大自然是人类获得灵感的源泉。几百年来,将生物界所提供的答案应用于实际问题求解已被证明是一个成功的方法,并且已形成仿生学这个专门的科学分支。在解决一些较为复杂的问题时我们不必非常明确地描述问题的全部特征,只需要根据自然法则来产生新的更好解。基于这种思想发展起来了多种通用问题的求解方法,遗传算法既为经常被使用到的一种。 在遗传算法中有多种杂交、变异算子可供选用,而在实际操作中不合适的算子往往会被使用。例如,当问题的积木块与编码没有精密结合的时候选择单点杂交是不合适的。这在先验知识未知的情况下尤为突出。因此了解无用积木块的分布显得非常重要。而且分布的关联信息能被用来提升算法的效率。概率分布估计算法(EDAs)就是基于以上考虑而发展出来的一种智能算法。相对于遗传算法,概率分布估计算法没有对解进行合并的操作,取而代之的是根据每代种群的概率分布挑选出有前途的个体,并生成新的种群。 本文首先将传统的遗传算法与概率分布估计算法进行了对比,详述了遗传算法所具有的缺陷。然后介绍了概率分布估计算法的核心——概率图模型;并重点介绍了其中的贝叶斯网络结构,它又称为信念网络,是一种图型化的模型,能够图形化地表示一组变量间的联合概率分布函数。接着以求一个6维OneMax函数的最大值为例,介绍了概率分布估计算法的基本概念。最后提出了一种通过建立并行的贝叶斯网络结构的方式,实现概率分布估计算法的并行化。 相对于传统的概率分布估计算法,并行的概率分布估计算法在解决连续函数优化及实时优化问题时能提供极大程度的效率提高。