Improving Estimation of Distribution Algorithm on Multimodal Problems by Detecting Promising Areas
Improving Estimation of Distribution Algorithm on Multimodal Problems by Detecting Promising Areas
复制标题
通过检测有希望的区域改进多模态问题的分布算法估计
DOI：
10.1109/tcyb.2014.2352411
复制
发表时间：
2015-08
影响因子：
11.8
通讯作者：
X. Lu
中科院分区：
文献类型：
--
作者：
P. Yang;K. Tang;X. Lu
本文提出了一种新的多子模型维护技术——维护与处理子模型（MAPS）。MAPS旨在提高分布算法在多模态问题上的估计能力。map相对于现有的基于多子模型的EDAs的优势在于，它明确地检测了有希望的区域，从而节省了许多函数评估用于探索，从而加快了优化速度。MAPS可以与任何采用单一高斯模型的EDA结合使用。通过实证研究评估了MAPS的绩效，其中MAPS与三种不同类型的eda相结合。实验结果表明，在12个基准问题上，与比较算法相比，MAPS算法的收敛速度更快，得到的解也更稳定。
In this paper, a novel multiple sub-models maintenance technique, named maintaining and processing sub-models (MAPS), is proposed. MAPS aims to enhance the ability of estimation of distribution algorithms (EDAs) on multimodal problems. The advantages of MAPS over the existing multiple sub-models based EDAs stem from the explicit detection of the promising areas, which can save many function evaluations for exploration and thus accelerate the optimization speed. MAPS can be combined with any EDA that adopts a single Gaussian model. The performance of MAPS has been assessed through empirical studies where MAPS is integrated with three different types of EDAs. The experimental results show that MAPS can lead to much faster convergence speed and obtain more stable solutions than the compared algorithms on 12 benchmark problems.
登录
查看更多内容
DOI：
10.1145/1830761.1830832
发表时间：
2010-07
期刊：
--
影响因子：
--
作者：
D. Thierens
通讯作者：
D. Thierens
DOI：
10.1007/3-540-32494-1_7
发表时间：
2006
期刊：
--
影响因子：
--
作者：
Julio Madera;E. Alba;A. Ochoa
通讯作者：
Julio Madera;E. Alba;A. Ochoa
影响因子：
14.3
作者：
Harik, GR;Lobo, FG;Goldberg, DE
通讯作者：
Goldberg, DE
DOI：
10.1201/b10345-5
发表时间：
2010-11
期刊：
Encyclopedia of Autism Spectrum Disorders
影响因子：
--
作者：
Kim-Anh Lê Cao;Z. Welham
通讯作者：
Kim-Anh Lê Cao;Z. Welham
影响因子：
14.3
作者：
Jie Yao;N. Kharma;P. Grogono
通讯作者：
Jie Yao;N. Kharma;P. Grogono