机构名称：
¥ 2.0
我们假设一种搜索场景，我们想要最小化目标函数 f : IR n → IR , x → f ( x )。1 关于 f 唯一可获取的信息是已评估搜索点的函数值。我们的性能衡量标准是达到某个函数值所需的函数评估次数。许多连续域进化算法使用正态分布来采样新的搜索点。在本章中，我们重点介绍具有多元正态搜索分布的算法，其中分布的协方差矩阵不限于先验，例如不是对角矩阵。属于此类的分布估计算法（EDA）包括多元正态估计算法（EMNA）、高斯网络估计算法（EGNA）[15，16]和迭代密度估计进化算法（ID EA）[4]。属于此类的进化策略 (ES) 包括具有相关突变自适应功能的 (µ/µ I, λ ) -ES2[19] 和具有协方差矩阵自适应 (CMA) 的 ES[10]。最初，CMA 被解释为去随机化的自适应 [12]：与最初的自适应相比，在 CMA 中，分布参数的变化遵循其自身的随机性，而分布参数的变化则确定性地与对象参数的变化相关。在本章中，我们将从不同的角度回顾 CMA，揭示其与 EMNA 等 EDA 的密切关系。
CMA 演进策略：比较回顾
主要关键词
相关文件推荐
