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
LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France, CNRS - Centre National de la Recherche Scientifique : UMR8623
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; Artificial Evolution
Liste complète des métadonnées


https://hal.inria.fr/hal-00907671
Contributeur : Jérémie Decock <>
Soumis le : jeudi 21 novembre 2013 - 15:45:47
Dernière modification le : jeudi 9 février 2017 - 15:00:47
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; Artificial Evolution. <hal-00907671>

Partager

Métriques

Consultations de
la notice

294

Téléchargements du document

94