Байєсівський відпал — Глобальна оптимізація з байєсівськими апріорними знаннями
Байєсівський відпал (BSA) інтегрує байєсівські апріорні знання про ландшафт цільової функції в процес пошуку методом відпалу. Кодуючи переконання про перспективні регіони як апріорні розподіли та оновлюючи їх у міру прогресу пошуку, BSA фокусує обчислювальні зусилля на областях простору рішень з високою ймовірністю, прискорюючи збіжність і покращуючи якість розв'язку порівняно з неінформованим SA.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian Simulated Annealing — Probabilistic global optimization with Bayesian priors on the energy landscape. ScholarGate. https://scholargate.app/uk/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.
- Байєсівський генетичний алгоритмІмітаційне моделювання↔ compare
- Байєсівська оптимізаціяОптимізація↔ compare
- Генетичний алгоритмОптимізація↔ compare
- Метод Монте-Карло на основі Марковських ланцюгів (MCMC)Імітаційне моделювання↔ compare
- Відпал (Simulated Annealing)Оптимізація↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →