Resumen

El algoritmo de estimación de la distribución (EDA) pretende modelar explícitamente la distribución de probabilidad de las soluciones de calidad al problema subyacente. Mediante el filtrado iterativo de soluciones de calidad entre las competidoras, el modelo de probabilidad acaba aproximándose a la distribución de soluciones óptimas globales. A diferencia de los algoritmos evolutivos (AE) clásicos, el marco de los AED es flexible y capaz de gestionar la dependencia entre variables, que suele plantear dificultades a los AE clásicos. El éxito de EDA depende de la construcción eficaz y eficiente del modelo probabilístico. Este artículo facilita la EDA desde el dominio de la programación de memoria adaptativa (AMP), que ha desarrollado varias formas mejoradas de EAs utilizando el marco Cyber-EA. Los resultados experimentales sobre instancias TSP de referencia respaldan nuestra previsión de que las estrategias AMP pueden mejorar el rendimiento de la EDA clásica al derivar una mejor aproximación a la distribución real de las soluciones objetivo.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:eda, modelo probabilístico, programación con memoria adaptativa, instancias tsp de referencia, algoritmos evolutivos clásicos, soluciones óptimas globales, dependencia entre variables, eas, estrategias amp, marco ea
• Keywords:eda, probability model, adaptive memory programming, benchmark tsp instances, classic evolutionary algorithms, global optimum solutions, inter variable dependence, eas, amp strategies, ea framework