分布估计算法研究进展资源-CSDN文库

分布估计算法|

63 浏览量 2021-01-14 17:53:32 上传评论收藏 160KB PDF 举报

资源推荐

资源详情

资源评论

第 27 卷第 7 期

Vol. 27 No. 7

控制与决策

Control and Decision

2012 年 7 月

Jul. 2012

分布估计算法研究进展

文章编号: 1001-0920 (2012) 07-0961-06

王圣尧, 王凌, 方晨, 许烨

(清华大学 a. 信息科学与技术国家实验室，b. 自动化系，北京 100084)

摘要: 作为一种新颖的基于概率模型的进化算法, 近年来分布估计算法 (EDA) 得到了广泛的研究和发展. 在介绍

分布估计算法原理和特点的基础上, 重点综述了近些年分布估计算法的研究进展, 包括改进概率模型、保持种群多

样性以及设计混合算法, 进而总结了分布估计算法在理论及应用方面的研究现状, 最后提出了有待进一步研究的若

干方向和内容.

关键词: 分布估计算法；概率模型；进化计算

中图分类号: TP18 文献标识码: A

Advances in estimation of distribution algorithms

WANG Sheng-yao, WANG Ling, FANG Chen, XU Ye

(a. National Laboratory for Information Science and Technology，b. Department of Automation，Tsinghua

University，Beijing 100084，China. Correspondent：WANG Sheng-yao，E-mail：wangshengyao@tsinghua.org.cn)

Abstract: As a novel probabilistic model based evolutionary algorithm, estimation of distribution algorithm(EDA) has

gained wide study and development during recent years. After introducing the mechanism and features of EDA, the research

advances in EDA during recent years are surveyed in detail, including improving the probabilistic model, maintaining the

diversity of population and designing the hybrid algorithms. Moreover, the state of the art about the study on EDA in terms

of theory and application is investigated. Finally, some future research direction and content are proposed.

Key words: estimation of distribution algorithm；probabilistic model；evolutionary computation

1 引引引言言言

分布估计算法 (EDA) 是一种新兴的基于统计学

原理的随机优化算法

[1]

. EDA 与遗传算法 (GA) 有着

明显的区别. GA 采用交叉和变异等操作产生新个体,

EDA 则通过对搜索空间采样和统计学习来预测搜索

的最佳区域, 进而产生优秀的新个体. 相比于 GA 基于

基因的微观层面的进化方式, EDA 采用基于搜索空间

的宏观层面的进化方法, 具备更强的全局搜索能力和

更快的收敛速度.

EDA 的概念最早在 1996 年提出

[1]

并得到了迅速

发展, 目前相关理论研究及工程应用已取得了不少成

果. 基于 2006 年以前的文献, Zhou 等

[2]

对 EDA 的研

究进展进行了综述. 考虑到近几年 EDA 多方面的研

究成果与进展, 本文旨在归纳总结近几年国内外有

关 EDA 的代表性研究成果, 包括改进概率模型、保持

种群多样性以及设计混合算法等, 总结 EDA 理论及

应用方面的研究现状, 最后提出有待进一步研究的若

干方向和内容.

2 标标标准准准 EDA 及及及其其其流流流程程程

分布估计算法是一种基于统计学习理论的群体

进化算法

[1]

, 通过建立概率模型描述候选解在搜索空

间的分布信息, 采用统计学习手段从群体宏观的角度

建立一个描述解分布的概率模型, 然后对概率模型随

机采样产生新的种群, 如此反复实现种群的进化. 标

准 EDA 的算法流程如下:

Step 1: 初始化种群;

Step 2: 选择优势群体;

Step 3: 构建概率模型;

Step 4: 随机采样;

Step 5: 生成新群体;

Step 6: 判断终止条件是否满足, 若是, 则输出优

化结果; 否则, 转 Step 2.

概率模型是 EDA 的核心, EDA 通过概率模型及

收稿日期: 2011-10-25；修回日期: 2012-01-03.

基金项目: 国家自然科学基金项目(61174189, 60834004)；高等学校博士学科点专项科研基金项目(20100002110014).

作者简介: 王圣尧(1988−), 男, 博士生, 从事智能优化调度的研究; 王凌(1972−), 男, 教授, 博士生导师, 从事智能优化

调度等研究.

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余5页未读，立即下载

内容反馈

weixin_38502693

粉丝: 8
资源: 908

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip