本研究提出了一种单变量分布估计算法的通用公式，该算法自然地包含了三种经典的单变量估算算法和一种具有最大 - 最小蚂蚁系统的变化，该公式的统一描述使得其更容易进行分析，并提供了基于种群的增量学习和遗传漂移的具体应用，该模型包括比现有算法更有效的 EDA，并对 OneMax 和 LeadingOnes 基准进行了评估。

Jun, 2022

我们引入了一个名为欺骗性领先块（DLB）的新基准问题，通过它来严格研究单变量边际分布算法（UMDA）在存在遗传上下文和欺骗的情况下的运行时间。我们展示了简单的进化算法（EA）优于 UMDA，除非选择压力 $\mu/\lambda$ 极高，其中 $\mu$ 和 $\lambda$ 分别为父代和子代种群大小，并说明 UMDA 在父代种群大小为 $\mu=Ω(\log n)$ 的情况下，预期将具有 $e^{Ω(\mu)}$ 的 DLB 问题运行时间，假设选择压力 $\frac {\mu}{\lambda} \geq \frac {14}{1000}$，而非精英 $(\mu,\lambda)~\text {EA}$ 的预期运行时间为 $\mathcal {O}(n\lambda\log \lambda+n^3)$ 且 $\mu/\lambda\leq 1/e$。这些结果说明了单变量 EDA 在面对现实世界问题中的欺骗和遗传上下文的固有限制。相比之下，实证证据揭示了双变量 MIMIC 算法在 DLB 问题上的效率。我们的结果表明，当优化问题具有一定程度的遗传上下文和欺骗性时，应考虑具有更复杂概率模型的 EDA。

Jul, 2019

提出一种基于紧凑遗传算法的 EDA 方法，只更新经历考虑后的信息，证明了该方法可在近线性时间内优化 OneMax、LeadingOne 和 BinVal 等基准函数，对于其他 EDA 和进化算法还未有类似的结果。同时证明了其他两种算法无法在多项式时间内优化 OneMax。

Jul, 2018

该论文提出了一种新的框架，将一类分布估计算法，特别是协方差矩阵适应算法，写成了蒙特卡罗期望最大化算法和无限样本极限下的精确 EM，这个发现为 EDAs 研究提供了一个基于 EM 坚实统计基础的新的、一致的框架。

May, 2019

本研究将生成性神经网络 RBM 集成到 EDA 中，通过实验发现 RBM-EDA 在解决组合优化问题时对于大规模或复杂问题具有更快的 CPU 时间，更少的建模时间，表明使用生成性神经网络用于组合优化具有潜在的优势。

Nov, 2014

DOSA-MO 是一种新型的多目标优化封装算法，它通过学习原始估计、其方差以及解集大小如何预测过度估计，并调整期望值以在优化期间改进解集的组成，验证表明 DOSA-MO 基于三个转录组数据集对肾癌和乳腺癌进行生物标志物识别改进了基于遗传算法的最新研究在预测癌症亚型和 / 或患者总存活率时的性能。

Dec, 2023

使用 Automatic Bayesian Density Analysis (ABDA) 这种自动工具进行数据类型和似然度发现、异常检测和相关结构挖掘，以提供准确的密度估计，大大减少了对统计专家的依赖，使探索性数据分析更容易使用。

Jul, 2018

该研究提出新的计算度量，以检验基于概率模型的进化算法中的模型构建难度，并使用估计的 Walsh 系数来评估估计分布算法在各种基准问题中的困难程度，结果表明，该算法可以准确地预测不同问题中的性能。

Feb, 2022

通过利用基因组规模的高通量技术，包括下一代测序（NGS），精准医学旨在实现个性化预后和治疗。然而，转化 NGS 数据面临几个挑战，其中之一是一个有效的模型。本研究开发了一种 BMDL 模型，通过分层负二项分解，得出基于层次的针对过离散化计数数据的域相关隐含表示，以实现对癌症亚型的准确识别。该模型表现出具有前景的多域学习效果。

Oct, 2018

提出了一种在特征级别而非数据级别上基于过采样的解决不平衡分类任务中生成图像的质量多样性平衡问题的方法，并在这一基础上，设计了一种改进的估算分布算法，即基于潜在特征分布演化的改进估算分布算法 (MEDA_LUDE)。大量实验验证了所提出的算法的有效性，并成功地应用于工业领域中的织物缺陷分类。

Jul, 2022