分布估计算法

综述

主要步骤（虽然有很多具体的实现方法， 但是分布估计算法可以归纳为以下两步）
1：构建描述解空间的概率模型．通过对种 群的评估，选择优秀的个体集合，然后采用 统计学习等手段构造一个描述当前解集的概 率模型． 2：由概率模型随机采样产生新的种群。

综述

分布估计算法的与遗传算法的不同

生物进化的数学模型

示例2

采样方法(产生一个个体)

产生Tx=[x1,x2.....xn],其中xi~N（0,1） 令Tx1等于Tx和C的内积 Tx2=Tx1+A 向量Tx2即为采到的个体的坐标。

遗传算法是对于个体进行遗传操作（交叉、变异 等），"微观"层面模拟生物的进化。 分布估计算法是对于整个群体的分布建立一个概 率模型，通过这个概率模型来描述进化的方向， 是“宏观”层面的模拟。
综述

示例

在这里，举一个最简单的离散的优化的 问题作为示例。

Z=X1+X2，其中X1的取值域为1,2,3,4,5， x2 的取值域为6,7,8,9,10
综述

基本思想--遗传算法和统计学习相结合 基本方法--通过统计学习的手段建立解空 间内个体分布的概率模型，然后对概率 模型随即采样产生新的群体，如此反复， 实现群体的进化
综述

基本概念

1个体与种群


● 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）的一种称呼，一个个 体也就是搜索空间中的一个点。 ● 种群(population)就是模拟生物种群而由若 干个体组成的群体, 它一般是整个搜索空间 的一个很小的子集。

j)
示例

更新概率模型

P1=θ*P1''+(1-θ)P1 P2=θ*P2''+(1-θ)P2 其中θ是遗忘因子，取0.5
1
0.169931
X1 P1 X2 P2
2
0.290091
3
0.180625
4
0.158729
5
0.200624
6
0.23857
7
0.239775
8
0.162868

同理得到

示例

更新概率模型

对分布函数进行平滑处理（防止有一些点的概率为零，自变量的值 相差较近则概率应该相差不大）
以X1为例 5 P1''（X1=i）= exp( | i j |) P1' ( x 并归一化 j 1 同理求P2’ 得到 P1''(X=1)=0.139861 P1''(X=2)=0.380183 P1''(X=3)=0.16124 P1''(X=4)=0.117459 P1''(X=5)=0.201247 P2''(X=6)=0.27714 P2''(X=7)=0.27955 P2''(X=8)=0.125736 P2''(X=9)=0.108491 P2''(X=10)=0.209084
示例2

概率模型的更新
根据得到的N个优秀个体，求这N个点适应 度最好的点，得到A=[xu1,xu2......xun] 假设在此之前得到的最好的点为 A'=[xb1,xb2....xb5] 令C=[d1,d2.....dn]=A-A'

xui为第i维的正态分布的均值。 di为第i维的正太分布的方差。
示例Biblioteka 更新概率模型（根据2,7；2,9和5,6三个点）

更新X1的分布总共有3个个体，三个个体对 应的X1为2,2,5

P1'（x1=1）=0;P1'（x1=2）=2/3;P1'（x1=5） =1/3;P1'（x1=3）=0;P1'（x1=4）=0
P2'（x2=6）=1/3;P2'（x1=7）=1/3;P2'（x1=9） =1/3;P2'（x1=8）=0;P2'（x1=10）=0
EDA的关键问题

学习方法

如何根据每一代取得的优秀个体来更新概率 模型,随着待解决问题的复杂化和概率图模型 的复杂化，分布估计算法中概率模型的学习 占用了大部分的时间和空间开销，这必然将 成为分布估计算法发展的瓶颈． 如何根据一个概率模型来采样得到符合该概 率模型的样本，如Gibbs抽样。

采样方法
9
0.154245
10
0.204542
示例
学习之前
学习之后
示例

说明

可以看出，经过学习之后，优秀个体对应的 坐标的概率会变高，平滑处理可以保证:若一 个个体位置若和优秀个体距离较近，那么该 位置会受惠于该优秀个体，概率也会比较高 （基于这样一个假设--若个体相差不大，则 其适应度应该也相差不大）。
示例

重复以上步骤 从示例中可以看出，所谓的分布估计算 法就是一个不断地更新概率模型，使概 率模型越来越能反映优秀个体的分布的 过程。
基于不同概率模型的EDA

变量无关的EDA

如示例所示，X1和X2的概率是无关的，也可以 认为为在概率模型中X1和X2两个变量相互独立。 在这种情况下，联合概率密度是边缘概率密度的 积，采样的时候可以对于每个变量分别进行采样， 概率模型可以认为是：

EDA的并行化


1：将整个取值区域分成若干子区域，每 个子区域并行。 2：个体产生的采样--由于每个个体都是 根据概率模型随机产生的，因此每个个 体可以看做独立的，所以个体可以并行 产生。
EDA的优缺点


优点：为人们解决复杂的优化问题提供 了工具。分布估计算法能更加有效的解 决高维问题，降低时间复杂性。 缺点：同遗传算法一样，理论研究比较 困难，很难从理论上解决它适合解决什 么问题，概率模型的学习会占用很多时 间和空间。
基于不同概率模型的EDA

多变量相关EDA
变量之间的关系更加复杂，需要更加复杂的 概率模型来描述。 代表算法EIGA，BOA


连续域的EDA
在示例中，我们解决了一个离散的问题，如 果X1和X2的取值域是连续的，我们就需要 一个连续的概率模型来描述解空间的分布。 如正态分布、柯西分布 代表算法 CMAES

连续采样，直到采到N个个体的适应度比当 前已经取得的最佳适应度要好。如果连续采 样次数大于某个阈值，仍没有得到比目前最 好的点，则检验是否是极值点。检验的方法 为令每一维的方差为一个极小值（设为1e5），采样多次，若无改进，则认为是极值 点，记录该极值点，若不是极值点，则考虑 适当将方差变小，继续采样。
基于不同概率模型的EDA

双变量相关的EDA

在实际问题中，变量之间并不总是相互独立的，最先考虑的 是最多两个变量相关的情况。 这种情况下，其概率模型为 代表算法 MIMC




采样方法如下 1)J=n，根据第ij个变量的概率分布P(xij)， 随机采样产生第ij个变量 2)根据第ij个变量的条件概率分布 p(xij-1|xij)随机采样产生第ij-1个变量； 3)J=J-1，如果J=1，则一个完整的解向 量构造完成；否则转2)．
示例

建立模型

建立一个概率模型。在这里我们只需要建立 一个离散的概率模型（设X1，X2相互独 立），初始化如下（只列出边缘概率）。
1 0.2 6 0.2 2 0.2 7 0.2 3 0.2 8 0.2 4 0.2 9 0.2 5 0.2 10 0.2
X1 P1 X2 P2
示例

采样与择优
根据概率模型，采样若干个点（6个）。假 设采到的点为2,7；3,9；3,10；4,8；2,9；5,6 评估这六个点，带入函数（适应度函数）， 分别得到9,12,13，12,11,11。因此我们选择 2,7；2,9和5,6来更新概率模型。
示例2

求下列函数的所有极值点

y=
sin(x )
i i 1
n
---------试着使用变量无关的EDA解决这个问题
示例2

概率模型确定

对于每一维度对应于一正态分布，那么
N (u1, d 1) N ( u 2, d 2 )
x1 x2 . xn
~
. N (u 3, d 3)
示例2
取得优秀个体
分布估计算法
综述

最近几年，在进化计算领域兴起的一类 新型的优化算法，即分布估计算法 （Estimation of Distribution Algorithm） 简称EDA，提出了一种全新的进化模式， 并迅速成为进化计算领域的研究热点和 解决工程问题的有效方法．分布估计算 法的概念最初在1996年提出，在2000年 前后迅速发展，成为当前进化计算领域 前沿的研究内容。
综述

基本概念
概率模型 --用于描述取值域中优秀个体分布情况的一 系列函数或其他数学工具（包括概率密度函 数、条件概率、边缘概率等等）

综述

基本概念

适应度与适应度函数





● 适应度(fitness)就是借鉴生物个体对环境的 适应程度,而对问题中的个体对象所设计的 表征其优劣的一种测度。 ● 适应度函数(fitness function)就是问题中的 全体个体与其适应度之间的一个对应关系。 它一般是一个实值函数。该函数就是遗传算 法中指导搜索的评价函数。