An Introduction and Survey of Estim

An Introduction and Survey of Estimation of Distribution Algorithms

Estimation of distribution algorithms (EDAs) are stochastic optimization techniques that explore the space of potential solutions by building and sampling explicit probabilistic models of promising candidate solutions.
This explicit use of probablistic models in optimization offers some significant advantages over other types of meta-heuristics.
This paper discusses these advantages and outlines many of the different types of EDAs.
In addition,some of the most powerful efficiency enhancement techniques applied to EDAs are discussed and some of the key theoretical results relevant to EDAs are outlined.

ผลลัพธ์ (ไทย) 1:

การแนะนำและการสำรวจจากการประเมินของขั้นตอนวิธีการกระจาย

ประมาณของขั้นตอนวิธีการกระจาย (EDAS) เป็นเทคนิคการเพิ่มประสิทธิภาพที่สุ่มสำรวจพื้นที่ของการแก้ปัญหาที่อาจเกิดขึ้นโดยการสร้างและการสุ่มตัวอย่างความน่าจะเป็นรูปแบบที่ชัดเจนของการแก้ปัญหาผู้สมัครที่มีแนวโน้ม
นี้การใช้งานที่ชัดเจนของรูปแบบ probablistic ในการเพิ่มประสิทธิภาพมีข้อได้เปรียบที่สำคัญบางกว่าชนิดอื่น ๆ ของเมตาดาต้า heuristics
บทความนี้กล่าวถึงข้อได้เปรียบเหล่านี้และแนวทางหลายชนิดแตกต่างกันของ EDAS.
นอกจากนี้บางส่วนของเทคนิคที่มีประสิทธิภาพมากที่สุดที่มีประสิทธิภาพการเพิ่มประสิทธิภาพการประยุกต์ใช้กับ EDAS จะกล่าวถึงและบางส่วนของผลทางทฤษฎีที่สำคัญที่เกี่ยวข้องกับการ EDAS ระบุไว้

ผลลัพธ์ (ไทย) 2:

แนะนำและสำรวจของการประมาณการของการกระจายกระบวนการ

ประเมินของอัลกอริทึมการกระจาย (EDAs) เป็นเทคนิคการเพิ่มประสิทธิภาพแบบเฟ้นสุ่มที่สำรวจพื้นที่ของโซลูชั่นที่มีศักยภาพ โดยสร้าง และสุ่มตัวอย่างรุ่น probabilistic ชัดเจนของสัญญาผู้แก้ปัญหา
ใช้แบบจำลอง probablistic ในการเพิ่มประสิทธิภาพนี้ชัดเจนมีข้อได้เปรียบสำคัญกว่าชนิดอื่น ๆ ของ meta-ลองผิดลองถูก
กระดาษนี้อธิบายถึงข้อดีเหล่านี้ และสรุปหลายชนิดแตกต่างกันของ EDAs
,บางสุดประสิทธิภาพปรับปรุงเทคนิคที่มีประสิทธิภาพกับ EDAs จะกล่าวถึง และบางผลทฤษฎีสำคัญที่เกี่ยวข้องกับ EDAs จะถูกล้อมรอบด้วย

ผลลัพธ์ (ไทย) 3:

อัลกอริธึมการแนะนำและการสำรวจความคิดเห็นของประมาณการจัดจำหน่าย ที่

ประมาณในอัลกอริธึมการกระจาย( edas )ได้รับการปรับแต่งด้านเทคนิค,แบบใดก็ได้ทั้งหมดรองรับงานที่สำรวจพื้นที่ของโซลูชันที่มี ศักยภาพ โดยรุ่น probabilistic อย่างชัดเจนและการสร้างโซลูชันการสุ่มตัวอย่างของผู้สมัครรับเลือกตั้งมีอนาคตไกล
การใช้อย่างชัดเจนของรุ่น probablistic ในการปรับแต่งจัดให้บริการอย่างเต็มไปด้วยประโยชน์บางท่านที่มีความสำคัญมากกว่า ประเภท อื่นๆของ meta - Heuristics
กระดาษนี้จะกล่าวถึงข้อดีเหล่านี้และสรุปจำนวนมากใน ประเภท ที่แตกต่างกันของ edas .
นอกจากนี้เทคนิคการเพิ่ม ประสิทธิภาพ ทรงพลังที่สุดที่ใช้กับ edas บางอย่างจะนำมาพูดคุยกันและผลที่สำคัญในเชิงทฤษฎีที่เกี่ยวข้องกับ edas บางห้องมีดังนี้: