1. 分布估计算法
分布估计算法把遗传算法与统计学联合在一起,经过统计研习的门径创建解空间内个体分布的几率模型,而后对几率模型即刻采样产生新的群体,像这样反复,实现群体的进化[3].
1.1 分布估计算法的基本思想
分布估计算法(Estimstion of Distribution Algorithms,EDA)又称为基于几率模型的遗传算法(Probabilistic Model Building Genetic Algorithms,PMBGA),是20世纪90年代提出的一种新的启发式算法.
20世纪60年代末,遗传算法获得了很大的成功,但是对它的理论探究还比较薄弱,这阻止了遗传算法更深层次的推广. 为了从理论上探究遗传算法的机理和敛散性,学者们提出了出名的形式定理和“积木块假设”. 为了办理遗传算法中“积木块”被破损的题目,学者们提出很多改良计划. 这些计划能够分为两大类别:一类是通过学习解的构造,发现“积木块”并避免“积木块”的破损. 另外一类是以一种带有“全局操控”性的操纵模式更换掉具有破损功用的遗传算子,这就是分布估计算法.遗传算法和分布估计算法的流程比较