Bayesisk simulētā atkausēšana — globālā optimizācija ar Bayesiskām prioritātēm
Bayesiskā simulētā atkausēšana (BSA) integrē Bayesiskas prioritātes zināšanas par mērķa ainavu simulētās atkausēšanas meklēšanas procesā. Kodējot pārliecību par daudzsološiem reģioniem kā prioritātes sadalījumus un atjauninot tos meklēšanas gaitā, BSA fokusē aprēķinu resursus uz augstas varbūtības apgabaliem risinājumu telpā, paātrinot konverģenci un uzlabojot risinājumu kvalitāti salīdzinājumā ar neinformētu SA.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Simulated Annealing — Probabilistic global optimization with Bayesian priors on the energy landscape. ScholarGate. https://scholargate.app/lv/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.
- Bayesiešuņetiskais algoritmsSimulācija↔ compare
- Optimizācija ar Bajesas metodiOptimizācija↔ compare
- Ģenētiskais algoritmsOptimizācija↔ compare
- Markov Chain Monte Carlo (MCMC)Simulācija↔ compare
- Simulated AnnealingOptimizācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →