分布估计算法 (EDA)
- class pypop7.optimizers.eda.eda.EDA(problem, options)[source]
分布估计算法（EDA）。
这是所有EDA类的抽象类。请使用其实例化的任何子类来优化当前的黑箱问题。
注意
“EDA 是现代进化算法的一个分支，在原理上具有一些独特的优势”，正如[Kabán 等人, 2016, ECJ]中所认可的那样。
- Parameters:
问题 (字典) –
- 问题参数包含以下常见设置 (键):
’fitness_function’ - 需要最小化的目标函数 (函数),
’ndim_problem’ - 维度数 (整数),
’upper_boundary’ - 搜索范围的上限 (类数组),
’lower_boundary’ - 搜索范围的下限 (类数组).
options (dict) –
- 具有以下常见设置的优化器选项 (keys):
’max_function_evaluations’ - 函数评估的最大次数 (int, 默认: np.inf),
’max_runtime’ - 允许的最大运行时间 (float, 默认: np.inf),
’seed_rng’ - 随机数生成的种子，需要 显式设置 (int);
- 以及以下特定设置 (keys):
’n_individuals’ - 后代数量，即后代种群大小 (int, 默认: 200),
’n_parents’ - 父母数量，即父母种群大小 (int, 默认: int(self.n_individuals/2)).
- n_individuals
后代数量，也称为后代种群大小。
- Type:
int
- n_parents
父母数量，也称为父母种群大小。
- Type:
int
参考文献
https://www.dagstuhl.de/en/program/calendar/semhp/?semnr=22182
Brookes, D., Busia, A., Fannjiang, C., Murphy, K. 和 Listgarten, J., 2020年7月。 通过期望最大化视角看分布估计算法。 在遗传与进化计算会议伴侣的会议记录中（第189-190页）。ACM。
Kabán, A., Bootkrajang, J. 和 Durrant, R.J., 2016. Toward large-scale continuous EDA: A random matrix theory perspective. 进化计算, 24(2), 第255-291页.
Larrañaga, P. 和 Lozano, J.A. 编，2002年。 分布估计算法：进化计算的新工具。 Springer Science & Business Media. (Pedro Larrañaga + Jose Lozano: IEEE 会士，因对EDAs的贡献)
Mühlenbein, H. 和 Mahnig, T., 2001. 进化算法：从重组到搜索分布。 在《进化计算的理论方面》（第135-173页）。Springer, 柏林, 海德堡。
Berny, A., 2000年9月。 组合优化的选择和强化学习。 在国际并行问题解决自然会议中（第601-610页）。 Springer, 柏林, 海德堡。
Bosman, P.A. 和 Thierens, D., 2000年9月。 从离散扩展到连续估计分布算法：IDEA。 在国际自然问题并行解决会议上（第767-776页）。 Springer, 柏林, 海德堡。
Mühlenbein, H., 1997. 选择响应的方程及其用于预测的用途。 进化计算, 5(3), pp.303-346.
Baluja, S. 和 Caruana, R., 1995. Removing the genetics from the standard genetic algorithm. 在国际机器学习会议上 (pp. 38-46). Morgan Kaufmann.