Differential Evolution — Pengoptimum Stokastik Global
Differential Evolution (DE), diperkenalkan oleh Rainer Storn dan Kenneth Price pada tahun 1997, ialah algoritma pengoptimuman stokastik berasaskan populasi yang direka untuk ruang parameter berterusan. Ia menjana penyelesaian calon dengan menggabungkan perbezaan vektor antara ahli populasi sedia ada, menjadikannya alternatif yang berkuasa dan ringkas parameter kepada Algoritma Genetik dan Pengoptimuman Zarah apabila landskap carian bukan cembung, multimod, atau tidak sesuai untuk kaedah berasaskan kecerunan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Differential Evolution (DE). ScholarGate. https://scholargate.app/ms/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.
- Regresi BayesianBayesian↔ compare
- Pembelajaran Penguatan Dalam (Deep Reinforcement Learning)Pembelajaran Mendalam↔ compare
- Algoritma GenetikPengoptimuman↔ compare
- Pencarian Seni Bina NeuralPembelajaran Mendalam↔ compare
- Analisis Komponen UtamaPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →