多值决策变量的分布估计算法
摘要：基于评估分布算法（EDAs）的研究似乎都集中在伪布尔优化和排列问题上，我们首次尝试将EDAs应用于决策变量可以取多于两个值但不是排列问题的问题。为此，我们提出了一种自然的方法，将已知的单变量EDAs扩展到这种变量上。与简单地将其约化为二进制情况不同，这种方法避免了额外的约束。 鉴于理解遗传漂变对于选择最佳参数至关重要，我们将已知的遗传漂变定量分析扩展到了适用于多值变量的EDAs上。简单来说，当变量可以取$r$个不同的值时，遗传漂变成为显著的时间较二进制情况要短$r$倍。因此，现在必须将概率模型的更新强度选择降低$r$倍。 为了研究在这个框架中所需的模型更新是如何进行的，我们对$r$值的LeadingOnes问题进行了数学运行时间分析。我们证明了在正确的参数下，多值UMDA可以在$O(rlog(r)^2 n^2 log(n))$个函数评估中高效地解决这个问题。 总的来说，我们的工作表明EDAs可以调整到多值问题，并给出如何设置主要参数的建议。
作者：Firas Ben Jedidia, Benjamin Doerr, Martin S. Krejca
论文ID：2302.14420
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-03-01