Differential Evolution — Globaler stochastischer Optimierer
Differential Evolution (DE), eingeführt von Rainer Storn und Kenneth Price im Jahr 1997, ist ein populationsbasierter stochastischer Optimierungsalgorithmus, der für kontinuierliche Parameteräume entwickelt wurde. Er generiert Kandidatenlösungen durch Kombination von Vektordifferenzen zwischen bestehenden Populationsmitgliedern, was ihn zu einer leistungsstarken und parameterarmen Alternative zu genetischen Algorithmen und Partikelschwarmoptimierung macht, wenn die Suchlandschaft nicht-konvex, multimodal oder für gradientenbasierte Methoden schlecht geeignet ist.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Quellen
- Storn, R. & Price, K. (1997). Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces. Journal of Global Optimization, 11(4), 341–359. DOI: 10.1023/A:1008202821328 ↗
- Das, S., Mullick, S. S., & Suganthan, P. N. (2016). Recent advances in differential evolution – An updated survey. Swarm and Evolutionary Computation, 27, 1–30. DOI: 10.1016/j.swevo.2016.01.004 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Differential Evolution (DE). ScholarGate. https://scholargate.app/de/optimization/differential-evolution
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayes'sche RegressionBayes-Statistik↔ compare
- Deep Reinforcement LearningDeep Learning↔ compare
- Genetischer AlgorithmusOptimierung↔ compare
- Neuronale ArchitektursucheDeep Learning↔ compare
- HauptkomponentenanalyseMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →