1) estimation of distribution algorithm
分布估计算法
1.
Research on Parallel Estimation of Distribution Algorithms Based on Bayesian Networks;
基于贝叶斯网络的并行分布估计算法研究
2.
Artificial immune system(AIS) was introduced to the estimation of distribution algorithms(EDAs) and a hybrid UMDA based on the clonal selection principle was proposed in order to improve the performance of univariate marginal distribution algorithm(UMDA) to solve difficult optimal problems.
针对单变量边缘分布算法(UMDA)求解复杂优化问题的局限性,将人工免疫系统引入分布估计算法(EDAs)领域,提出了一种基于克隆选择原理的单变量边缘分布算法。
3.
The estimation of distribution algorithms(EDAs) based on mixtures of factor analyzers is proposed.
提出了一种基于混合因子分析的分布估计算法。
2) estimation of distribution algorithms
分布估计算法
1.
Research on Integer Programming Based on Estimation of Distribution Algorithms;
基于分布估计算法的整数规划研究
2.
Model of spare parts optimization based on estimation of distribution algorithms
基于分布估计算法的备件优化配置
3.
The paper describes an approach based on estimation of distribution algorithms.
针对嵌入式系统软硬件协同设计中的软硬件划分问题,提出了一种基于分布估计算法的解决方案,通过将算法映射到一般结构Gauss网络上,提高了算法的稳定性和搜索效率。
3) Multi-objective estimation of distribution algorithm
多目标分布估计算法
4) real-coded estimation of distribution algorithm (RECEDA)
实值分布估计算法
1.
The real-coded estimation of distribution algorithm (RECEDA) can perform better on typical benchmark problems with different population sizes by enlarging the search space and maintaining diversity of the population.
针对实值分布估计算法(RECEDA)求解单模和多模优化问题存在的搜索空间有限和种群多样性保持能力较差等问题,提出了一种自适应实值分布估计算法(ARECEDA),该算法根据种群多样性性能指标自适应改变新种群采样过程中的方差值,使改进算法有效地提高种群多样性。
5) EDAs with mutation
带变异分布估计算法
6) Estimation of distribution algorithm
分布估算算法
1.
Estimation of distribution algorithm is a new heuristic algorithm.
分布估算算法(EDA)是近几年出现的一种启发式进化算法,在组合优化问题中得到了广泛、有效的应用。
2.
Estimation of distribution algorithms(EDAs) is a new meta-heuristic algorithm.
分布估算算法(Estimation of distribution algorithms,简称EDA算法)是近几年产生的一种新的启发式进化算法,它的特点是:以概率论为理论基础,以群体为操作对象,用概率模型来描述搜索空间上的可行解的分布,以这个分布采样为基础搜索空间,产生下一代种群。
补充资料：递推估计算法
利用时刻t上的参数估计孌(t)、存储向量嗘(t)与时刻 t+1上测量的输入和输出值u(t+1)和y(t+1)计算新参数值孌(t+1),再根据孌(t+1)计算出新参数值孌(t+2)，直到获得满意的参数值为止。这种算法的每一步计算量都比较小，能够使用小型计算机进行离线或在线参数估计，可以估计时变参数，也可以实时估计适应控制器的参数（见适应控制系统）。20世纪60年代，递推估计算法得到迅速发展，到了70年代产生了许多不同的方法，例如，有离线方法的各种变形、卡尔曼滤波法、随机逼近方法和模型参考适应参数递推估计法等。递推估计算法的各种方法可以用一个统一的公式来描述：
给孌(t),F(t),嫓(t)和w(t)不同的值就得到各种不同的方法：①递推最小二乘法；②递推增广最小二乘法；③递推近似极大似然法；④递推辅助变量法；⑤递推广义最小二乘法；⑥卡尔曼滤波参数估计；⑦随机逼近法；⑧模型参考适应法；⑨时变参数递推估计法。
参考书目
Lennart Ljung，Torsten Soderstrom， Theory and Practice of Recursive Identification，MIT Press., Combridge, Mass., 1983.
给孌(t),F(t),嫓(t)和w(t)不同的值就得到各种不同的方法：①递推最小二乘法；②递推增广最小二乘法；③递推近似极大似然法；④递推辅助变量法；⑤递推广义最小二乘法；⑥卡尔曼滤波参数估计；⑦随机逼近法；⑧模型参考适应法；⑨时变参数递推估计法。
参考书目
Lennart Ljung，Torsten Soderstrom， Theory and Practice of Recursive Identification，MIT Press., Combridge, Mass., 1983.
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条