استراتژی تکاملی (CMA-ES) — تطبیق ماتریس کوواریانس
CMA-ES، مخفف عبارت Covariance Matrix Adaptation Evolution Strategy، یک بهینهساز مدرن بدون مشتق برای توابع جعبه سیاه پیوسته است که در سال ۲۰۰۱ توسط هانسن و اوسترِمِیر معرفی شد. این الگوریتم جمعیتی از راهحلهای کاندید را که از یک توزیع نرمال چندمتغیره نمونهبرداری شدهاند، حفظ میکند و به طور تکراری میانگین، اندازه گام و ماتریس کوواریانس کامل توزیع را بهروزرسانی میکند تا جستجو را به سمت نواحی بهتر فضای پارامتر هدایت کند. این الگوریتم به استاندارد عملی برای بهینهسازی جعبه سیاه پیوسته تبدیل شده و به طور گسترده در جستجوی معماری عصبی و بهینهسازی خطمشی یادگیری تقویتی استفاده میشود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Hansen, N. & Ostermeier, A. (2001). Completely Derandomized Self-Adaptation in Evolutionary Strategies. Evolutionary Computation, 9(2), 159-195. DOI: 10.1162/106365601750190398 ↗
- Hansen, N. (2016). The CMA Evolution Strategy: A Tutorial. arXiv:1604.00772. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Covariance Matrix Adaptation Evolution Strategy (CMA-ES). ScholarGate. https://scholargate.app/fa/optimization/evolutionary-strategy
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.
- بهینهسازی بیزیبهینهسازی↔ compare
- الگوریتم ژنتیکبهینهسازی↔ compare
- بهینهسازی ازدحام ذرات (PSO)بهینهسازی↔ compare
- بهینهسازی استواربهینهسازی↔ compare
- بهینهسازی مبتنی بر جایگزینبهینهسازی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →