基于分布式估计算法的群体智能优化.pdf

从提供的文件信息中可以提炼出以下知识点： 分布式估计算法（EDA）是进化算法的一个重要分支，它通过统计模型描述种群的概率分布，并在此基础上生成下一代种群。EDA的概念最早在1996年被提出，并且在进化计算领域内迅速成为研究热点。 传统的遗传算法在进化过程中，主要通过交叉和变异操作生成子代种群，这种操作保留了父代的大量局部信息，但有时会忽略更优的潜在搜索区域。与之相比，分布估计算法（EDA）利用整个种群的全局分布信息来更新概率模型，并由此产生下一代的最优解。EDA并不直接控制子代与父代的相似度，因此，一个理想的EDA算法应当能够同时兼顾全局信息和局部信息。 分布式估计算法根据变量之间的相关性可分为变量无关、双变量相关和多变量相关三种类型。同时，按照变量的类型又可以分为离散变量的分布式估计算法和连续域上的分布式估计算法。其中一些著名的分布估计算法包括： - PBIL算法：1994年提出，用于解决二进制编码优化问题。 - UMDA算法：用于解决离散无关变量的问题。 - MIMIC算法：用于处理双变量相关性问题。 - FDA算法：利用概率图模型来解决多变量相关性问题。 - 解决连续域问题的分布式估计算法：用于连续域的优化问题。 文件中提到的正态分布分布式估计算法是基于正态分布原理的一种EDA算法，其目标是求解连续函数的最优化问题。研究者对这种基于正态分布的分布式估计算法进行了改进，增加了优势替换、竞争和模式搜索等策略，以提高算法性能。在所提出的改进算法中，通过数值仿真对算法的有效性进行了验证，并通过统计分析讨论了改进效果。 在群体智能优化领域，利用分布式估计算法是一种求解复杂优化问题的有效手段，特别是对于那些具有大量局部极值点的连续函数最优化问题。分布式估计算法的优势在于能够搜索比传统遗传算法更广阔的解空间，提升算法跳出局部最优解的能力，从而找到全局最优解。 文章编号、作者信息、中图分类号、文献标识码、doi等信息表明了文档的学术性质及其发表于《计算机与现代化》期刊的2017年第1期，这是一篇有关群体智能优化的学术论文。论文的关键词包括分布估计算法（EDA）、群体智能、正态分布和模式搜索，这些关键词为读者提供了文章研究主题的快速概览。 文件内容揭示了分布式估计算法的原理、分类、代表性算法、改进策略以及在连续函数最优化问题中的应用。文件指出，EDA不仅可以处理离散变量问题，还可以应对连续域的优化问题，具备了较强的通用性和适应性，对于推动群体智能优化领域的发展具有重要意义。