[论文解读] Modeling with Copulas and Vines in Estimation of Distribution Algorithms

Marta Soto, Yasser González-Fernández+1 more|arXiv (Cornell University)|Oct 19, 2012

Financial Risk and Volatility Modeling参考文献 11被引用 8

一句话总结

本文提出四种基于藤丛（vine）和配极（copula）的分布估计算法（EDAs），用于在连续优化中建模复杂的依赖结构。结果表明，基于藤丛的EDAs，特别是C-藤丛和D-藤丛模型，通过分别建模边缘分布与灵活的成对依赖关系，显著优于传统EDAs，在非正态、依赖性强的测试函数上性能大幅提升。

ABSTRACT

The aim of this work is studying the use of copulas and vines in the optimization with Estimation of Distribution Algorithms (EDAs). Two EDAs are built around the multivariate product and normal copulas, and other two are based on pair-copula decomposition of vine models. Empirically we study the effect of both marginal distributions and dependence structure separately, and show that both aspects play a crucial role in the success of the optimization. The results show that the use of copulas and vines opens new opportunities to a more appropriate modeling of search distributions in EDAs.

研究动机与目标

• 研究依赖结构与边缘分布对连续优化中EDAs性能的影响。
• 通过使用配极将边缘分布与依赖结构建模解耦，将传统EDAs从多元正态假设中拓展出来。
• 开发并评估基于藤丛的EDAs（C-藤丛与D-藤丛），以支持异质且灵活的成对依赖结构。
• 在具有不同依赖特征的基准函数上，对基于配极的EDAs与标准EDAs进行实证比较。
• 证明同时建模边缘分布与依赖结构对EDAs成功至关重要。

提出的方法

• 利用Sklar定理将联合分布分解为边缘分布与配极函数，实现对依赖结构与边缘分布的独立建模。
• 采用多元乘积配极与正态配极构建两种EDAs，将UMDA与EMNA推广至非正态边缘分布。
• 通过藤丛（C-藤丛与D-藤丛）实现成对配极构造（PCC），利用一系列二元配极建模高维依赖结构。
• 选用多种二元配极（高斯、学生t、阿基米德型Clayton、Gumbel及其旋转版本），以捕捉非对称性与尾部依赖关系。
• 使用逆变换采样法，结合条件分布函数（h与h⁻¹），从联合分布中生成EDAs的样本。
• 采用非参数Kendall等级相关系数估计配极参数，并利用灵活的单变量模型拟合边缘分布。

实验结果

研究问题

• RQ1 不同的边缘分布如何影响基于配极的EDAs性能？
• RQ2 依赖结构的选择（通过配极类型）如何影响EDAs的收敛性与解的质量？
• RQ3 具有异质成对依赖结构的藤丛EDAs是否能优于具有可交换依赖结构的标准EDAs？
• RQ4 与多元正态模型相比，基于配极的模型在非正态、非椭球测试函数上的优化性能提升程度如何？
• RQ5 在EDAs的成功中，边缘建模与依赖结构建模的相对贡献分别是什么？

主要发现

• EDAs的性能显著受边缘分布选择与依赖结构影响，两者均对成功至关重要。
• 基于藤丛的EDAs（C-藤丛与D-藤丛）在具有复杂、异质依赖模式的测试函数上，显著优于基于多元乘积与正态配极的EDAs。
• 使用成对配极构造可建模多样的依赖类型（如尾部依赖、非对称性），而标准多元配极无法捕捉此类关系。
• 采用非正态边缘分布并搭配合适配极依赖结构的EDAs，其收敛性与解质量均优于假设多元正态性的EDAs。
• 藤丛结构的灵活性使其能更好地适应具有非椭球性与非可交换依赖关系的真实世界问题。
• 实证结果证实，通过配极将边缘与依赖结构分别建模，可实现更精确、更有效的EDAs搜索分布建模。