| http://dbpedia.org/ontology/abstract
|
La Evolución Diferencial (ED) es un método … La Evolución Diferencial (ED) es un método de optimización perteneciente a la categoría de computación evolutiva, aplicado en la resolución de problemas complejos. Al igual que otros algoritmos de esta categoría, la ED mantiene una población de soluciones candidatas, las cuales se recombinan y mutan para producir nuevos individuos los cuales serán elegidos de acuerdo al valor de su . Lo que caracteriza a la ED es el uso de vectores de prueba, los cuales compiten con los individuos de la población actual a fin de sobrevivir.e la población actual a fin de sobrevivir.
, 進化的計算における差分進化（さぶんしんか、英: Differential evolu … 進化的計算における差分進化（さぶんしんか、英: Differential evolution、略称: DE）とは、与えられた評価尺度に関するを反復的に改良していき、問題を最適化する手法である。このような手法は、最適化の対象となる問題に関する仮定を一切置かないか、あるいはわずかしか置かないメタヒューリスティクスであり、広範な解の候補の空間を探索できる。ただし、DEのようなメタヒューリスティクスは真の最適解を見つけられる保証はない。DEは多次元空間での実数値関数に対して用いることができるが、最適化対象である関数（目的関数）の勾配は使用しない。つまり、最急降下法や準ニュートン法のような古典的な最適化手法が要求する次の条件 「最適化問題が微分可能」 をDEは必要としない。それゆえ、DEは関数が連続でない場合やノイズの多い場合、時間変化する場合の最適化問題に対しても用いることができる。DEは単純な式に従って候補解集団を更新し、最適化問題に対して最良のスコアまたは最良の当てはまりを示した候補解を保持しておく。これにより、最適化すべき目的関数は解の候補に評価尺度を与える単なるブラックボックスと見なせて、その勾配の値を必要としない。DEは元々はStomおよびPriceの着想である。並列計算、、の分野に於いて、DEの使用に関する理論的見地、実用的見地および応用領域からの調査に基づく書籍が出版されている。DEの多面的研究は論文に投稿されている。領域からの調査に基づく書籍が出版されている。DEの多面的研究は論文に投稿されている。
, Диференціальна еволюція (англ. differentia … Диференціальна еволюція (англ. differential evolution) — метод багатовимірної математичної оптимізації, що відноситься до класу стохастичних алгоритмів оптимізації (тобто працює з використанням випадкових чисел) і використовує деякі ідеї генетичних алгоритмів. Це прямий метод оптимізації, тобто він вимагає тільки можливості обчислювати значення цільової функцій, але не її похідних. Метод диференціальної еволюції призначений для знаходження глобального мінімуму (або максимуму) недиференційованих, нелінійних, мультимодальних (що мають, можливо, велику кількість локальних екстремумів) функцій від багатьох змінних. Метод простий у реалізації та використання (містить мало керуючих параметрів, що потребують підбору), легко розпаралелюється. Метод диференціальної еволюції був розроблений Рейнером Сторно і Кеннетом Прайсом, вперше опублікований ними в 1995 році і розроблений в подальшому в їх пізніших роботах.блений в подальшому в їх пізніших роботах.
, 差分进化算法（英語：differential evolution）又称微分进化算法， … 差分进化算法（英語：differential evolution）又称微分进化算法，是一种求解最佳化问题的进化算法。因為进化算法對於最佳化问题的要求極少，所以被視為一種。雖然後設启发式算法適用於多種最佳化问题，但是並不保證可以找到全局最優解。 差分进化算法被使用在多維度實數編碼的最佳化问题。因為此算法不使用問題的梯度資訊，故可解不可微分的最佳化问题。也因此，差分进化算法可用於不連續的，雜訊的，隨著時間改變的最佳化问题。 差分进化算法類似遗传算法，包含变异，交叉操作，淘汰机制。本质上说，它是一种基于实数编码的具有保优思想的贪婪遗传算法。而差分进化算法与遗传算法不同之處，在於变异的部分是隨選兩個解成員變數的差異，經過伸縮後加入當前解成員的變數上，因此差分进化算法無須使用機率分佈產生下一代解成員。 算法的原理采用对个体进行方向扰动，以达到对个体的函数值进行下降的目的，同其他进化算法一样，差分进化算法不利用函数的梯度信息，因此对函数的可导性甚至连续性没有要求，适用性很强。同时，算法与粒子群优化有相通之处，但因为差分进化算法在一定程度上考虑了多变量间的相关性，因此相较于粒子群优化在变量耦合问题上有很大的优势。由于差分进化算法在连续域优化问题的优势已获得广泛应用，并引发进化算法研究领域的热潮。算法的实现参考实现代码部分化问题的优势已获得广泛应用，并引发进化算法研究领域的热潮。算法的实现参考实现代码部分
, Дифференциа́льная эволю́ция (англ. differe … Дифференциа́льная эволю́ция (англ. differential evolution) — метод многомерной математической оптимизации, относящийся к классу стохастических алгоритмов оптимизации (то есть работает с использованием случайных чисел) и использующий некоторые идеи генетических алгоритмов, но, в отличие от них, не требует работы с переменными в бинарном коде. Это прямой метод оптимизации, то есть он требует только возможности вычислять значения целевой функций, но не её производных. Метод дифференциальной эволюции предназначен для нахождения глобального минимума (или максимума) недифференцируемых, нелинейных, мультимодальных (имеющих, возможно, большое число локальных экстремумов) функций от многих переменных. Метод прост в реализации и использовании (содержит мало управляющих параметров, требующих подбора), легко распараллеливается. Метод дифференциальной эволюции был разработан Рэйнером Сторном и Кеннетом Прайсом, впервые опубликован ими в 1995 году и развит в дальнейшем в их более поздних работах.т в дальнейшем в их более поздних работах.
, In evolutionary computation, differential … In evolutionary computation, differential evolution (DE) is a method that optimizes a problem by iteratively trying to improve a candidate solution with regard to a given measure of quality. Such methods are commonly known as metaheuristics as they make few or no assumptions about the problem being optimized and can search very large spaces of candidate solutions. However, metaheuristics such as DE do not guarantee an optimal solution is ever found. DE is used for multidimensional real-valued functions but does not use the gradient of the problem being optimized, which means DE does not require the optimization problem to be differentiable, as is required by classic optimization methods such as gradient descent and quasi-newton methods. DE can therefore also be used on optimization problems that are not even continuous, are noisy, change over time, etc. DE optimizes a problem by maintaining a population of candidate solutions and creating new candidate solutions by combining existing ones according to its simple formulae, and then keeping whichever candidate solution has the best score or fitness on the optimization problem at hand. In this way, the optimization problem is treated as a black box that merely provides a measure of quality given a candidate solution and the gradient is therefore not needed. DE was introduced by Storn and Price in the 1990s. Books have been published on theoretical and practical aspects of using DE in parallel computing, multiobjective optimization, constrained optimization, and the books also contain surveys of application areas. Surveys on the multi-faceted research aspects of DE can be found in journal articles .s of DE can be found in journal articles .
, En recherche opérationnelle (informatique théorique), un algorithme à évolution différentielle est un type d'algorithme évolutionnaire.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Ackley.gif?width=300 +
|
| http://dbpedia.org/ontology/wikiPageID
|
3132241
|
| http://dbpedia.org/ontology/wikiPageLength
|
10885
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1119806073
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Differentiable_function +
, http://dbpedia.org/resource/Gradient +
, http://dbpedia.org/resource/Rules_of_thumb +
, http://dbpedia.org/resource/Iterative_method +
, http://dbpedia.org/resource/Constrained_optimization +
, http://dbpedia.org/resource/File:DE_Meta-Fitness_Landscape_%28Sphere_and_Rosenbrock%29.JPG +
, http://dbpedia.org/resource/Candidate_solution +
, http://dbpedia.org/resource/Parallel_computing +
, http://dbpedia.org/resource/CMA-ES +
, http://dbpedia.org/resource/Formula +
, http://dbpedia.org/resource/Evolutionary_computation +
, http://dbpedia.org/resource/Evolution_strategy +
, http://dbpedia.org/resource/Wikt:continuous +
, http://dbpedia.org/resource/Optimization_%28mathematics%29 +
, http://dbpedia.org/resource/Genetic_algorithm +
, http://dbpedia.org/resource/Real_number +
, http://dbpedia.org/resource/Multiobjective_optimization +
, http://dbpedia.org/resource/Category:Evolutionary_algorithms +
, http://dbpedia.org/resource/Row_vector +
, http://dbpedia.org/resource/Function_%28mathematics%29 +
, http://dbpedia.org/resource/Artificial_bee_colony_algorithm +
, http://dbpedia.org/resource/Candidate_solutions +
, http://dbpedia.org/resource/Metaheuristic +
, http://dbpedia.org/resource/Quasi-newton_methods +
, http://dbpedia.org/resource/Gradient_descent +
, http://dbpedia.org/resource/File:Ackley.gif +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Major_subfields_of_optimization +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Anchor +
, http://dbpedia.org/resource/Template:Evolutionary_algorithms +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Evolutionary_algorithms +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Method +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Differential_evolution?oldid=1119806073&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Ackley.gif +
, http://commons.wikimedia.org/wiki/Special:FilePath/DE_Meta-Fitness_Landscape_%28Sphere_and_Rosenbrock%29.jpg +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Differential_evolution +
|
| owl:sameAs |
http://uk.dbpedia.org/resource/%D0%94%D0%B8%D1%84%D0%B5%D1%80%D0%B5%D0%BD%D1%86%D1%96%D0%B0%D0%BB%D1%8C%D0%BD%D0%B0_%D0%B5%D0%B2%D0%BE%D0%BB%D1%8E%D1%86%D1%96%D1%8F +
, http://zh.dbpedia.org/resource/%E5%B7%AE%E5%88%86%E8%BF%9B%E5%8C%96%E7%AE%97%E6%B3%95 +
, https://global.dbpedia.org/id/2Vj2E +
, http://es.dbpedia.org/resource/Evoluci%C3%B3n_diferencial +
, http://ja.dbpedia.org/resource/%E5%B7%AE%E5%88%86%E9%80%B2%E5%8C%96 +
, http://fr.dbpedia.org/resource/Algorithme_%C3%A0_%C3%A9volution_diff%C3%A9rentielle +
, http://dbpedia.org/resource/Differential_evolution +
, http://ru.dbpedia.org/resource/%D0%94%D0%B8%D1%84%D1%84%D0%B5%D1%80%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D1%8D%D0%B2%D0%BE%D0%BB%D1%8E%D1%86%D0%B8%D1%8F +
, http://yago-knowledge.org/resource/Differential_evolution +
, http://www.wikidata.org/entity/Q2662197 +
, http://rdf.freebase.com/ns/m.08thrh +
|
| rdf:type |
http://dbpedia.org/class/yago/Procedure101023820 +
, http://dbpedia.org/class/yago/WikicatEvolutionaryAlgorithms +
, http://dbpedia.org/class/yago/WikicatOptimizationAlgorithmsAndMethods +
, http://dbpedia.org/class/yago/Event100029378 +
, http://dbpedia.org/class/yago/Rule105846932 +
, http://dbpedia.org/class/yago/Activity100407535 +
, http://dbpedia.org/class/yago/YagoPermanentlyLocatedEntity +
, http://dbpedia.org/class/yago/Algorithm105847438 +
, http://dbpedia.org/class/yago/Act100030358 +
, http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/ontology/Software +
, http://dbpedia.org/class/yago/PsychologicalFeature100023100 +
|
| rdfs:comment |
En recherche opérationnelle (informatique théorique), un algorithme à évolution différentielle est un type d'algorithme évolutionnaire.
, In evolutionary computation, differential … In evolutionary computation, differential evolution (DE) is a method that optimizes a problem by iteratively trying to improve a candidate solution with regard to a given measure of quality. Such methods are commonly known as metaheuristics as they make few or no assumptions about the problem being optimized and can search very large spaces of candidate solutions. However, metaheuristics such as DE do not guarantee an optimal solution is ever found.arantee an optimal solution is ever found.
, Дифференциа́льная эволю́ция (англ. differe … Дифференциа́льная эволю́ция (англ. differential evolution) — метод многомерной математической оптимизации, относящийся к классу стохастических алгоритмов оптимизации (то есть работает с использованием случайных чисел) и использующий некоторые идеи генетических алгоритмов, но, в отличие от них, не требует работы с переменными в бинарном коде. Метод дифференциальной эволюции был разработан Рэйнером Сторном и Кеннетом Прайсом, впервые опубликован ими в 1995 году и развит в дальнейшем в их более поздних работах.т в дальнейшем в их более поздних работах.
, 差分进化算法（英語：differential evolution）又称微分进化算法， … 差分进化算法（英語：differential evolution）又称微分进化算法，是一种求解最佳化问题的进化算法。因為进化算法對於最佳化问题的要求極少，所以被視為一種。雖然後設启发式算法適用於多種最佳化问题，但是並不保證可以找到全局最優解。 差分进化算法被使用在多維度實數編碼的最佳化问题。因為此算法不使用問題的梯度資訊，故可解不可微分的最佳化问题。也因此，差分进化算法可用於不連續的，雜訊的，隨著時間改變的最佳化问题。 差分进化算法類似遗传算法，包含变异，交叉操作，淘汰机制。本质上说，它是一种基于实数编码的具有保优思想的贪婪遗传算法。而差分进化算法与遗传算法不同之處，在於变异的部分是隨選兩個解成員變數的差異，經過伸縮後加入當前解成員的變數上，因此差分进化算法無須使用機率分佈產生下一代解成員。 算法的原理采用对个体进行方向扰动，以达到对个体的函数值进行下降的目的，同其他进化算法一样，差分进化算法不利用函数的梯度信息，因此对函数的可导性甚至连续性没有要求，适用性很强。同时，算法与粒子群优化有相通之处，但因为差分进化算法在一定程度上考虑了多变量间的相关性，因此相较于粒子群优化在变量耦合问题上有很大的优势。由于差分进化算法在连续域优化问题的优势已获得广泛应用，并引发进化算法研究领域的热潮。算法的实现参考实现代码部分化问题的优势已获得广泛应用，并引发进化算法研究领域的热潮。算法的实现参考实现代码部分
, 進化的計算における差分進化（さぶんしんか、英: Differential evolu … 進化的計算における差分進化（さぶんしんか、英: Differential evolution、略称: DE）とは、与えられた評価尺度に関するを反復的に改良していき、問題を最適化する手法である。このような手法は、最適化の対象となる問題に関する仮定を一切置かないか、あるいはわずかしか置かないメタヒューリスティクスであり、広範な解の候補の空間を探索できる。ただし、DEのようなメタヒューリスティクスは真の最適解を見つけられる保証はない。DEは多次元空間での実数値関数に対して用いることができるが、最適化対象である関数（目的関数）の勾配は使用しない。つまり、最急降下法や準ニュートン法のような古典的な最適化手法が要求する次の条件 「最適化問題が微分可能」 をDEは必要としない。それゆえ、DEは関数が連続でない場合やノイズの多い場合、時間変化する場合の最適化問題に対しても用いることができる。DEは単純な式に従って候補解集団を更新し、最適化問題に対して最良のスコアまたは最良の当てはまりを示した候補解を保持しておく。これにより、最適化すべき目的関数は解の候補に評価尺度を与える単なるブラックボックスと見なせて、その勾配の値を必要としない。DEは元々はStomおよびPriceの着想である。並列計算、、の分野に於いて、DEの使用に関する理論的見地、実用的見地および応用領域からの調査に基づく書籍が出版されている。DEの多面的研究は論文に投稿されている。領域からの調査に基づく書籍が出版されている。DEの多面的研究は論文に投稿されている。
, La Evolución Diferencial (ED) es un método … La Evolución Diferencial (ED) es un método de optimización perteneciente a la categoría de computación evolutiva, aplicado en la resolución de problemas complejos. Al igual que otros algoritmos de esta categoría, la ED mantiene una población de soluciones candidatas, las cuales se recombinan y mutan para producir nuevos individuos los cuales serán elegidos de acuerdo al valor de su . Lo que caracteriza a la ED es el uso de vectores de prueba, los cuales compiten con los individuos de la población actual a fin de sobrevivir.e la población actual a fin de sobrevivir.
, Диференціальна еволюція (англ. differentia … Диференціальна еволюція (англ. differential evolution) — метод багатовимірної математичної оптимізації, що відноситься до класу стохастичних алгоритмів оптимізації (тобто працює з використанням випадкових чисел) і використовує деякі ідеї генетичних алгоритмів. Метод диференціальної еволюції був розроблений Рейнером Сторно і Кеннетом Прайсом, вперше опублікований ними в 1995 році і розроблений в подальшому в їх пізніших роботах.блений в подальшому в їх пізніших роботах.
|
| rdfs:label |
差分進化
, Диференціальна еволюція
, Evolución diferencial
, 差分进化算法
, Algorithme à évolution différentielle
, Дифференциальная эволюция
, Differential evolution
|
