多精英采样与个体差分学习的分布估计算法

提出了基于多精英采样和差分搜索的分布估计算法EDA-M/D (Estimation distribution algorithm based on multiple elites sampling and individuals differential search). EDA-M/D利用多精英个体独立采样生成子代来提升算法全局搜索能力,利用精英群体分布的σ2约束采样半径,实现种群从全局搜索逐步过度到局部搜索.当精英群体停滞时,劣势个体借助精英群体的μ和种群历史最优解进行差分搜索,帮助种群跳出局部最优解.通过多精英采样与差分搜索的自适应协同实现种群宏观信息与个体微观信息的有机融合.实验结果表明EDA-M/D在稳定性和搜索能力方面均表现出明显的优势.