Differential Evolution — Global Stochastic Optimiser
Differential Evolution (DE) ซึ่งถูกนำเสนอโดย Rainer Storn และ Kenneth Price ในปี 1997 เป็นอัลกอริทึมการหาค่าเหมาะที่สุดแบบสุ่มที่ใช้ประชากร (population-based stochastic optimisation algorithm) ซึ่งออกแบบมาสำหรับปริภูมิพารามิเตอร์แบบต่อเนื่อง (continuous parameter spaces) อัลกอริทึมนี้สร้างคำตอบที่เป็นไปได้ (candidate solutions) โดยการรวมผลต่างของเวกเตอร์ระหว่างสมาชิกในประชากรที่มีอยู่ ทำให้เป็นทางเลือกที่มีประสิทธิภาพและใช้พารามิเตอร์น้อยเมื่อเทียบกับ Genetic Algorithms และ Particle Swarm Optimisation ในกรณีที่พื้นที่การค้นหา (search landscape) ไม่ใช่แบบนูน (non-convex) มีหลายจุดเหมาะสมที่สุดเฉพาะที่ (multimodal) หรือไม่เหมาะสมกับวิธีที่ใช้เกรเดียนต์ (gradient-based methods)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Differential Evolution (DE). ScholarGate. https://scholargate.app/th/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.
- การถดถอยแบบเบย์ (Bayesian Regression)เบย์↔ compare
- การเรียนรู้แบบเสริมกำลังเชิงลึกการเรียนรู้เชิงลึก↔ compare
- Genetic Algorithmการหาค่าเหมาะที่สุด↔ compare
- การค้นหาสถาปัตยกรรมโครงข่ายประสาทเทียมการเรียนรู้เชิงลึก↔ compare
- การวิเคราะห์องค์ประกอบหลักการเรียนรู้ของเครื่อง↔ compare