Bayesian Simulated Annealing — Global Optimering med Bayesianske Priorer
Bayesian Simulated Annealing (BSA) integrerer Bayesiansk prior viden om objektivlandskabet i den simulerede annealing søgeproces. Ved at indkode overbevisninger om lovende regioner som prior fordelinger og opdatere dem, efterhånden som søgningen skrider frem, fokuserer BSA beregningsindsatsen på områder med høj sandsynlighed i løsningsrummet, hvilket accelererer konvergens og forbedrer løsningskvaliteten sammenlignet med uinformeret SA.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). Optimization by simulated annealing. Science, 220(4598), 671–680. DOI: 10.1126/science.220.4598.671 ↗
- Geman, S., & Geman, D. (1984). Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6(6), 721–741. DOI: 10.1109/TPAMI.1984.4767596 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Simulated Annealing — Probabilistic global optimization with Bayesian priors on the energy landscape. ScholarGate. https://scholargate.app/da/simulation/bayesian-simulated-annealing
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesiansk Genetisk AlgoritmeSimulering↔ compare
- Bayesiansk optimeringOptimering↔ compare
- Genetisk AlgoritmeOptimering↔ compare
- Markov Chain Monte Carlo (MCMC)Simulering↔ compare
- Simulated AnnealingOptimering↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →