Process / pipelineSimulation / optimization

Μπεϋζιανή Προσομοιωμένη Ανόπτηση — Καθολική Βελτιστοποίηση με Μπεϋζιανές Εκ των Προτέρων Πιθανότητες

Η Μπεϋζιανή Προσομοιωμένη Ανόπτηση (BSA) ενσωματώνει την εκ των προτέρων Μπεϋζιανή γνώση σχετικά με το τοπίο της αντικειμενικής συνάρτησης στη διαδικασία αναζήτησης της προσομοιωμένης ανόπτησης. Κωδικοποιώντας τις πεποιθήσεις για υποσχόμενες περιοχές ως εκ των προτέρων κατανομές και ενημερώνοντάς τες καθώς εξελίσσεται η αναζήτηση, η BSA εστιάζει την υπολογιστική προσπάθεια σε περιοχές του χώρου λύσεων με υψηλή πιθανότητα, επιταχύνοντας τη σύγκλιση και βελτιώνοντας την ποιότητα της λύσης σε σύγκριση με την μη ενημερωμένη SA.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. 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
  2. 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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Bayesian Simulated Annealing — Probabilistic global optimization with Bayesian priors on the energy landscape. ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateBayesian Simulated Annealing (Bayesian Simulated Annealing — Probabilistic global optimization with Bayesian priors on the energy landscape). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/simulation/bayesian-simulated-annealing · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026