Selekce odříznutím a gaussovský EDA: Hranice pro trvalý vývoj v mnoharozměrných prostorech

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F08%3A03141777" target="_blank" >RIV/68407700:21230/08:03141777 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Truncation Selection and Gaussian EDA: Bounds for Sustainable Progress in High Dimensional Spaces

Popis výsledku v původním jazyce

In real valued estimation of distribution algorithms, the Gaussian distribution is often used along with maximum likelihood (ML) estimation of its parameters. Such a process is highly prone to premature convergence. The simplest method for preventing premature convergence of Gaussian distribution is enlarging the maximum likelihood estimate of the standard deviation by a constant factor k each generation. Such a factor should be large enough to prevent convergence on slopes of the fitness function, butshould not be too large to allow the algorithm converge in the neighborhood of the optimum. Previous work showed that for truncation selection such admissible k exists in 1D case. In this article it is shown experimentaly, that for the Gaussian EDA withtruncation selection in high dimensional spaces no admissible k exists!

Název v anglickém jazyce

Truncation Selection and Gaussian EDA: Bounds for Sustainable Progress in High Dimensional Spaces

Popis výsledku anglicky

In real valued estimation of distribution algorithms, the Gaussian distribution is often used along with maximum likelihood (ML) estimation of its parameters. Such a process is highly prone to premature convergence. The simplest method for preventing premature convergence of Gaussian distribution is enlarging the maximum likelihood estimate of the standard deviation by a constant factor k each generation. Such a factor should be large enough to prevent convergence on slopes of the fitness function, butshould not be too large to allow the algorithm converge in the neighborhood of the optimum. Previous work showed that for truncation selection such admissible k exists in 1D case. In this article it is shown experimentaly, that for the Gaussian EDA withtruncation selection in high dimensional spaces no admissible k exists!

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/GP102%2F08%2FP094" target="_blank" >GP102/08/P094: Metody strojového učení pro konstrukci řešení v evolučních algoritmech</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2008

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Applications of Evolutionary Computing 2008

ISBN

978-3-540-78760-0

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

—

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Napoli

Datum konání akce

26. 3. 2008

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—