Symulowane wyżarzanie bayesowskie — globalna optymalizacja z bayesowskimi priorytetami
Symulowane wyżarzanie bayesowskie (BSA) integruje bayesowską wiedzę a priori o krajobrazie celu z procesem przeszukiwania symulowanego wyżarzania. Kodując przekonania o obiecujących regionach jako rozkłady a priori i aktualizując je w miarę postępu poszukiwań, BSA koncentruje wysiłek obliczeniowy na obszarach przestrzeni rozwiązań o wysokim prawdopodobieństwie, przyspieszając zbieżność i poprawiając jakość rozwiązań w porównaniu z niepoinformowanym SA.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Simulated Annealing — Probabilistic global optimization with Bayesian priors on the energy landscape. ScholarGate. https://scholargate.app/pl/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.
- Bayesowski algorytm genetycznySymulacja↔ compare
- Optymalizacja bayesowskaOptymalizacja↔ compare
- Algorytm genetycznyOptymalizacja↔ compare
- Łańcuchowe metody Monte Carlo (MCMC)Symulacja↔ compare
- Wyżarzanie symulowaneOptymalizacja↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →