Linkage learning techniques are a crucial part of many modern evolutionary methods dedicated to solving problems in discrete domains. Linkage information quality is decisive for the effectiveness of these methods. In this article, we point on two possible linkage inaccuracy types. The missing linkage that occurs when some gene dependencies remain undiscovered, and the false linkage that takes place when linkage identifies gene dependencies that do not exist. To the best of our knowledge, all linkage learning techniques proposed so far are based on predictions, which can commit both of the mistake types. We propose a different approach. Instead of using statistical measures, or evolving the linkage, we check which genes are dependent on one another employing disturbances and the local search. We prove that the proposed technique will never report any false linkage. Thus, the proposed linkage learning based on local optimization (3LO) may miss some linkage but will never report a false one. The main objective of this article is to show the potential brought by 3LO that is fundamentally different from other linkage learning techniques. Since the main disadvantage of the proposed technique is its computational cost, it does not seem suitable for some of the already known, effective evolutionary methods. To overcome this issue, we propose an evolutionary method that employs 3LO. The extensive experimental analysis performed on a large set of hard computational problems shows that the method using 3LO is found to be competitive with other state-of-the-art methods.

中文翻译：

---

经验联动学习

链接学习技术是许多致力于解决离散域问题的现代进化方法的重要组成部分。链接信息质量对于这些方法的有效性是决定性的。在本文中，我们指出了两种可能的链接不准确类型。当某些基因依赖性仍未被发现时发生的缺失连锁，以及当连锁识别不存在的基因依赖性时发生的错误连锁。据我们所知，迄今为止提出的所有链接学习技术都基于预测，这可能会犯两种错误类型。我们提出了一种不同的方法。我们不使用统计测量或进化联系，而是使用干扰和局部搜索检查哪些基因相互依赖。我们证明所提出的技术永远不会报告任何错误的链接。因此，提出的基于局部优化（3LO）的链接学习可能会遗漏一些链接，但永远不会报告错误的链接。本文的主要目的是展示 3LO 带来的与其他链接学习技术根本不同的潜力。由于所提出技术的主要缺点是其计算成本，因此它似乎不适合某些已知的有效进化方法。为了克服这个问题，我们提出了一种采用 3LO 的进化方法。对大量困难计算问题进行的大量实验分析表明，发现使用 3LO 的方法与其他最先进的方法具有竞争力。提出的基于局部优化（3LO）的链接学习可能会遗漏一些链接，但永远不会报告错误的链接。本文的主要目的是展示 3LO 带来的与其他链接学习技术根本不同的潜力。由于所提出技术的主要缺点是其计算成本，因此它似乎不适合某些已知的有效进化方法。为了克服这个问题，我们提出了一种采用 3LO 的进化方法。对大量困难计算问题进行的大量实验分析表明，发现使用 3LO 的方法与其他最先进的方法具有竞争力。提出的基于局部优化（3LO）的链接学习可能会遗漏一些链接，但永远不会报告错误的链接。本文的主要目的是展示 3LO 带来的与其他链接学习技术根本不同的潜力。由于所提出技术的主要缺点是其计算成本，因此它似乎不适合某些已知的有效进化方法。为了克服这个问题，我们提出了一种采用 3LO 的进化方法。对大量困难计算问题进行的大量实验分析表明，发现使用 3LO 的方法与其他最先进的方法具有竞争力。本文的主要目的是展示 3LO 带来的与其他链接学习技术根本不同的潜力。由于所提出技术的主要缺点是其计算成本，因此它似乎不适合某些已知的有效进化方法。为了克服这个问题，我们提出了一种采用 3LO 的进化方法。对大量困难计算问题进行的大量实验分析表明，发现使用 3LO 的方法与其他最先进的方法具有竞争力。本文的主要目的是展示 3LO 带来的与其他链接学习技术根本不同的潜力。由于所提出技术的主要缺点是其计算成本，因此它似乎不适合某些已知的有效进化方法。为了克服这个问题，我们提出了一种采用 3LO 的进化方法。对大量困难计算问题进行的大量实验分析表明，发现使用 3LO 的方法与其他最先进的方法具有竞争力。我们提出了一种采用 3LO 的进化方法。对大量困难计算问题进行的大量实验分析表明，发现使用 3LO 的方法与其他最先进的方法具有竞争力。我们提出了一种采用 3LO 的进化方法。对大量困难计算问题进行的大量实验分析表明，发现使用 3LO 的方法与其他最先进的方法具有竞争力。