„Estimation of Distribution Algorithmus“ – Versionsunterschied
| [gesichtete Version] | [gesichtete Version] |
Quartl (Diskussion | Beiträge) K QS → LK |
Quartl (Diskussion | Beiträge) +SLA |
||
| 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>. |
||
Version vom 13. Februar 2014, 10:00 Uhr
| Dieser Artikel wurde auf der Qualitätssicherungsseite des Portals Mathematik zur Löschung vorgeschlagen. Dies geschieht, um die Qualität der Artikel aus dem Themengebiet Mathematik auf ein akzeptables Niveau zu bringen. Dabei werden Artikel gelöscht, die nicht signifikant verbessert werden können.
Bitte hilf mit und beteilige dich an der Diskussion! |
Estimation of Distribution Algorithmen (EDA) (engl., etwa: Schätzung der Verteilung) sind evolutionäre Algorithmen, also Verfahren, die mit den Prinzipien der Evolution Optimierungsprobleme lösen. Im Fall von EDA wird während der Berechnung iterativ ein probabilistisches Modell entwickelt, das aufgrund der gemachten Stichproben das gesuchte Optimum schätzt. Während im Modell zu Beginn alle zulässigen Lösungen für das gegebene Problem gleich verteilt sind, wird im Erfolgsfall am Ende nur das gesuchte Optimum vorgeschlagen. Der Algorithmus stellt eine Verallgemeinerung des 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. Mutationsstärke 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[1].
Einzelnachweise
- ↑ Pedro Larrañaga, José A. Lozano, Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation: Seite 58