Linear Convergence of Evolution Strategies with Derandomized Sampling Beyond Quasi-Convex Functions

Jérémie Decock 1, 2 Olivier Teytaud 1, 2
1 TAO - Machine Learning and Optimisation
CNRS - Centre National de la Recherche Scientifique : UMR8623, Inria Saclay - Ile de France, UP11 - Université Paris-Sud - Paris 11, LRI - Laboratoire de Recherche en Informatique
Abstract : We study the linear convergence of a simple evolutionary algorithm on non quasi-convex functions on continuous domains. Assumptions include an assumption on the sampling performed by the evolutionary algorithm (supposed to cover efficiently the neighborhood of the current search point), the conditioning of the objective function (so that the probability of improvement is not too low at each time step, given a correct step size), and the unicity of the optimum.
Type de document :
Communication dans un congrès
EA - 11th Biennal International Conference on Artificial Evolution - 2013, Oct 2013, Bordeaux, France. Springer, 2013, Lecture Notes in Computer Science
Liste complète des métadonnées

Littérature citée [13 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-00907671
Contributeur : Jérémie Decock <>
Soumis le : jeudi 21 novembre 2013 - 15:45:47
Dernière modification le : jeudi 11 janvier 2018 - 06:22:14
Document(s) archivé(s) le : samedi 22 février 2014 - 04:41:18

Fichier

linearConvergence.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00907671, version 1

Citation

Jérémie Decock, Olivier Teytaud. Linear Convergence of Evolution Strategies with Derandomized Sampling Beyond Quasi-Convex Functions. EA - 11th Biennal International Conference on Artificial Evolution - 2013, Oct 2013, Bordeaux, France. Springer, 2013, Lecture Notes in Computer Science. 〈hal-00907671〉

Partager

Métriques

Consultations de la notice

339

Téléchargements de fichiers

101