差分进化的标准误差答案

【问题标题】：Standard Errors for Differential Evolution差分进化的标准误差
【发布时间】：2014-08-26 00:17:13
【问题描述】：

是否可以计算差分进化的标准误差？

来自维基百科条目：

http://en.wikipedia.org/wiki/Differential_evolution

它不是基于导数的（这确实是它的优势之一），但是你如何计算标准误差？

我原以为某种引导策略可能适用，但除了将引导应用于 DE 之外似乎找不到任何来源？

巴兹

【问题讨论】：

标签： evolutionary-algorithm standard-error differential-evolution

【解决方案1】：

关于标准错误，differential evolution 与任何other evolutionary algorithm 一样。

使用自举策略似乎是个好主意：通常的公式假设基础数据呈正态（高斯）分布。对于进化计算来说，这几乎是不可能的（指数分布更为常见，可能其次是双峰分布）。

simplest bootstrap method 涉及获取 N 个数字的原始数据集并从中采样以形成一个大小也为 N 的新样本（重采样）。重采样取自原始数据使用有放回抽样。这个过程会重复很多次（通常是 1000 或 10000 次），并且对于这些 bootstrap 样本中的每一个，我们都会计算其平均值/中位数（每个都称为 bootstrap 估计值）。

均值的标准差 (SD) 是 均值的自举标准误差 (SE)，中位数的标准差是 中位数的自举标准误差 （均值的第 2.5 和第 97.5centiles 是均值的自举 95% 置信限）。

警告：

population 这个词在不同的上下文中具有不同的含义（自举与进化算法）
在任何 GA 或 GP 中，人口的平均值几乎不会告诉您任何感兴趣的信息。使用最佳运行的平均值/中位数
非正态分布的集合的平均值会产生一个行为不直观的值。特别是如果概率分布是倾斜的：“尾部”中的大值可能占主导地位，平均值往往反映“最差”数据的典型值，而不是一般数据的典型值。在这种情况下，最好使用中位数

一些有趣的链接是：

【讨论】：