Recuit simulé bayésien — Optimisation globale avec priors bayésiens
L'Anneau de simulation bayésien (BSA) intègre des connaissances a priori bayésiennes sur le paysage objectif dans le processus de recherche par recuit simulé. En encodant les croyances sur les régions prometteuses sous forme de distributions a priori et en les mettant à jour au fur et à mesure de la progression de la recherche, le BSA concentre l'effort de calcul sur les zones de haute probabilité de l'espace des solutions, accélérant la convergence et améliorant la qualité de la solution par rapport au recuit simulé non informé.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Simulated Annealing — Probabilistic global optimization with Bayesian priors on the energy landscape. ScholarGate. https://scholargate.app/fr/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.
- Algorithme Génétique BayésienSimulation↔ compare
- Optimisation bayésienneOptimisation↔ compare
- Algorithme génétiqueOptimisation↔ compare
- Chaîne de Markov Monte Carlo (MCMC)Simulation↔ compare
- Recuit simuléOptimisation↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →