分布估计算法教案课件.pptVIP

4. 高斯概率模型（续） 以 PBILc 为例介绍高斯概率模型解决连续空间的优化问题的流程。 PBILc 对每个变量 xj 定义一个一元高斯分布 N (μj ,σj2) 然后根据每个 N (μj ,σj2)在整个定义域空间产生一个样本。构建概率模型的过程主要包括μj 和σj 的确立， μj 约束了样本的中心，而σj 则控制着样本的多样性。 随着种群的进化， μj 将逐渐逼近全局的最优解所在的位置，而σj 将越来越小，从而使种群聚拢到全局最优解附近。 31 4. 高斯概率模型（续） 第一步: 随机产生初始种群并计算种群中所有个体的适应度，同时根据公式(8. 7) 初始化概率模型。 其中: V[ i ][ j ] 为种群中个体 i 的变量 xj 的值， N 为种群的规模。 32 4. 高斯概率模型（续） 第二步: 采用线性学习方式更新高斯分布的均值。设在第 t 代时 ， xj 对应的高斯分布的均值为μj t，则有: 其中 α 为学习因子 ， xbestl、 xbest2 和 xjworst 分别表示种群中最优个体、次优个体和最差个体所对应的 xj 值。 33 4. 高斯概率模型（续） 第三步: 采用线性学习方式更新高斯分布的方差。 设在第 t 代时 ， xj 对应的高斯分布的方差为 σjt; ，则有: 其中 xjk 为种群按适应度从大到小排名第(k-1)的