Algorithme d’optimisation bayésienne
Dans un algorithme d’optimisation bayésienne, l’objectif de traitement de l’information est de construire un modèle probabiliste qui décrit les relations entre les composants des solutions d’ajustement dans l’espace du problème. Ceci est réalisé en répétant le processus de création et d’échantillonnage à partir d’un réseau bayésien qui contient les dépendances conditionnelles, les indépendances et les probabilités conditionnelles entre les composants d’une solution.
Le réseau est construit à partir des fréquences relatives des composants au sein d’une population de solutions candidates à haut fitness. Une fois le réseau construit, les solutions candidates sont rejetées et une nouvelle population de solutions candidates est générée à partir du modèle. Le processus est répété jusqu’à ce que le modèle converge vers une solution prototype adaptée.
L’algorithme suivant fournit un pseudocode de l’algorithme d’optimisation bayésienne pour minimiser une fonction de coût. Le réseau bayésien est construit à chaque itération en utilisant un algorithme gourmand. Le réseau est évalué en fonction de sa correspondance avec les informations dans la population de solutions candidates en utilisant soit une métrique de dirichlet bayésien (BD), soit un critère d’information bayésien (BIC).
L’algorithme d’optimisation bayésienne a été conçu et étudié sur des problèmes de base de chaînes binaires, représentant le plus souvent des problèmes d’optimisation de fonctions binaires.
Les réseaux bayésiens sont généralement construits (développés) à partir de zéro à chaque itération en utilisant un processus itératif d’ajout, de suppression et d’inversion de liens. De plus, les réseaux antérieurs peuvent être utilisés comme base pour la génération suivante.
Un algorithme gourmand d’escalade est utilisé à chaque itération d’algorithme pour optimiser un réseau bayésien afin de représenter une population de solutions candidates.
FR 
EN 
ES