مراجع‌را می‌توان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA ها یکسانند. در‌بین الگوریتمهای متنوع‌دانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است.
بطور کلی EDA ها یک تقریب تقسیمی را بکار می‌گیرند که تلاش می‌کند یک مجموعه از اطلاعات‌چند بعدی را به تعدادی‌زیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means و الگوریتم رهبر تصادفی (RLA) است.
مکانیزم آنها در زیر به صورت مختصر شرح داده شده است:
الگوریتم K- means نمونه‌های داده را به K زیر مجموعه غیر تهی تقسیم می‌کند. مختصات میانگین حسابی گروههای رایج محاسبه می‌شود و هر نمونه به نزدیکترین تقسیم‌بندی اشاره می‌کند. پروسه ادامه می‌یابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونه‌اش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست می‌آید.
توجه کنید که الگوریتم RLA سریعتر از الگوریتم K- means است. (RLA) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده می‌شود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means و RLA (با حدی به میزان 0.3) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کارایی‌شان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئله‌ها انجام داده می‌شوند.
نتایج کارایی r BOA
علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب می‌کند و BIC با Eq، (5،6) که پارامتر تنظیم آن 0.5 است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین می‌کند. (یعنی جایگزینی نخبه‌ها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما 1- را برای تعداد والده‌های مجاز در نظر می‌گیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده می‌شود. همه نتایج بعد از 100 اجرا میانگین گرفته می‌شود.
شکل 5،7 میانگین تعداد محاسباتی را Rboa انجام می‌دهد تا بهینه RDP را با، نشان می‌دهد. همچنین این شکل نتیجه PSNR با را نشان می‌دهد.
.5.7 نتایج آزمایشگاهی و مذاکره
5. بهینه سازی الگوریتم Bayesian
اندازه مسئله n
(a) نتایج برای RDP با
اندازه مسئله n
(b) نتایج برای RNSP با
شکل .5.7 موضوع قابل تجزیه درباره کارایی r BOA
اندازه جمعیت تدارک دیده از روی مشاهده و تجربه معین در کنار روش دو بخشی بطوریکه بهینه برپا گردد.
نتایج مشاهده برای RDP و RNSP به ترتیب و با دقت و (جاسازی) تقریب زده شده است.
بدینسان r BOA می‌تواند مسئله قابل تجزیه (افزایشی) محدود سخت بوسیله پیچیدگی Sub- quadratic (به استثنای Near- quadratic) رفع کردن.
به عبارت دیگر رشد عدد تخمین با توجه به اندازه مسئله (یعنی مقیاس پذیری) به نظر می‌رسد که به Sub- quadratic باشد. جزئیات تحقیق در بخش 3، 7، 5 یافت می‌شود.
MBOA
شکل 5،8 مقایسه کارایی Rboa و مشکلات آنرا مطالعه می‌کند (MBOA، m IDEA و EGNA). مانند مراجع کاربردی و قابل تجزیه (RNSP و RDP).
از اینرو مسئله قابل تجزیه عبارت است از زیر برنامه m، اشکال مسئله قابل اجرا نگهداری کردن همزمان m، اشکال مسئله قابل اجرا، مختصر N= r.m در برابر سادگی. شکل (a) 5،8 نسبت صحیح BBها را چنانچه به RDD اعمال می‌شوند با و تغییر m مقایسه می‌کند. ترکیب یک RBOA جزء، مختصر K=1 برای مدل گزینش بکار گرفته می‌شود.
جمعیت تدارک دیده با N= 100m، نتیجه نشان داده شده برای یافتن راه حل rAOB و MBOA بهتر کردن محاسبه زیاد آنها بجز mI AED و ANGE.
گرچه MBOA در برابر Rboa تا حدی بالاتر بنظر می‌آید، با مفهوم آماری آن مخالفت دارد. جدول 5،1 اثبات پشتیبانی آن هست. همچنین بزرگتر شدن اندازه مسئله خراب کردن EGNA و mIDEA کردن از لحاظ دست یافتن کارایی در صورتیکه وضعیت راه حل پایدار بسرعت و Rboa برای آنکه مشاهده گردد. از شکل (a) 5،7 و (a) 5،8 واضح است.
افزایش رفتار MBOA و Sub- quadratic Rboa در برابر RDP در صورتیکه m IDEA و EGNA تشریحی مقیاس پذیری دارد. شکل (b) 5،8 نشان می‌دهد BB- wise مقادیر کار برگشت داده شده با الگوریتم‌ها برای RNSP با مختلف m. ترکیب نمونه‌ها برای گزینش مدل جزء سه ترکیب (K=3) استفاده شده. یک مدل خطی، مختصر، N= 200m بکار رفته برای جمعیت تدارک دیدن. در نتیجه RDP، برای آنکه مشاهده کارایی MBOA و Rboa آثار یکسان صرف نظر از اندازه مسئله. می‌توانیم در نظر بگیریم آنها یک Sub- quadratic مقیاس پذیر RNSP دارند. با وجود این نتایج نشان می‌دهد r BOA نسبتا بهتر از MBOA است با توجه به کیفیت مسئله.
.5.7 نتایج آزمایشگاهی و مذاکره
نتیجه آشکار مشاهده آماری آزمایش جدول 5،1. همچنین m IDEA و EGNA یافتن راه حل غیر قابل قبول وضعیت افزایش اندازه مسئله و مقیاس مشاهده خودشان پذیری بدیهی است تشریح مناسب بودن. از شکل 7، 5 و 8، 5 و جدول 1، 5 می‌توان نتیجه گرفت r BOA برای آنکه یک راه حل بهتر بوسیله یک Sub- quadratic افزایش رفتار قابل تجزیه مسئله غیر از MBOA، Midea و EGNA، مخصوصا اندازه و افزایش دشواری مسئله. مقایسه جدول 2، 5 یافتن راه حل‌هایی بوسیله الگوریتم کاربردی مشهور بهینه سازی ارزش واقعی مسئله در جدول 1، 5 شرح داده شده است. سه ترکیب اجراء بکار گرفته شده برای همه افزار سنجی (محک). همچنین هر عدد از طرف اجزاء قابل قبول Griewangk و Michalewicz در اینجا کارها بین فعل و انفعالات متغیرها نیست.
نتایج نشان می‌دهد MBOA برتر است نسب به r BOA، m IDEA و EGNA (آنها راه حل قابل قبول را پیدا می‌کنند، هر چند برای کار Griewangk اما برخی می‌توانند ضبط می‌کنند شناسایی درباره استقلال بعلاوه غلبه کردن بیشمار اسباب (آگاهی موضعی بهینه) شالوده درست پخش کردن.
کار Michalewicz از لحاظ کارایی قابل مقایسه MBOA و r BOA و نیز الگوریتم EGNA و m IDEA خارج از کارایی است.
a) Performance of algorithms on fRDP with
and various m.
5. بهینه سازی الگوریتم Bayesian
(b) کارایی الگوریتم RNSP با و m متفاوت.
مقایسه نتایج الگوریتم درباره مسائل قابل تجزیه.
توانایی AEGNA و m IDE عمل نکردن در برابر کشف مستقل بین فعل و انفعال و متغیرها.
(جداول و نمودار در فایل اصلی موجود است)