知识卡片
EDA改进先对应模型瓶颈
EDA 的改进可针对概率模型学习与采样成本、种群多样性或单一算法的搜索能力。原书分别举出引入专家知识、并行采样、多样性保持和与其他方法混合等方向。选择改进时先定位瓶颈,再看方案是否针对它;本节多为研究摘要,没有统一实验来证明哪类方法普遍更优。
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 . 2 . 2 分 布 估 计 算 法 改 进 · 查看原书依据
9.2.2 分布估计算法改进 9.2.2 分布估计算法改进 EDA的改进主要指改进概率模型,或采取某种方式保持种群的多样性,或将EDA与其他理论进行结合设计出新的混合算法。EDA的关键是对概率模型进行学习和采样,问题越复杂,概率模型学习的时间越长。因此为了减少学习概率模型的时间,Baluja S.将专家知识引入EDA中[31]。
参考来源
- 位置:《智能算法导论》第 9 章《9.2.2 分布估计算法改进》(源文件:`_epub-src/EPUB/xhtml/chapter9_0004.xhtml`)
- 结论依据:原文将改进方向归为模型改进、种群多样性保持和混合算法,并指出问题复杂时概率模型学习耗时更长;书中列出的性能收益没有统一实验条件。
- 原始内容:EDA的改进主要指改进概率模型,或采取某种方式保持种群的多样性,或将EDA与其他理论进行结合设计出新的混合算法。EDA的关键是对概率模型进行学习和采样,问题越复杂,概率模型学习的时间越长。