首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >两种群决策变量高斯分布的KL散度和WD距离

两种群决策变量高斯分布的KL散度和WD距离

作者头像
演化计算与人工智能
发布2020-08-14 00:15:48
9030
发布2020-08-14 00:15:48
举报

以下来自文章:Multisource Selective Transfer Framework in Multiobjective Optimization Problems, TEVC,2020

  • 假设一个种群决策变量有n个维度,并且这n个维度之间没有关联,则可以用多元高斯分布去拟合这个分布,这是EDA即基于分布的演化算法中常用的策略,具体而言
  • 对于两个问题s和t的决策变量而言,可以用Wasserstein distance计算其距离:
  • 而对于两者的相似度则可以使用以下公式进行衡量:
  • 当然也可以使用Kullback–Leibler divergence来衡量两个分布的距离

Wasserstein distance

可以参考的文献

https://www.jianshu.com/p/b03d5433229e https://www.cnblogs.com/denny402/p/7054950.html https://blog.csdn.net/zhangping1987/article/details/25368183 https://zhuanlan.zhihu.com/p/58506295?utm_source=ZHShareTargetIDMore

KL散度(Kullback–Leibler divergence)

https://www.cnblogs.com/huangshiyu13/p/6898212.html

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2020-06-12,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 DrawSky 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Wasserstein distance
  • KL散度(Kullback–Leibler divergence)
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档