知识卡片
分布估计用模型生成新个体
分布估计算法(EDA)不靠交叉、变异重组已有个体,而是先统计“好解长什么样”,再照着生成新解:
- 从当前种群选出较优个体;
- 用这些样本估计概率模型;
- 从模型采样生成下一批候选。
示例(补充演示,非书中数据):用 3 位二进制串编码,选出的较优个体为 110、111、100。各位取 1 的频率依次为 3/3、2/3、1/3,得到模型 (1, 0.67, 0.33);按这些概率逐位抽样,最可能得到 110(概率约 0.44)。
这把新个体的生成转为分布学习与采样,区别于简单遗传算法的重组。原书称这有利于解决简单遗传算法的“连锁问题”和“欺骗问题”,但本节未定义这两个问题,也未给出成立条件。模型若不能表达变量间依赖,或优秀样本过早集中,采样仍可能遗漏好区域。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 9 . 1 分 布 估 计 算 法 起 源 · 查看原书依据
9.1 分布估计算法起源 9.1 分布估计算法起源 9.1.1 分布估计算法统计学原理 分布估计算法(Estimationof Distribution Algorithms,EDA)是一种基于概率模型的进化算法,它通过对当前的优秀个体集合建立概率模型,对算法下一步的搜索进行指导,并从得到的较优解的概率分布函数中采样产生新个体。这类算法从本质上改变了简单遗传算法通过重组操作产生群体的方式,因此有利于解决简单遗传算法中存在的连锁问题和欺骗问题。
参考来源
- 位置:《智能算法导论》第 9 章《分布估计算法起源:统计学原理》(源文件:_epub-src/EPUB/xhtml/chapter9_0001.xhtml)
- 结论依据:原文定义 EDA 为对当前优秀个体建立概率模型、再从较优解的概率分布采样生成新个体,并与简单遗传算法的重组方式对照;卡片把效果限制为设计动机。3 位二进制串的逐位频率建模与抽样为依据 EDA 定义补充的教学示例,非书中数据。
- 原始内容:它通过对当前的优秀个体集合建立概率模型,对算法下一步的搜索进行指导,并从得到的较优解的概率分布函数中采样产生新个体。