Estimation of Distribution Algorithmus - Versionsgeschichte

Mathling: /* growthexperiments-addlink-summary-summary:2|0|0 */

2025-03-22T08:13:14Z

Linkvorschlag-Funktion: 2 Links hinzugefügt.

← Nächstältere Version		Version vom 22. März 2025, 10:13 Uhr
Zeile 1:		Zeile 1:
	'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon 1975, dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellen, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.		'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die [[Motivation]] zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein [[Optimierungsproblem]] darstellt. [[John H. Holland]] vermutete schon 1975, dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellen, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.

	== Einzelnachweise ==		== Einzelnachweise ==

Oottaz am 4. November 2019 um 23:08 Uhr

2019-11-04T23:08:10Z

← Nächstältere Version		Version vom 5. November 2019, 01:08 Uhr
Zeile 1:		Zeile 1:
	'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt ~~darstellt~~, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.		'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon 1975, dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellen, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.

	== Einzelnachweise ==		== Einzelnachweise ==

2003:C6:33D4:A541:2451:80FA:5B4F:F1FC: keine Begründung warum QS.

2017-08-28T08:15:34Z

keine Begründung warum QS.

← Nächstältere Version		Version vom 28. August 2017, 10:15 Uhr
Zeile 1:		Zeile 1:
	{{QS-Informatik}}
	'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.		'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.

Quartl: -LA, -QSM

2014-02-14T04:52:12Z

-LA, -QSM

← Nächstältere Version		Version vom 14. Februar 2014, 06:52 Uhr
Zeile 1:		Zeile 1:
	<noinclude>
	{{QS-Informatik}}		{{QS-Informatik}}
	{{Löschantragstext\|tag=13\|monat=Februar\|jahr=2014\|titel=Estimation of Distribution Algorithmus}}
	Unverständlicher Artikel. --[[Benutzer:Quartl\|Quartl]] ([[Benutzer Diskussion:Quartl\|Diskussion]]) 14:06, 13. Feb. 2014 (CET)
	----</noinclude>
	{{LK-Mathematik}}
	'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.		'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.

Plaenk am 13. Februar 2014 um 21:25 Uhr

2014-02-13T21:25:22Z

← Nächstältere Version		Version vom 13. Februar 2014, 23:25 Uhr
Zeile 1:		Zeile 1:
	<noinclude>		<noinclude>
			{{QS-Informatik}}
	{{Löschantragstext\|tag=13\|monat=Februar\|jahr=2014\|titel=Estimation of Distribution Algorithmus}}		{{Löschantragstext\|tag=13\|monat=Februar\|jahr=2014\|titel=Estimation of Distribution Algorithmus}}
	Unverständlicher Artikel. --[[Benutzer:Quartl\|Quartl]] ([[Benutzer Diskussion:Quartl\|Diskussion]]) 14:06, 13. Feb. 2014 (CET)		Unverständlicher Artikel. --[[Benutzer:Quartl\|Quartl]] ([[Benutzer Diskussion:Quartl\|Diskussion]]) 14:06, 13. Feb. 2014 (CET)

Quartl: LA nach Einspruch

2014-02-13T13:06:55Z

LA nach Einspruch

← Nächstältere Version		Version vom 13. Februar 2014, 15:06 Uhr
Zeile 1:		Zeile 1:
			<noinclude>
			{{Löschantragstext\|tag=13\|monat=Februar\|jahr=2014\|titel=Estimation of Distribution Algorithmus}}
			Unverständlicher Artikel. --[[Benutzer:Quartl\|Quartl]] ([[Benutzer Diskussion:Quartl\|Diskussion]]) 14:06, 13. Feb. 2014 (CET)
			----</noinclude>
	{{LK-Mathematik}}		{{LK-Mathematik}}
	'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.		'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.

Gereon K.: In den Löschdiskussionen nicht vorhanden, Schnelllöschung also nicht korrekt begründet

2014-02-13T09:30:06Z

In den Löschdiskussionen nicht vorhanden, Schnelllöschung also nicht korrekt begründet

← Nächstältere Version		Version vom 13. Februar 2014, 11:30 Uhr
Zeile 1:		Zeile 1:
	{{Löschen\|Gemäß Löschdiskussion. --[[Benutzer:Quartl\|Quartl]] ([[Benutzer Diskussion:Quartl\|Diskussion]]) 09:00, 13. Feb. 2014 (CET)}}
	:Welche Löschdiskussion denn? [[Spezial:Beiträge/93.122.64.66\|93.122.64.66]] 10:08, 13. Feb. 2014 (CET)

	{{LK-Mathematik}}		{{LK-Mathematik}}
	'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.		'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.

93.122.64.66 am 13. Februar 2014 um 09:08 Uhr

2014-02-13T09:08:49Z

← Nächstältere Version		Version vom 13. Februar 2014, 11:08 Uhr
Zeile 1:		Zeile 1:
	{{Löschen\|Gemäß Löschdiskussion. --[[Benutzer:Quartl\|Quartl]] ([[Benutzer Diskussion:Quartl\|Diskussion]]) 09:00, 13. Feb. 2014 (CET)}}		{{Löschen\|Gemäß Löschdiskussion. --[[Benutzer:Quartl\|Quartl]] ([[Benutzer Diskussion:Quartl\|Diskussion]]) 09:00, 13. Feb. 2014 (CET)}}
			:Welche Löschdiskussion denn? [[Spezial:Beiträge/93.122.64.66\|93.122.64.66]] 10:08, 13. Feb. 2014 (CET)

	{{LK-Mathematik}}		{{LK-Mathematik}}
	'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.		'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.

Quartl: +SLA

2014-02-13T08:00:57Z

+SLA

← Nächstältere Version		Version vom 13. Februar 2014, 10:00 Uhr
Zeile 1:		Zeile 1:
			{{Löschen\|Gemäß Löschdiskussion. --[[Benutzer:Quartl\|Quartl]] ([[Benutzer Diskussion:Quartl\|Diskussion]]) 09:00, 13. Feb. 2014 (CET)}}
	{{LK-Mathematik}}		{{LK-Mathematik}}
	'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.		'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.

Quartl: QS → LK

2014-01-27T05:18:31Z

QS → LK

← Nächstältere Version		Version vom 27. Januar 2014, 07:18 Uhr
Zeile 1:		Zeile 1:
	{{QS-Mathematik}}		{{LK-Mathematik}}
	'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.		'''Estimation of Distribution Algorithmen''' (EDA) ([[Englische Sprache\|engl.]], etwa: ''Schätzung der Verteilung'') sind [[evolutionäre Algorithmen]], also Verfahren, die mit den Prinzipien der Evolution [[Optimierung]]sprobleme lösen. Im Fall von EDA wird während der Berechnung [[Iteration\|iterativ]] ein [[probabilistisch]]es [[Mathematisches Modell\|Modell]] entwickelt, das aufgrund der gemachten [[Stichprobe]]n das gesuchte [[Optimum]] schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem [[Gleichverteilung\|gleich verteilt]] sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des [[genetischer Algorithmus\|genetischen Algorithmus]] dar, der die Verteilung nur implizit schätzt. Die Motivation zur Entwicklung von EDA war die Tatsache, dass die Auswahl geeigneter Parameter für klassische evolutionäre Algorithmen (wie z. B. [[Mutation]]sstärke oder Populationsgröße) selbst ein Optimierungsproblem darstellt. [[John H. Holland]] vermutete schon [[1975]], dass die Abhängigkeiten der zu optimierenden Variablen einen Ansatzpunkt darstellt, den evolutionäre Algorithmen ausnutzen könnten<ref>Pedro Larrañaga, José A. Lozano, ''Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation'': Seite 58</ref>.