Resumen

Se propone un nuevo algoritmo, llamado algoritmo de estimación asistida por máquina de Boltzmann restringida, para resolver problemas de optimización computacionalmente costosos con variables discretas. Primero, los individuos son evaluados utilizando funciones de aptitud costosas de los problemas complejos, y algunas soluciones dominantes son seleccionadas para construir el modelo sustituto. La máquina de Boltzmann restringida (RBM) se construye y entrena con las soluciones dominantes para extraer implícitamente la información representativa distribuida de las variables de decisión en el subconjunto prometedor. La probabilidad de las capas visibles de la RBM se diseña como el modelo de probabilidad de muestreo del algoritmo de estimación de distribución (EDA) y se actualiza dinámicamente junto con la actualización de los subconjuntos dominantes. Segundo, de acuerdo con la función de energía de la RBM, se desarrolla un sustituto de aptitud para aproximar las costosas evaluaciones de aptitud individuales y participa en el proceso evolutivo para reducir el costo computacional

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Algoritmo; Máquina de Boltzmann restringida; Algoritmo de estimación de distribución; Problemas de optimización; Modelo sustituto; Proceso evolutivo
• Keywords:Algorithm; Restricted boltzmann machine; Estimation of distribution algorithm; Optimization problems; Surrogate model; Evolutionary process