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:
Fast Output-Sensitive Approach for Minimum Convex Hulls Formation Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Exploring Sparse Covariance Estimation Techniques in Evolution Strategies

verfasst von : Silja Meyer-Nieberg, Erik Kropat

Erschienen in: Recent Advances in Computational Optimization

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

When considering continuous search spaces, evolution strategies are among the well-performing metaheuristics. In contrast to other evolutionary algorithms, their main search operator is mutation which necessitates its adaptation during the run. Here, the covariance matrix plays an important role. Modern Evolution Strategies apply forms of covariance matrix adaptation. However, the quality of the common estimate of the covariance is known to be questionable for high search space dimensions. This paper presents a new approach by considering sparse covariance matrix techniques together with a space transformation.

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 InterCriteria Analysis of Genetic Algorithms Performance
Nächstes Kapitel Parallel Metaheuristics for Robust Graph Coloring Problem
Fußnoten
Literatur
1.
Bäck, T., Foussette, C., Krause, Peter: Contemporary Evolution Strategies. Natural Computing. Springer, Berlin (2013)CrossRefMATH
2.
Beyer, H.-G., Meyer-Nieberg, S.: Self-adaptation of evolution strategies under noisy fitness evaluations. Genet. Program. Evolv. Mach. 7(4), 295–328 (2006)CrossRef
3.
4.
Beyer, H.-G., Sendhoff, B.: Lecture Notes in Computer Science. In: Rudolph, G., et al. (eds.) PPSN. Covariance matrix adaptation revisited - the CMSA evolution strategy, vol. 5199, pp. 123–132. Springer, Berlin (2008)
5.
Cai, Tony, Liu, Weidong: Adaptive thresholding for sparse covariance matrix estimation. J. Am. Stat. Assoc. 106(494), 672–684 (2011)MathSciNetCrossRefMATH
6.
Chen, X., Wang, Z.J., McKeown, M.J.: Shrinkage-to-tapering estimation of large covariance matrices. IEEE Trans. Signal Process. 60(11), 5640–5656 (2012)MathSciNetCrossRef
7.
Dong, W., Yao, X.: Covariance matrix repairing in gaussian based EDAs. In: 2007 IEEE Congress on Evolutionary Computation, 2007. CEC, pp. 415–422 (2007)
8.
Eiben, A.E., Smith, J.E.: Introduction to Evolutionary Computing. Natural Computing Series. Springer, Berlin (2003)CrossRefMATH
9.
10.
Fan, J., Liao, Y., Mincheva, Martina: Large covariance estimation by thresholding principal orthogonal complements. J. R. Stat. Soc.: Ser. B (Stat. Methodol.) 75(4), 603–680 (2013)MathSciNetCrossRef
11.
Finck, S., Hansen, N., Ros, R., Auger, A.: Real-parameter black-box optimization benchmarking 2010: presentation of the noiseless functions. Technical report, Institute National de Recherche en Informatique et Automatique (2010) 2009/22
12.
Fisher, T.J., Sun, Xiaoqian: Improved Stein-type shrinkage estimators for the high-dimensional multivariate normal covariance matrix. Comput. Stat. Data Anal. 55(5), 1909–1918 (2011)MathSciNetCrossRefMATH
13.
Friedman, J., Hastie, T., Tibshirani, R.: Sparse inverse covariance estimation with the graphical lasso. Biostatistics 9(3), 432–441 (2008)CrossRefMATH
14.
Guillot, D., Rajaratnam, B.: Functions preserving positive definiteness for sparse matrices. Trans. Am. Math. Soc. 367(1), 627–649 (2015)MathSciNetCrossRefMATH
15.
Hansen, N.: The CMA evolution strategy: a comparing review. In: Lozano, J.A. et al., (ed.) Towards a new evolutionary computation. Advances in estimation of distribution algorithms, pp. 75–102. Springer (2006)
16.
Hansen, N., Auger, A., Finck, S., Ros, R.: Real-parameter black-box optimization benchmarking 2012: Experimental setup. Technical report, INRIA (2012)
17.
Hansen, N., Ostermeier, A.: Completely derandomized self-adaptation in evolution strategies. Evolut. Comput. 9(2), 159–195 (2001)CrossRef
18.
Hansen, Nikolaus: Adaptive encoding: How to render search coordinate system invariant. In: Rudolph, G., Jansen, T., Beume, N., Lucas, Simon, Poloni, Carlo (eds.) Parallel Problem Solving from Nature PPSN X. Lecture Notes in Computer Science, vol. 5199, pp. 205–214. Springer, Berlin (2008)CrossRef
19.
Ledoit, O., Wolf, Michael: A well-conditioned estimator for large dimensional covariance matrices. J. Multivar. Anal. Arch. 88(2), 265–411 (2004)MathSciNetMATH
20.
Levina, E., Rothman, A., Zhu, J.: Sparse estimation of large covariance matrices via a nested lasso penalty. Ann. Appl. Stat. 2(1), 245–263 (2008)MathSciNetCrossRefMATH
21.
Marčenko, V.A., Pastur, L.A.: Distribution of eigenvalues for some sets of random matrices. Sbornik: Math. 1(4), 457–483 (1967)CrossRef
22.
Meyer-Nieberg, S., Kropat, E: Adapting the covariance in evolution strategies. In: Proceedings of ICORES 2014, pp. 89–99. SCITEPRESS (2014)
23.
Meyer-Nieberg, S., Kropat, E.: Communications in Computer and Information Science. In: Pinson, E., Valente, F., Vitoriano, B. (eds.) Operations Research and Enterprise System. A new look at the covariance matrix estimation in evolution strategies, vol. 509, pp. 157–172. Springer International Publishing, Berlin (2015)
24.
Pourahmadi, M.: High-Dimensional Covariance Estimation: With High-Dimensional Data. Wiley, New York (2013)CrossRefMATH
25.
Rechenberg, I.: Evolutionsstrategie: Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. Frommann-Holzboog, Stuttgart (1973)
26.
Ros, R., Hansen, N.: Parallel Problem Solving from Nature – PPSN X: 10th International Conference, Dortmund, Germany, Sept 13-17, 2008. Proceedings, chapter A Simple Modification in CMA-ES Achieving Linear Time and Space Complexity, pp. 296–305. Springer, Heidelberg (2008)
27.
Schäffer, J., Strimmer, K.: A shrinkage approach to large-scale covariance matrix estimation and implications for functional genomics. Stat. Appl. Genet. Mol. Biol. 4(1), 32 (2005)MathSciNet
28.
Schwefel, H.-P.: Numerical Optimization of Computer Models. Wiley, Chichester (1981)MATH
29.
Stein, C.: Inadmissibility of the usual estimator for the mean of a multivariate distribution. In: Proceedings of 3rd Berkeley Symposium on Mathematical Statistics Probability, vol.1, pp. 197–206. Berkeley, CA (1956)
30.
Stein, C.: Estimation of a covariance matrix. In: Rietz Lecture, 39th Annual Meeting. IMS, Atlanta, GA (1975)
Metadaten
Titel
Exploring Sparse Covariance Estimation Techniques in Evolution Strategies
verfasst von
Silja Meyer-Nieberg
Erik Kropat
Copyright-Jahr
2016
Buch
Recent Advances in Computational Optimization

Print ISBN: 978-3-319-40131-7

Electronic ISBN: 978-3-319-40132-4

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-40132-4_15