(1+1) EA在线性函数上的优化时间的严格界限
摘要：在函数类的随机搜索启发式算法分析对于理解底层随机过程和开发适当的证明技巧是基础性的。最近，在线性函数类上，关于简单的$(1+1)$ EA期望优化时间的上界取得了显著的进展。我们改进了在该设置中已知的最佳上界，从$(1.39+o(1))enln n$到$enln n+O(n)$，在期望和高概率下成立，并且在更低阶项上是紧致的。此外，我们推导了任意变异概率$p$的上界和下界，这意味着只要$p=O((ln n)/n)$，则期望的多项式优化时间成立并且在$p=c/n$为常数$c$时是紧致的。因此，对于所有线性函数，标准变异概率$p=1/n$是最优的，并且$(1+1)$ EA被发现是一个最优的基于变异的算法。证明基于自适应漂移函数和最近的乘法漂移定理。
作者：Carsten Witt (DTU Informatics, Technical University of Denmark)
论文ID：1108.4386
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2011-12-16