Populační přírůstkové učení - Population-based incremental learning

v počítačová věda a strojové učení, populační přírůstkové učení (PBIL) je optimalizace algoritmus a odhad distribučního algoritmu. Toto je typ genetický algoritmus Kde genotyp celé populace (pravděpodobnost vektor ) se vyvíjí spíše než jednotliví členové.[1] Algoritmus navrhl Shumeet Baluja v roce 1994. Algoritmus je jednodušší než standardní genetický algoritmus a v mnoha případech vede k lepším výsledkům než standardní genetický algoritmus.[2][3][4]

Algoritmus

V PBIL jsou geny reprezentovány jako skutečné hodnoty v rozsahu [0,1], což naznačuje pravděpodobnost, že některý konkrétní alela v tom se objeví gen.

Algoritmus PBIL je následující:

  1. Populace je generována z vektoru pravděpodobnosti.
  2. Kondice každého člena je hodnocena a hodnocena.
  3. Aktualizujte genotyp populace (vektor pravděpodobnosti) na základě nejschopnějšího jedince.
  4. Mutovat.
  5. Opakujte kroky 1–4

Zdrojový kód

Toto je část zdrojového kódu implementovaná v Jáva. V článku se používá learnRate = 0,1, negLearnRate = 0,075, mutProb = 0,02 a mutShift = 0,05. N = 100 a ITER_COUNT = 1000 stačí na malý problém.

veřejnost prázdnota optimalizovat() {    finále int celkem bitů = getTotalBits();    finále dvojnásobek[] probVec = Nový dvojnásobek[celkem bitů];    Pole.vyplnit(probVec, 0.5);    bestCost = POZITIVNÍ_INFINITY;     pro (int i = 0; i < ITER_COUNT; i++) {        // Vytvoří N genů        finále booleovský[][] geny = Nový [N][celkem bitů];        pro (booleovský[] gen : geny) {            pro (int k = 0; k < gen.délka; k++) {                -li (rand_nextDouble() < probVec[k])                    gen[k] = skutečný;            }        }        // Vypočítejte náklady        finále dvojnásobek[] náklady = Nový dvojnásobek[N];        pro (int j = 0; j < N; j++) {            náklady[j] = costFunc.náklady(toRealVec(geny[j], domén));        }        // Najděte geny minimální a maximální ceny        booleovský[] minGene = nula, maxGene = nula;        dvojnásobek minCost = POZITIVNÍ_INFINITY, maxCost = NEGATIVNÍ_INFINITY;        pro (int j = 0; j < N; j++) {            dvojnásobek náklady = náklady[j];            -li (minCost > náklady) {                minCost = náklady;                minGene = geny[j];            }            -li (maxCost < náklady) {                maxCost = náklady;                maxGene = geny[j];            }        }        // Porovnejte s nejlepším genem nákladů        -li (bestCost > minCost) {            bestCost = minCost;            bestGene = minGene;        }        // Aktualizujte vektor pravděpodobnosti pomocí genů maximální a minimální ceny        pro (int j = 0; j < celkem bitů; j++) {            -li (minGene[j] == maxGene[j]) {                probVec[j] = probVec[j] * (1d - learnRate) +                        (minGene[j] ? 1d : 0 d) * learnRate;            } jiný {                finále dvojnásobek learnRate2 = learnRate + negLearnRate;                probVec[j] = probVec[j] * (1d - learnRate2) +                        (minGene[j] ? 1d : 0 d) * learnRate2;            }        }        // Mutace        pro (int j = 0; j < celkem bitů; j++) {            -li (rand.dalšíDvojitý() < mutProb) {                probVec[j] = probVec[j] * (1d - mutShift) +                        (rand.dalšíBoolean() ? 1d : 0 d) * mutShift;            }        }    }}

Viz také

Reference

  1. ^ Karray, Fakhreddine O .; de Silva, Clarence (2004), Soft computing a design inteligentních systémůAddison Wesley, ISBN  0-321-11617-8
  2. ^ Baluja, Shumeet (1994), „Populační přírůstkové učení: metoda integrace optimalizace funkcí založených na genetickém vyhledávání a konkurenčního učení“, Technická zpráva, Pittsburgh, PA: Carnegie Mellon University (CMU – CS – 94–163), CiteSeerX  10.1.1.61.8554
  3. ^ Baluja, Shumeet; Caruana, Rich (1995), Odebrání genetiky ze standardního genetického algoritmu, Morgan Kaufmann Publishers, s. 38–46, CiteSeerX  10.1.1.44.5424
  4. ^ Baluja, Shumeet (1995), Empirické srovnání sedmi iteračních a evolučních heuristik optimalizace funkcí, CiteSeerX  10.1.1.43.1108