Estimation of distribution algorith

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 metaheuristics.
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.


Keywords: stochastic optimization , estimation of distribution algorithms, probabilistic models, model building, decomposable problems, evolutionary computation, problem solving

ผลลัพธ์ (ไทย) 1:

การประมาณค่าของขั้นตอนวิธีการกระจาย (EDAS) เป็นเทคนิคการเพิ่มประสิทธิภาพที่สุ่ม
สำรวจพื้นที่ของการแก้ปัญหาที่อาจเกิดขึ้นโดยการสร้างและการสุ่มตัวอย่างความน่าจะเป็นรูปแบบที่ชัดเจนของการแก้ปัญหาผู้สมัครที่มีแนวโน้ม.

นี้การใช้งานที่ชัดเจนของรูปแบบ probablistic ในการเพิ่มประสิทธิภาพมีข้อได้เปรียบที่สำคัญบางกว่าชนิดอื่น ๆ metaheuristics .
บทความนี้กล่าวถึงข้อได้เปรียบเหล่านี้และแนวทางหลายชนิดแตกต่างกันของ EDAS
นอกจากนี้บางส่วนของเทคนิคที่มีประสิทธิภาพมากที่สุดที่มีประสิทธิภาพการเพิ่มประสิทธิภาพการประยุกต์ใช้กับ EDAS จะกล่าวถึงและบางส่วนของผลทางทฤษฎีที่สำคัญที่เกี่ยวข้องกับการ EDAS ระบุไว้


คำหลัก..: การเพิ่มประสิทธิภาพการสุ่มการประมาณค่าของขั้นตอนวิธีการจัดจำหน่ายรูปแบบความน่าจะเป็นอาคารรูปแบบปัญหา decomposable,การคำนวณวิวัฒนาการปัญหาแก้

ผลลัพธ์ (ไทย) 2:

ประเมินของอัลกอริทึมการกระจาย (EDAs) เป็นเทคนิคการเพิ่มประสิทธิภาพแบบเฟ้นสุ่มที่
สำรวจพื้นที่ของโซลูชั่นที่มีศักยภาพ โดยสร้าง และสุ่มตัวอย่างรุ่น probabilistic ชัดเจนของสัญญาผู้สมัครแก้ไข

ใช้แบบจำลอง probablistic ในการเพิ่มประสิทธิภาพนี้ชัดเจนมีข้อได้เปรียบสำคัญมากกว่าชนิดอื่น ๆ metaheuristics
เอกสารนี้อธิบายถึงข้อดีเหล่านี้ และสรุปหลายชนิดแตกต่างกันของ EDAs
,บางสุดประสิทธิภาพปรับปรุงเทคนิคที่มีประสิทธิภาพกับ EDAs จะกล่าวถึง และบางผลทฤษฎีสำคัญที่เกี่ยวข้องกับ EDAs จะถูกระบุไว้


คำสำคัญ: เพิ่มประสิทธิภาพสโทแคสติก การประมาณการของอัลกอริทึมการกระจาย probabilistic โมเดล โมเดลอาคาร ปัญหา decomposable คำนวณวิวัฒนาการ การแก้ปัญหา

ผลลัพธ์ (ไทย) 3:

ประเมินผลของการกระจายอัลกอริธึม( edas )ได้รับการปรับแต่ง,แบบใดก็ได้ทั้งหมดรองรับงานเทคนิคที่
ซึ่งจะช่วยสำรวจพื้นที่ของโซลูชันที่อาจเกิดขึ้นโดยการสร้างและการลิ้มลองอย่างชัดเจน probabilistic รุ่นโซลูชันของนักเตะดาวรุ่งอนาคตไกลผู้ลงสมัครรับเลือกตั้ง.

นี้อย่างชัดเจนการใช้ probablistic รุ่นในการปรับแต่งจัดให้บริการบางอย่างมีนัยสำคัญได้เปรียบมากกว่ารุ่นอื่นๆของ metaheuristics .
เอกสารนี้อธิบายถึงข้อดีเหล่านี้และสรุปจำนวนมากใน ประเภท ที่แตกต่างกันของ edas .
นอกจากนี้เทคนิคการเพิ่ม ประสิทธิภาพ ทรงพลังที่สุดที่ใช้กับ edas บางอย่างจะกล่าวถึงผลการทดสอบและที่สำคัญในเชิงทฤษฎีที่เกี่ยวข้องกับ edas บางส่วนมีอธิบายอยู่.


คีย์เวิร์ดประมาณการปรับแต่ง,แบบใดก็ได้ทั้งหมดรองรับงานในอัลกอริธึมการกระจายรุ่น probabilistic อาคารรุ่นปัญหา decomposableวิวัฒนาการทางการแก้ปัญหา