BCMA-ES : une vue de l'optimisation bayésienne à antériorité conjuguée.

Résumé CMA-ES est l'une des méthodes d'optimisation évolutionnaire de pointe en raison de sa capacité à adapter la covariance à la géométrie de l'information. Elle utilise des informations préalables pour former une meilleure estimation de la distribution du minimum. Nous montrons que cela peut être reformulé comme un problème d'optimisation bayésienne pour l'échantillonnage de l'optimum. Grâce à la distribution Normal Inverse Wishart (NIW), qui est une antériorité conjuguée pour la distribution normale multivariée, nous pouvons dériver un algorithme numériquement efficace CMA-ES bayésien qui obtient des performances similaires à celles du CMA-ES traditionnel sur de nombreux benchmarks et fournit une nouvelle justification pour les équations de mise à jour du CMA-ES. Ce nouveau paradigme pour la CMA-ES bayésienne fournit un pont puissant entre l'optimisation évolutionnaire et l'optimisation bayésienne, montrant les profondes similitudes et connexions entre ces méthodes traditionnellement opposées et ouvrant l'horizon pour des variations et des stratégies de mélange sur ces méthodes.