基于混合采样机制的互信息分布估计算法
CSTR:
作者:
作者单位:

(广东工业大学计算机学院,广州510006)

作者简介:

林志毅(1979-), 男, 讲师, 博士, 从事自然计算、信息安全的研究;谢国波(1977-), 男, 教授, 博士, 从事信息安全、云计算等研究.

通讯作者:

E-mail: lzy291@gdut.edu.cn

中图分类号:

TP18

基金项目:

国家自然科学基金项目(61502108);广东省重大科技专项项目(2014B010111007);广东省自然科学基金项目(2014A030313512);广东省公益研究与能力建设专项项目(2016A010101027).


Mutual information estimation of distribution algorithm with hybrid sampling mechanism
Author:
Affiliation:

(Faculty of Computer, Guangdong University of Technology,Guangzhou 510006,China)

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对二阶分布估计算法的早熟收敛问题,提出一种基于混合采样机制的互信息分布估计算法(MIEDA). MIEDA利用互信息度量变量之间的相关性,形成互信息树的概率模型;采用稀疏模型构建的思想,并基于自私基因理论建立信息奖惩机制,以加快算法的收敛速度;结合反向学习、最优解变异和随机采样形成混合采样机制,以提高算法的采样效率.仿真结果表明,MIEDA比常见的二阶分布估计算法具有更高的稳定性和更强的寻优能力.

    Abstract:

    A mutual information estimation of distribution algorithm(MIEDA) with hybrid sampling mechanism is proposed to overcome premature convergence of second order estimation of distribution algorithms. The MIEDA firstly uses mutual information to measure the interaction between two variables, which can generate mutual information tree model. Then, based on the concept of sporadic model building and a reward and punishment scheme in the selfish gene, the MIEDA can accelerate the convergence speed. Finally, a hybrid sampling mechanism is also adopted in the MIEDA to improve the efficiency of sampling, which combines stochastic sampling, the opposition-based learning(OBL) scheme and mutation on the current optimal individual. The simulation results show that, compared with several other second order algorithms, the MIEDA often performs better in convergent reliability and search ability.

    参考文献
    相似文献
    引证文献
引用本文

林志毅,谢国波,王丽娟.基于混合采样机制的互信息分布估计算法[J].控制与决策,2017,32(5):829-835

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2017-05-11
  • 出版日期:
文章二维码