算法可以与标准方法的几个著名的基准问题。
2021-10-10 cs.AI cs.NE
Evolving ab initio trading strategies in heterogeneous environments
证券市场是典型的复杂自适应系统,在这个系统中,不同的代理人为了最大化收益而竞争。交易代理人的物种也受到进化的压力,因为整个类别的策略变得过时,新的类别出现。使用基于代理的模型的交互异构代理作为一个灵活的环境,可以内生地模拟许多不同的市场条件,我们的深度神经网络的进化压力,创造占主导地位的交易代理。在分析了这些代理的性能,并注意到通过进化过程中出现的异常超扩散,我们构建了一种方法,把高适应度代理交易算法。我们在真实的高频外汇数据上对这些交易算法进行了回测,证明了精英交易算法在各种市场条件下都能持续盈利,尽管这些算法以前从未接触过真实的金融数据。这些结果提供的证据表明,开发\textit{ab initio}交易策略的重复模拟和进化的机械市场模型可能是一个实际的替代明确培训模型与过去观察到的市场数据。
2019-12-19 cs.NE q-bio.PE q-fin.TR
Evolving Evolutionary Algorithms using Multi Expression Programming
Babes-Bolyai University(巴比什-波雅依大学)
进化算法的最优参数设置(即最优种群规模、最优变异概率、最优进化模型等)是一项困难的任务。而不是仅仅进化算法的参数,我们将进化出一个能够解决特定问题的整个EA。为此,使用了多表达式编程(MEP)技术。每个MEP染色体将编码多个EA。本文提出了一种用于函数优化的非分代EA。数值实验表明了该方法的有效性。
2021-08-22 cs.AI cs.NE
Evolving Strategies for Competitive Multi-Agent Search
University of Texas at Austin(德克萨斯大学奥斯汀分校);Stanford University(斯坦福大学)
本文将人类创造性问题求解形式化为竞争性多智能体搜索(CMAS),利用进化计算在NK模型上演化出比手工及传统树搜索策略更有效的专用与通用策略,并借助球面可视化揭示成功机制,为研究人类创新活动提供新框架。
2023-07-01 cs.AI cs.LG cs.MA
Efficiently Evolving Swarm Behaviors Using Grammatical Evolution With PPA-style Behavior Trees
用人工智能体进化群体行为在计算上是昂贵的和具有挑战性的。由于群体问题中的奖励结构通常是稀疏的,因此在数百个模拟中只有少数几个成功地进化出群体行为。此外,群体进化算法通常依赖于特设的适应度结构,并且需要为每个群体任务设计新的适应度函数。本文通过系统地将后条件-前条件-动作(PPA)规范行为树(BT)与语法进化相结合来进化群体行为。PPA结构用系统的后置条件检查取代了特殊的奖励结构,这允许一个通用的语法只使用环境线索和BT反馈来学习不同任务的解决方案。学习行为的静态性能很差,因为没有代理学习所有必要的子任务,但进化时的性能很好,因为代理可以在新的上下文中快速改变行为。进化算法成功地在75%的学习试验觅食和巢维护任务,比以前的工作提高了8倍。
2022-03-29 cs.MA cs.NE
Fast-DENSER++: Evolving Fully-Trained Deep Artificial Neural Networks
本文提出了一种新的扩展深度进化网络结构化进化(DENSER),称为Fast-DENSER++(F-DENSER++)。绝大多数优化深度人工神经网络(DANN)的神经进化方法只评估固定数量的epoch的候选解决方案;这使得难以有效地评估学习策略,并且需要在进化后进一步训练生成的最佳网络。F-DENSER++使候选解决方案的训练时间能够根据需要不断增长,即,在初始代中,候选解被训练较短的时间,并且随着代的进行,期望较长的训练周期能够实现更好的性能。因此,F-DENSER++发现的模型是经过充分训练的DANN,并且在进化后即可部署,无需进一步训练。结果表明,F-DENSER++能够有效地生成经过充分训练的DANN;在进化结束时,虽然F-DENSER++生成的模型的平均性能为88.73%,但由先前版本的DENSER(Fast-DENSER)生成的模型的性能为86.91%(统计学显著),当允许更长时间的训练时,该性能增加到87.76%。
2019-05-08 cs.NE
Co-evolving Real-Time Strategy Game Micro
我们研究了实时的【形】策略游戏中单位微观管理的竞争性协同进化。虽然良好的长期宏观策略和良好的短期单位微观管理都影响实时的【形】策略游戏的性能,本文重点是产生质量的微观。例如,更好的微操可以帮助玩家在寡不敌众的情况下赢得小规模战斗和战斗。先前的工作表明,我们可以进化微操来击败给定的对手。我们消除了对一个好对手的需要,通过使用竞争性共同进化来从头开始为双方进化高质量的微操。我们首先共同进化微操来控制一组远程单位和一组近战单位。然后我们移动到一组远程和近战单位对一组远程和近战单位的共同进化微操。结果表明,竞争性的协同进化产生良好的质量微,当结合著名的技术健身共享,共享采样,名人堂需要更少的时间来产生更好的质量微比简单的协同进化。我们相信这些结果表明,共同进化的方法产生良好的单位微观管理的可行性。
2018-03-27 cs.NE
Evolving difficult SAT instances thanks to local search
我们建议使用本地搜索算法产生SAT的情况下,更难解决比随机生成的k-CNF公式。初步的搜索算法,获得的结果表明,这种方法值得进一步研究。它可以用作SAT求解器的鲁棒性测试,并可以帮助研究分支算法,学习策略和求解器的其他方面如何影响鲁棒性。
2010-11-26 cs.LO cs.NE
Neutrally Evolving Interlocking Complexity in the Quandary Den
Quandary Den模型研究中性演化下复杂性增加的机制,通过子功能化和遮蔽两种场景揭示复杂性在无更高信息需求时的演化路径。
2026-04-20 cs.NE
Evolving Personalities in Chaos: An LLM-Augmented Framework for Character Discovery in the Iterated Prisoners Dilemma under Environmental Stress
Izmir Institute of Technology(伊兹密尔理工大学)
本文提出一种结合大语言模型的框架,在环境压力下通过迭代囚徒困境发现可解释的角色原型,提升策略的鲁棒性和可解释性。
2026-01-01 cs.GT cs.NE
Evolving Benchmark Functions to Compare Evolutionary Algorithms via Genetic Programming
Zhejiang University of Finance & Economics(浙江财经大学);University of Tsukuba(筑波大学)
本研究提出使用遗传规划构建优化基准函数,以Wasserstein距离为适应度度量并结合MAP-Elites算法,证明其生成的基准函数比人工设计的更能有效区分进化算法,实现了基准函数设计与算法比较的自动化。
2024-03-21 cs.AI cs.NE
A Systematic Evaluation of Evolving Highly Nonlinear Boolean Functions in Odd Sizes
本研究系统评估了奇数尺寸下演化高度非线性布尔函数的问题,通过三种解编码和四种尺寸的实验分析,结合局部搜索成功找到了九输入非线性度为241的布尔函数,突破了演化算法的局限。
2024-02-15 cs.CR cs.NE
Evolving Complexity is Hard
University of Montana(蒙大拿大学)
理解复杂性的演化是各种学术领域的一个重要课题。更好地理解复杂性的意义包括增加对主要进化转变以及生命和技术系统特性的了解。基因型-表型(G-P)图是进化的基础,生物导向的G-P图已被证明具有有趣且通常通用的特性,这些特性使进化能够通过在基因型空间中遵循表型保留行走来实现。在这里,我们使用数字逻辑门电路G-P映射,其中基因型由电路表示,表型由电路计算的函数表示。我们比较了两个数学定义的电路和表型的复杂性,并显示这些定义与其他著名的进化特性,如冗余,鲁棒性和进化。使用笛卡尔和线性遗传编程实现,我们证明了逻辑门电路共享许多生物衍生的G-P映射的普遍属性,与计算表型进化,鲁棒性和复杂性的一种方法之间的关系除外。由于G-P图谱的固有结构,包括稀有表型的优势、大型互连神经网络以及低鲁棒性的高突变负荷,复杂表型难以使用进化来发现。我们建议,基于这一证据,不断发展的复杂性是困难的,我们讨论了计算策略,遗传编程为基础的进化,成功地找到基因型映射到复杂的表型在搜索空间。
2022-09-16 cs.AI cs.NE
Evolving a multi-population evolutionary-QAOA on distributed QPUs
该研究将进化算法与QAOA结合,提出分布式多群体策略,在Max-Cut问题上实现更高精度和更低方差,并验证于模拟器及IBM硬件。
2025-07-10 cs.NE quant-ph
Evolving the Hearthstone Meta
New York University(纽约大学);New Jersey Institute of Technology(新泽西理工学院)
平衡一个不断增长的高度复杂的战略游戏,如炉石传说是一项复杂的任务。使策略多样化和可定制的目标导致了一个微妙复杂的系统。调整超过2000张卡片以生成所需的结果而不破坏现有环境成为一项艰巨的挑战。在本文中,我们讨论了现有卡片的变化对炉石传说中的策略的影响。通过分析在不同的甲板上的比赛,被发挥不同的策略,我们建议比较他们的表现之前和之后的变化,以改善或恶化不同的卡。然后,使用进化算法,我们搜索卡片属性的变化组合,使卡片接近相等的50%胜率。然后,我们将我们的进化算法扩展到一个多目标的解决方案来搜索这个结果,同时对现有的卡进行最小量的更改,并因此中断。最后,我们提出并评估指标,以决定哪些卡的目标与平衡的变化,作为一种策略。
2019-07-02 cs.AI cs.NE
NegaBent, No Regrets: Evolving Spectrally Flat Boolean Functions
University of Paris 8(巴黎第八大学);University of Bergen(卑尔根大学);Faculty of Electrical Engineering and Computing, University of Zagreb(萨格勒布大学电气工程和计算学院);University of Twente(特温特大学);Radboud University(拉德堡德大学)
本文研究了进化算法在进化NegaBent布尔函数中的应用,证明遗传编程能有效生成此类函数。
2026-01-31 cs.CR cs.NE
Discrete Natural Evolution Strategies
本文将自然进化策略从连续参数空间推广到离散参数空间,提出离散NES算法,并验证其在离散参数任务中的有效性。
2024-03-30 cs.NE math.OC
MetaDE: Evolving Differential Evolution by Differential Evolution
Southern University of Science and Technology(南方科技大学);The Hong Kong Polytechnic University(香港理工大学)
MetaDE利用差分进化在元层面自动进化DE自身的超参数与策略,通过GPU加速实现高效优化,在CEC2022基准和机器人控制任务中表现优异。
2025-03-26 cs.AI cs.NE
Evolutionary Architecture Search For Deep Multitask Networks
Sentient Technologies, Inc.(先识科技公司);The University of Texas at Austin(得克萨斯大学奥斯汀分校)
多任务学习,即用同一个神经网络同时学习多个任务,可以提高每个任务的性能。为多任务学习设计深度神经网络架构是一项挑战:有很多方法可以将任务联系在一起,设计选择很重要。这个问题的规模和复杂性超出了人类的设计能力,使其成为进化优化的一个引人注目的领域。使用现有的最先进的软订购体系结构为出发点,不断发展的模块,这种体系结构和不断发展的整体拓扑结构或模块之间的路由方法进行了评估。一个协同的方法,不断发展的自定义路由与进化,共享模块的每个任务被发现是非常强大的,显着提高了最先进的Omniglot多任务,多字母字符识别域。这一结果证明了进化如何有助于推进深度神经网络和复杂系统的总体设计。
2018-04-17 cs.AI cs.NE
Evolving the Behavior of Machines: From Micro to Macroevolution
进化产生了比人类设计的最伟大的系统更复杂的生物。自从计算机出现以来,这一壮举一直激励着计算机科学家,并导致了可以为机器进化复杂神经网络的优化工具--一种被称为“神经进化”的方法。在为高维人工制品设计出可进化的表示方法方面取得了一些成功之后,这一领域最近通过超越优化而重新焕发了活力:对许多人来说,进化的奇迹与其说是每个物种的完美优化,不如说是这种简单迭代过程的创造力,即物种的多样性。这种人工进化的现代观点正在将领域从微观进化转移到宏观进化,沿着生态位中的适应度梯度,用高度不同的物种填充许多生态位。它已经开启了有前景的应用,比如不断发展的步态曲目,适合不同口味的视频游戏关卡,以及空气动力学自行车的多样化设计。
2020-12-21 cs.NE cs.RO nlin.AO