利用cGA优化崎岖地形的理论研究
摘要：估计分布算法（EDAs）为优化提供了一种基于分布的方法，在算法运行过程中适应其概率分布。我们对EDA的理论理解做出了贡献，并指出它们的分布方法使其更适合处理崎岖的适应度空间，而不是经典的局部搜索算法。具体而言，我们通过将噪声添加到每个适应度值来使OneMax函数变得崎岖。尽管噪声方差较大，cGA仍然可以找到n（1 - epsilon）个1的解。相反，RLS和（1 + 1）EA在小方差的噪声下，只有高概率找到n（1/2 + o（1））个1的解。
作者：Tobias Friedrich, Timo K"otzing, Frank Neumann, Aishwarya Radhakrishnan
论文ID：2211.13801
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-11-28