EDA（Estimation of Distribution Algorithm，分布估計算法）是一種基於統計學原理的隨機最佳化算法，它通過估計種群中最優解的機率分布來指導搜尋過程，從而具有方向性。EDA的核心是機率模型，它描述了解空間的分布以及種群的整體進化趨勢。根據機率模型的結構和變數間的相互關係，EDA可以分為變數無關、雙變數相關和多變數相關等類型。代表性的算法包括PBIL（Population-based Incremental Learning，基於種群增量學習）、UMDA（Univariate Marginal Distribution Algorithm，單變數邊際分布算法）、COMIT（Combining Optimizers with Mutual Information Trees，結合最佳化器與互信息樹）、BMDA（Bivariate Marginal Distribution Algorithm，雙變數邊際分布算法）、FDA（Factorized Trial Design Algorithm，因子化試驗設計算法）和ECGA（Extended Compact Distributed Genetic Algorithm，擴展緊湊分散式遺傳算法）等。
EDA與遺傳算法（GA）有明顯區別，GA通過基因的交叉和變異等操作產生新個體，而EDA則通過對搜尋空間採樣和統計學習來預測搜尋的最佳區域，從而產生優秀的新個體。EDA採用基於搜尋空間的巨觀層面的進化方法，具備更強的全局搜尋能力和更快的收斂速度。
此外，Monte Carlo方法、線性規劃的單純形方法和Krylov子空間疊代法等經典最佳化算法也在EDA領域有套用，它們為解決複雜最佳化問題提供了有效的工具。