.png){kind=icon}
返回
Bayesian estimation based linear prediction evolution algorithm for optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s12065-025-01112-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
线性预测进化算法（LPE）最近在优化算法领域崭露头角。其特点在于简单性，仅需使用少量参数，同时仍具备较强的探索能力。尽管ILPE在解决CEC 2014和CEC 2017基准问题上已展现出良好的效果，但其仍存在局限性，例如收敛速度慢及解的质量不高。为解决这些局限性并进一步提升ILPE算法的探索能力，本研究引入了一个改进版本，即基于贝叶斯估计的改进线性预测进化算法（BILPE）。BILPE算法将进化算法的种群序列视为时间序列，并融合非线性最小二乘拟合技术、由贝叶斯估计计算的概率以及作为繁殖算子的方向引导机制，以预测下一代的后代。为评估所提算法的有效性，其在CEC 2014、CEC 2017和CEC 2022基准函数以及优化研究中常用的四个工程设计问题上进行了测试。BILPE与ILPE的比较结果表明，BILPE在解的质量和收敛速度方面均优于其前身。此外，BILPE与其他最先进的优化算法相比也表现出竞争力。
Keyword:
Bayesian estimation
Nonlinear Optimization
Least square fitting
Linear prediction evolution algorithm
期刊
IF:
2.6
论文数:
116
被引数:
2.0K
机构
引用论文
Improving the search performance of SHADE using linear population size reduction使用线性种群大小减小来改善SHADE的搜索性能
OAAI
OAAI分享收藏Differential Evolution Algorithm With Strategy Adaptation for Global Numerical Optimization求解全局数值优化问题的策略自适应差分进化算法
OAAI
OAAI分享收藏分享收藏An improved linear prediction evolution algorithm based on nonlinear least square fitting model for optimization.png)
SOFT COMPUTINGOAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏
查看更多内容