Approccio evolutivo e analisi delle serie storiche

Abstract

É stato anche per ovviare a complicazioni come quelle appena descritte che negli ultimi decenni hanno preso sempre piú piede e sono state sviluppate tecniche euristiche per l’ottimizzazione che traggono origine da concetti statistici, e che attraverso un algoritmo iterativo permettono di avvicinarsi molto alla meta, restando sempre legati alla minimizzazione di una funzione obiettivo. In particolare in questa trattazione descriveremo tre di questi metodi, che prendono spunto da processi biologici e cercano di implementarli adattandoli al contesto di ricerca; si tratta di: -Algoritmi Evolutivi (AE), che partendo da un gruppo di possibili soluzioni le modificano in generazioni successive fino ad arrivare ad una soluzione soddisfacente; - algoritmi della Swarm Intelligence (SI), metodologie che si ispirano in genere al comportamento di stormi di uccelli, sciami di api o colonie di formiche, i quali riescono, attraverso la condivisione delle informazioni raccolte da ogni singolo individuo, ad indirizzarsi verso la soluzione, e, iterando questo meccanismo, a trovare finalmente la soluzione ottima per una specifica situazione, portando vantaggi all'intero gruppo. La famiglia della prima classe di algoritmi è molto vasta, e qui prenderemo in esame il solo Differential Evolution (DE), appartenente alla prima generazione di algoritmi evolutivi. Della seconda famiglia vedremo invece il Particle Swarm Optimization (PSO),appartenente agli Swarm Algorithms, ed il Il Fireworks Algorithm (FA), terza tecnica di cui tratteremo, anche questa classificata tra le Swarm Intelligence, che trae origine dall’immagine dei fuochi d’artificio, e dunque esula dal comportamento animale per quanto riguarda l’idea iniziale, ma per funzionamento e risultati fa parte di questa categoria.