Probabilistic model-building algorithms as tool to find optimum of a function

• Autorzy: Reichel A. , Nowak I.

Warianty tytułu

PL

Algorytmy z modelem probabilistycznym jako narzędzie optymalizacji funkcji

• Języki publikacji: EN

Abstrakty

EN

The aim of this paper is to present the probabilistic modelbuilding heuristics which is a modification of an evolutionary algorithm. the Probabilistic-Based Incremental Learning (PBIL) and the compact Genetic Algorithm (cGA) is presented as a example of the probabilistic model building algorithms dedicated to the binary problems. Both heuristics are tested on three functions that allow to investigate the advantages, disadvantages and limitations of methods under consideration.

PL

Celem niniejszego artykułu jest przedstawienie heurystyk wieloagentowych wykorzystujących model probabilistyczny. W artykule omówiono dwie metody: the Probabilistic-Based Incremental Learning (PBIL) oraz the compact Genetic Algorithm (cGA), będące przykładami heurystyk z modelem probabilistycznym. Obie metody są przeznaczone do rozwiązywania problemów binarnych. W ramach pracy metody te testowano na trzech funkcjach zdefiniowanych w przestrzeni ciągów binarnych. Testy miały zbadać zalety, wady oraz ograniczenia obu prezentowanych heurystyk populacyjnych.

Słowa kluczowe

EN

population-based incremental learning; compact genetic algorithm; heuristic methods; optimization

PL

algorytm PBIL; algorytm cGA; metody heurystyczne; optymalizacja

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Matematyka Stosowana / Politechnika Śląska
• Rocznik: 2015
• Tom: z. 5
• Strony: 79--97
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Reichel A.

• Faculty of Applied Mathematics Silesian University of Technology

autor

Nowak I.

• Institute of Mathematics Silesian University of Technology

Bibliografia

• 1. Baluja S.: Population-based incremental learning. A method for integrating genetic search based function optimization and competitive learning. Technical Report CMU-CS-94-163, School of Computer Science, Carnegie Mellon University, Pittsburgh 1994.
• 2. Baluja S., Caruana R.: Removing the genetics from standard genetic algorithm. Proceedings of the First International Conference on Machine Learning, Morgan Kaufmann 1996, 36–46.
• 3. Chen Y., Hu J., Hirasawa K., Yu S.: Solving Deceptive Problems Using a Genetic Algorithm with Reserve Selection. IEEE Congress on Evolutionary Computation, IEEE 2008, 884–889.
• 4. Deb K., Goldberg D.E., Whitley L.D.: Analyzing deception in trap functions. Found. Genetic Algorithms 2 (1993), 93–108.
• 5. Gallego M., Duarte A., Laguna M., Marti R.: Hybrid heuristics for the maximum diversity problem. Comput. Optim. Appl. 44 (2007), 411–426.
• 6. González C., Lozano J.A., Larranaga P.: The convergence behavior of the PBIL algorithm: a preliminary approach. Artifical Neural Nets ang Genetic Algorithms, Springer, Vienna 2001, 228–231.
• 7. Harik G.R., Lobo F.G., Glodberg D.E.: The compact genetic algoritm. IEEE Trans. Evolutionary Computation 3, no. 4 (1999), 287–297.
• 8. Höhfeld M., Rudolpf G.: Toward the theory of population based incremental learning. Proceedings of the IEEE Conference on Evolutionary Computation, IEEE Press 1997, 1–5.
• 9. Kuo C.-C., Glover F., Dhir K.S.: Analyzing and modeling the maximum diversity problem by zero-one programming. Decis. Sci. 24 (1993), 1171-1185.
• 10. Pelikan, M.: Bayesian optimization algorithm: from single level to hierarchy. PhD thesis, University of Illinois at Urbana-Champaign, Urbana, Illinois 2002.
• 11. Pelikan M., Goldberg D.E., Lobo F.G.: A survey of optimization by building and using probabilistic models. Comput. Optim. Appl. 21 (2002), 5–20.
• 12. Sivanandam S.N., Deepa S.N.: Introduction to Genetic Algorithms, Springer Verlag, Berlin 2008.