分布估计算法(Estimation of distribution algorithm, EDA)是进化计算领域中的一类新型随机优化算法,它结合了遗传算法和统计学习。与传统的交叉、变异等遗传操作不同,分布估计算法首先建立解空间内个体分布的概率模型,然后随机采样产生新的群体,如此反复进行,实现群体的进化。概率密度估计在这个过程中作用重大,是分布估计算法的核心内容。本文采用支持向量机(Support Vector Machines, SVM)作为建立种群概率模型的工具。论文首先介绍了分布估计算法与支持向量机的基本原理。然后将Kullback-Leibler距离应用到支持向量机进行概率密度估计,从而避免Vapnik提出的概率密度估计方法[4]中的大量积分计算,实现基于支持向量机的分布估计算法。最后进行数值实验,采用本文提出的算法成功求解一些经典算例在高维情况下的最优化问题,并通过与UMDAc算法进行比较,证明这种新的算法在解决一些复杂优化问题时具有优势。