一种从遗传算法动态学习的 Gibbs 分布
摘要：遗传算法的平均情况性能评估的一般程序的提出及其有效性的数值检验。我们引入了一种从训练集中学习Gibbs分布的算法，该训练集是由遗传算法生成的基因配置。目的是从热力学的角度来了解遗传算法的统计特性。学习算法是通过将参数化Gibbs分布和基因配置的经验分布之间的库尔巴克-莱布勒信息最小化来构建的。该公式应用于具有多谷能量景观的可解概率模型，即自旋玻璃链和Sherrington-Kirkpatrick模型。通过计算机模拟，我们讨论了遗传算法动力学产生的有效温度调度和剩余能量的渐近行为。
作者：Manabu Kitagata, Jun-ichi Inoue
论文ID：1004.3725
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2010-04-22