Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation

تخمین الگوریتم‌های توزیع: ابزاری جدید برای محاسبات تکاملیبه پارادایم جدیدی برای محاسبات تکاملی، به نام تخمین الگوریتم‌های توزیع (EDAs) اختصاص داده شده است. این دسته جدید از الگوریتم‌ها، الگوریتم‌های ژنتیک را با جایگزینی عملگرهای متقاطع و جهش با یادگیری و نمونه‌برداری از توزیع احتمال بهترین افراد جامعه در هر تکرار الگوریتم، تعمیم می‌دهند. در چنین روشی، روابط بین متغیرهای درگیر در حوزه مشکل به طور صریح و مؤثر گرفته شده و مورد بهره برداری قرار می گیرد.
این متن اولین گردآوری و بررسی تکنیک ها و کاربردهای این ابزار جدید برای انجام محاسبات تکاملی است. تخمین الگوریتم های توزیع: ابزاری جدیدبرای محاسبات تکاملی به وضوح به سه بخش تقسیم می شود. بخش اول به پایه های EDA اختصاص دارد. در این بخش، پس از معرفی برخی مدل‌های گرافیکی احتمالی - شبکه‌های بیزی و گاوسی - مروری بر رویکردهای موجود EDA و همچنین چند روش جدید مبتنی بر مدل‌های گرافیکی احتمالی انعطاف‌پذیرتر ارائه می‌شود. یک مدل‌سازی ریاضی از EDAهای گسسته نیز ارائه شده است. بخش دوم چندین کاربرد EDA ها را در برخی مسائل بهینه سازی کلاسیک پوشش می دهد: مسئله فروشنده دوره گرد، مسئله زمان بندی کار، و مسئله کوله پشتی. EDAها همچنین برای بهینه سازی برخی از توابع ترکیبی و پیوسته شناخته شده استفاده می شوند. بخش سوم کاربرد EDAها را برای حل برخی از مشکلاتی که در زمینه یادگیری ماشین بوجود می‌آیند ارائه می‌کند: انتخاب زیر مجموعه ویژگی، وزن‌دهی ویژگی در طبقه‌بندی‌کننده‌های K-NN، القای قوانین، استنتاج ابداکتیو جزئی در شبکه‌های بیزی، خوشه‌بندی پارتیشن، و جستجوی وزن‌های بهینه. در شبکه های عصبی مصنوعی
تخمین الگوریتم های توزیع: ابزاری جدید برای محاسبات تکاملییک ابزار مفید و جالب برای محققانی است که در زمینه محاسبات تکاملی کار می کنند و برای مهندسانی که با واقعیت روبرو هستند. -مشکلات بهینه سازی جهان این کتاب ممکن است مورد استفاده دانشجویان تحصیلات تکمیلی و محققین علوم کامپیوتر نیز قرار گیرد.
«... من از کسانی که به EDA علاقه مند هستند می خواهم که اینکتاب خوش ساخت را امروز مطالعه کنند.» دیوید ای. گلدبرگ، دانشگاه ایلینوی Champaign- اوربانا.

Estimation of Distribution Algorithms: A New Tool for EvolutionaryComputation is devoted to a new paradigm for evolutionary computation, named estimation of distribution algorithms (EDAs). This new class of algorithms generalizes genetic algorithms by replacing the crossover and mutation operators with learning and sampling from the probability distribution of the best individuals of the population at each iteration of the algorithm. Working in such a way, the relationships between the variables involved in the problem domain are explicitly and effectively captured and exploited.
This text constitutes the first compilation and review of the techniques and applications of this new tool for performing evolutionary computation. Estimation of Distribution Algorithms: A NewTool for Evolutionary Computation is clearly divided into three parts. Part I is dedicated to the foundations of EDAs. In this part, after introducing some probabilistic graphical models - Bayesian and Gaussian networks - a review of existing EDA approaches is presented, as well as some new methods based on more flexible probabilistic graphical models. A mathematical modeling of discrete EDAs is also presented. Part II covers several applications of EDAs in some classical optimization problems: the travelling salesman problem, the job scheduling problem, and the knapsack problem. EDAs are also applied to the optimization of some well-known combinatorial and continuous functions. Part III presents the application of EDAs to solve some problems that arise in the machine learning field: feature subset selection, feature weighting in K-NN classifiers, rule induction, partial abductive inference in Bayesian networks, partitional clustering, and the search for optimal weights in artificial neural networks.
Estimation of Distribution Algorithms: A New Tool for EvolutionaryComputation is a useful and interesting tool for researchers working in the field of evolutionary computation and for engineers who face real-world optimization problems. This book may also be used by graduate students and researchers in computer science.
`... I urge those who are interested in EDAs to study thiswell-crafted book today.' David E. Goldberg, University of Illinois Champaign-Urbana.