Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

5. Evolutionary Strategies

verfasst von : Ke-Lin Du, M. N. S. Swamy

Erschienen in: Search and Optimization by Metaheuristics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Evolutionary strategy (ES) paradigm is one of the most successful EAs. Evolutionary gradient search and gradient evolution are two methods that use EA to construct gradient information for directing the search efficiently. Covariance matrix adaptation (CMA) ES [11] accelerates the search efficiency by supposing that the local solution space of the current point has a quadratic shape.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Genetic Programming
Nächstes Kapitel Differential Evolution
Literatur
1.
Arnold D, Salomon R. Evolutionary gradient search revisited. IEEE Trans Evol Comput. 2007;11(4):480–95.CrossRef
2.
Back T, Schwefel H. An overview of evolutionary algorithms for parameter optimization. Evol Comput. 1993;1(1):1–23.CrossRef
3.
Beyer H-G. Toward a theory of evolution strategies: self-adaptation. Evol Comput. 1995;3(3):311–47.CrossRef
4.
Beyer H-G. Convergence analysis of evolutionary algorithms that are based on the paradigm of information geometry. Evol Comput. 2014;22(4):679–709.CrossRef
5.
Beyer H-G, Melkozerov A. The dynamics of self-adaptive multi-recombinant evolution strategies on the general ellipsoid model. IEEE Trans Evol Comput. 2014;18(5):764–78.CrossRef
6.
Beyer H-G, Hellwig M. The dynamics of cumulative step size adaptation on the ellipsoid model. Evol Comput. 2016;24:25–57.CrossRef
7.
Eshelman LJ. The CHC adaptive search algorithm: how to have safe search when engaging in nontraditional genetic recombination. In: Rawlins GJE, editor. Foundations of genetic algorithms. San Mateo, CA: Morgan Kaufmann; 1991. p. 265–283.
8.
Fogel DB. An analysis of evolutionary programming. In: Proceedings of the 1st annual conference on evolutionary programming, La Jolla, CA, May 1992. p. 43–51.
9.
Fogel L, Owens J, Walsh M. Artificial intelligence through simulated evolution. New York: Wiley; 1966.MATH
10.
Hansen N, Ostermeier A. Adapting arbitrary normal mutation distributions in evolution strategies: the covariance matrix adaptation. In: Proceedings of IEEE international conference on evolutionary computation, Nagoya, Japan, 1996. p. 312–317.
11.
Hansen N, Ostermeier A. Completely derandomized self-adaptation in evolution strategies. Evol Comput. 2001;9(2):159–95.CrossRef
12.
Hansen N, Muller SD, Koumoutsakos P. Reducing the time complexity of the derandomized evolution strategy with covariance matrix adaptation (CMA-ES). Evol Comput. 2003;11(1):1–18.CrossRef
13.
Herdy M. Application of the evolution strategy to discrete optimization problems.In: Schwefel HP, Manner R, editors. Parallel problem solving from nature, Lecture notes on computer science, vol. 496. Berlin: Springer; 1991. p. 188–192
14.
Kuo RJ, Zulvia FE. The gradient evolution algorithm: a new metaheuristic. Inf Sci. 2015;316:246–65.CrossRef
15.
Lee CY, Yao X. Evolutionary programming using mutations based on the Levy probability distribution. IEEE Trans Evol Comput. 2004;8(1):1–13.CrossRef
16.
Li R, Emmerich MTM, Eggermont J, Back T, Schutz M, Dijkstra J, Reiber JHC. Mixed integer evolution strategies for parameter optimization. Evol Comput. 2013;21(1):29–64.CrossRef
17.
Loshchilov I. CMA-ES with restarts for solving CEC 2013 benchmark problems. In: Proceedings of IEEE congress on evolutionary computation (CEC 2013), Cancun, Mexico, June 2013. p. 369–376.
18.
Loshchilov I. LM-CMA: an alternative to L-BFGS for large scale black-box optimization. Evol Comput. 2016.
19.
Ostermeier A, Gawelczyk A, Hansen N. Step-size adaptation based on non-local use of selection information. In: Parallel problem solving from nature (PPSN III), Lecture notes in computer science, vol. 866. Berlin: Springer; 1994. p. 189–198.
20.
Rechenberg I. Evolutionsstrategie: Optimierung technischer Systeme nach Prinzipien der biologischen biologischen Evolution. Freiburg, Germany: Formman Verlag; 1973.
21.
Salomon R. Evolutionary algorithms and gradient search: similarities and differences. IEEE Trans Evol Comput. 1998;2(2):45–55.CrossRef
22.
Schwefel HP. Numerical optimization of computer models. Chichester: Wiley; 1981.MATH
23.
Yao X, Liu Y, Lin G. Evolutionary programming made faster. IEEE Trans Evol Comput. 1999;3(2):82–102.CrossRef
24.
Yuen SY, Chow CK. A genetic algorithm that adaptively mutates and never revisits. IEEE Trans Evol Comput. 2009;13(2):454–72.CrossRef
Metadaten
Titel
Evolutionary Strategies
verfasst von
Ke-Lin Du
M. N. S. Swamy
Copyright-Jahr
2016
Buch
Search and Optimization by Metaheuristics

Print ISBN: 978-3-319-41191-0

Electronic ISBN: 978-3-319-41192-7

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-41192-7_5

Premium Partner

    Bildnachweise