PBIL算法在组合优化问题中的应用研究

基于群体的增量学习(PBIL)算法有效结合了遗传算法和竞争学习的优点,运行过程简单,解决问题快速准确。本文提出将PBIL算法应用于求解CMN组合优化问题,以物流中心选址优化问题为例,介绍了基于PBIL求解CMN组合优化问题的一般方法,提出了针对此类问题的个体产生算法。为了提高算法的收敛速度和寻优能力,提出了基于当代最优解与历代最优解比较结果的概率学习加速方法。最后,通过实验仿真验证了上述改进的有效性。     

构建在进化技术上的动态价格优化研究

电子商务改变了企业的定价策略,产品由固定价格转向动态价格。用两种不同的进化算法-遗传算法（GA）和基于种群递增学习算法（PBIL）求解两种不同的动态价格模型,并对两种算法进行了比较。在提出的模型中,算法PBIL的结果及分析充分显示了模型在资源管理中的适用性,以及基于种群的优化技术在动态价格中的应用能力。     

一种求解聚类问题的分布估计算法

提出一种求解聚类问题的分布估计算法。基于PBIL算法定义聚类矩阵,建立对应的概率矩阵模型,引入遗传算法的基因变异算子,设计适用于分布估计算法的变异操作,改进概率模型的更新方式。实验结果表明,与Kmeans、Kmedioid、Clarans和遗传算法相比,该算法的聚类质量较好。     

基于群体递增学习算法的癌症化学疗法优化技术研究

探索分布估计算法中最频繁用于解决现实生活中优化问题的基于群体递增学习算法在优化癌症化疗中的应用能力，并与遗传算法作相应比较。实验表明基于群体递增学习（PBIL）算法的搜寻速度以及搜寻到的可行解质量均优于遗传算法。     

基于PBIL的快速图像匹配方法的研究

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习(Population-based Increased Learning,简称PBIL)算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。给出了理论分析和实验分析。在实验中,分析了不同终止条件下的算法性能,并将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。实验结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

应用于组合优化的自适应PBIL算法研究

为解决组合优化过程中最优解的搜索效率问题,研究了一种基于自适应理论的PBIL算法。通过引入系统熵值,使传统PBIL算法的学习概率和变异率能根据系统熵值的变化作自适应调整,形成具有自学习和变异能力的自适应PBIL算法（APBIL）。通过实例验证了该算法的实用价值和有效性。     

基于PBIL进化算法的时延受限组播路由算法

分布式实时多媒体的大量应用对能有效支持服务质量(QoS)的组播路由算法提出了迫切的要求,由于其NP-Complete特性,只能采用启发式算法。该文提出了一种基于PBIL(Population-BasedIncrementalLearning)进化算法的时延受限组播路由算法,该算法有效结合了遗传算法的进化特性与竞争学习算法的特点,实施简单,仿真表明它不但显著提高了收敛速度,而且能以较大概率收敛到最优解。     

基于分布估计算法的单路口交通信号控制

针对遗传算法求解城市道路交叉口信号控制存在的主要问题,以四相位交叉路口为研究对象,建立了以信号周期内车辆延误总时间最短为目标函数,以各相位有效绿灯时间为控制变量的单路口交通信号优化模型.并分别以整数编码的PBIL算法和实数编码的EMNA算法两种典型分布估计算法求解单路口交通信号优化问题.仿真结果表明,与传统遗传算法相比,两种分布估计算法均可用更小的种群规模快速高效地求得最优解.     

基于PBIL算法的高校自动排考系统

提出了一种基于PBIL的高校自动排考算法,重点论述了如何优化目标函数与排考约束条件之间的关系,并对PBIL基因选择算法提出了改进。通过实际的测试应用,基于PBIL算法的自动排考系统能够较好地满足学分制下的自动排考需求,对附加约束条件具有较强的适应性,能够满足各个学校的不同排考需求。     

混合蚁群算法及其用于有机物毒性的QSAR研究

设计一种新的混合蚁群算法.该算法以一种新的二进制蚁群算法为基础,混合PBIL(population based incremental learning)算法及遗传算法的交叉操作和变异操作,从而大大提高了种群的多样性及收敛速度,改善全局最优解的搜索能力.通过函数优化测试,表明该算法具有良好的收敛速度和稳定性,最后用于有机物毒性的QSAR研究中,取得较好效果.     

一种基于PBIL算法的快速图像匹配方法

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。在实验中,将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

基于PBIL进化算法的VC路由算法

针对异步传输(ATM)网络的虚通路(VC)路由选择问题，提出了一种基于PBlL(Population-Based Incremental Lcarning)进化算法的VC路由算法，该算法有效结合了遗传算法与竞争学习的特点。仿真表明，该算法实施简单，能有效兼顾网络开销及路由有效性，解的质量高。     

Not all PBILs are the same: Unveiling the different learning mechanisms of PBIL variants

Model-based optimization using probabilistic modeling of the search space is one of the areas where research on evolutionary algorithms (EAs) has considerably advanced in recent years. The population-based incremental algorithm (PBIL) is one of the first algorithms of its kind and it has been extensively applied to many optimization problems. In this paper we show that the different applications of PBIL reported in the literature correspond, in fact, to two essentially different algorithms, which are defined by the way the learning step is implemented. We analytically and empirically study the impact of the learning method on the search behavior of the algorithm. As a result of our research, we show examples in which the choice of a PBIL variant can produce qualitatively different outputs of the search process.