Bayesiaanse Gesimuleerde Annealing — Globale Optimalisatie met Bayesiaanse Priors
Bayesiaanse Gesimuleerde Annealing (BSA) integreert Bayesiaanse voorkennis over het objectieve landschap in het gesimuleerde annealing-zoekproces. Door overtuigingen over veelbelovende regio's te coderen als prior-distributies en deze bij te werken naarmate de zoektocht vordert, richt BSA de computationele inspanning op gebieden met hoge waarschijnlijkheid in de oplossingsruimte, wat de convergentie versnelt en de oplossingskwaliteit verbetert in vergelijking met ongerichte SA.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Simulated Annealing — Probabilistic global optimization with Bayesian priors on the energy landscape. ScholarGate. https://scholargate.app/nl/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.
- Bayesiaans Genetisch AlgoritmeSimulatie↔ compare
- Bayesian OptimizationOptimalisatie↔ compare
- Genetisch AlgoritmeOptimalisatie↔ compare
- Markov Chain Monte Carlo (MCMC)Simulatie↔ compare
- Gesimuleerde AnnealingOptimalisatie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →