خوارزمية ميتا-ابتكارية حيث الانتروبيا توازن ديناميكياً بين الاستكشاف والاستغلال.
يتم حساب إنتروبيا توزيع اللياقة للسكان كالتالي:
$$ H = - \sum_{i=1}^n p_i \log(p_i) $$
حيث \( p_i \) هو احتمال المرتبة \( i \) بعد التطبيع. انتروبيا عالية → المزيد من الاستكشاف. انتروبيا منخفضة → استغلال أفضل المرشحين.
تمت مقارنة EGO مع الخوارزميات التالية: الخوارزمية الجينية (GA)، سرب الجسيمات (PSO)، والتطور التفاضلي (DE):
fbest(EGO) < fbest(GA, PSO, DE)
في 90% من التجارب
تُظهر EGO أن الإشارات المستندة إلى نظرية المعلومات (الانتروبيا) يمكن أن تحسن استقرار التحسين. الامتدادات المستقبلية: البحث في هياكل الشبكات العصبية وضبط معاملات التعلم الآلي.