Genetic Algorithms for Estimation Problems With Multiple Optima, Nondifferentiability, and Other Irregular Features
用于多重最优、不可微及其他不规则估计问题的遗传算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦通用计量估计的数值优化，未交代具体经济模型或应用领域，缺少归入所列细分方向的依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于多重最优、不可微及其他不规则估计问题的遗传算法
- 研究问题
- 当计量估计的目标函数存在多个最优点、不可微或其他不规则特征时，遗传算法能否有效求解，其表现如何受算法配置影响？
- 方法与思路
- 作者在标准测试问题与文献中的计量问题上开展两组实验：改变变异率、交叉率和种群规模等配置，并与单纯形法、模拟退火等算法比较。
- 材料陈述的贡献
- 摘要称，遗传算法不要求目标函数具有特定形式或规则性，允许较大参数空间且不依赖逐点搜索；作者据此开展算法配置及多种优化方法的比较。
- 阅读关注点
- 应核对各算法的停止准则、计算预算和初值设置是否可比，并查看不同配置下找到最优点的频率、结果稳定性及不规则目标函数的具体形式。
- 阅读边界
- 摘要未报告算法比较结果、运行成本或全局最优的保证，因此无法判断遗传算法是否优于所列方法，也不能据此推定其在具体估计中的可靠性。
原文摘要
The genetic algorithm is examined as a method for solving optimization problems in econometric estimation. It does not restrict either the form or regulalrity of the objective function, allows a reasonbly large parameter space, and does not rely on a point-to-point search. The performance is evaluated through two sets of experiments on standard test problems as well as econometric problems from the literature. First, alternative genetic algorithms are contrasted that vary over mutation and crossover rates, population sizes, and other features. Second, the genetic algorithm is compared to Nelder-Mead simplex, simulated annealing, adaptive random search, and MSCORE.