各向异性自适应方差缩放提升GA性能：解决高斯估计算法的早熟收敛问题

高斯分布估计的各向异性自适应方差缩放是一项针对传统高斯估计分布算法（Gaussian Estimation of Distribution Algorithm, GEDA）的重要改进策略。GEDA在优化过程中常常面临两个主要问题：一是变量方差过快减小，导致搜索空间的有效探索不足；二是搜索方向容易趋向于局部最优，影响全局搜索能力。为解决这些问题，本文提出了一种创新的方法，即引入各向异性自适应方差缩放机制。 在传统的GEDA中，方差通常假设在整个搜索空间内是均匀的，但这并不总是最有效的。各向异性自适应方差缩放允许不同方向的方差根据当前搜索状况动态调整，对于那些搜索进展缓慢或遇到局部最优区域的方向，算法会自动增大其方差，增加随机性，从而促使搜索跳出当前的局部最优陷阱。反之，对于搜索进展较快的方向，较小的方差可以保持收敛性，确保算法在已知的优良解附近进行精细化搜索。 作者Zhigang Ren、Yongsheng Liang、Lin Wang、Aimin Zhang、Bei Pang和Biying Li来自西安交通大学自动化科学与技术学院以及西北大学信息科学技术学院，他们合作的研究工作于2018年发表在《知识基于系统》(Knowledge-Based Systems)期刊上，该论文的接收日期为2017年9月12日，修订日期为2018年1月25日，最终接受并在线发布于2018年2月1日。关键词包括高斯分布估计算法、过早收敛、搜索方向和各向异性自适应方差缩放。 通过这种新型的方差调整策略，该论文旨在提升GEDA的全局搜索效率和避免陷入局部最优，从而在优化复杂问题时表现出更好的性能。论文的核心贡献在于提出一种实用且有效的策略，将理论分析与实际应用相结合，以期推动高斯分布算法在机器学习、优化算法等领域的发展。这一研究对于理解和改进进化计算方法，特别是在处理多模态和非凸优化问题时，具有重要意义。