利用低阶统计量和聚类进行有效的 linkage 学习
神经与进化计算
2007-10-16 v2 人工智能
摘要
采用概率模型来描述迄今为止发现的最优个体是进化计算的一种强大方法。分布估计算法 (EDAs) 使用了日益复杂的模型，这往往能更有效地解决困难优化问题的全局最优解。贝叶斯网络的监督学习和无监督学习是非常有效的选择，因为这些模型能够捕捉问题变量之间的高阶相互作用。通过小生境技术保持多样性，对于识别问题结构以及保持多个全局最优解也至关重要。最近，聚类被评估为 EDAs 的一种有效小生境技术，但除了某些简单的多模态问题外，尚未显示出能显著提高更简单的低阶 EDAs 的性能。这项工作提出并评估了一种由信息论度量引导的组合算子，该算子使得聚类的低阶 EDA 能够有效解决一系列全面的基准优化问题。
引用
@article{arxiv.0710.2782,
title = {Effective linkage learning using low-order statistics and clustering},
author = {Leonardo Emmendorfer and Aurora Pozo},
journal= {arXiv preprint arXiv:0710.2782},
year = {2007}
}
评论
Submitted to IEEE Transactions on Evolutionary Computation