Стохастическая оптимизация

редактировать
Эта статья об итерационных методах. Для моделирования (и оптимизации) решений в условиях неопределенности см. Стохастическое программирование. В контексте теории управления см. Стохастическое управление.

Стохастическая оптимизация ( SO) метода оптимизация методы, которые генерируют и используют случайные переменные. Для стохастических задач случайные величины появляются в формулировке самой задачи оптимизации, которая включает случайные целевые функции или случайные ограничения. К методам стохастической оптимизации также относятся методы со случайными итерациями. Некоторые методы стохастической оптимизации используют случайные итерации для решения стохастических задач, объединяя оба значения стохастической оптимизации. Методы стохастической оптимизации обобщают детерминированные методы для детерминированных задач.

СОДЕРЖАНИЕ

  • 1 Методы для стохастических функций
  • 2 Рандомизированные методы поиска
  • 3 См. Также
  • 4 ссылки
  • 5 Дальнейшее чтение
  • 6 Внешние ссылки

Методы для стохастических функций

Частично случайные входные данные возникают в таких областях, как оценка и управление в реальном времени, оптимизация на основе моделирования, когда моделирование методом Монте-Карло выполняется как оценки реальной системы, а также проблемы, при которых существует экспериментальная (случайная) ошибка в измерениях критерия. В таких случаях знание того, что значения функции загрязнены случайным «шумом», естественным образом приводит к алгоритмам, которые используют инструменты статистического вывода для оценки «истинных» значений функции и / или принятия статистически оптимальных решений относительно следующих шагов. К методам этого класса относятся:

Рандомизированные методы поиска

См. Также: Метаэвристический

С другой стороны, даже когда набор данных состоит из точных измерений, некоторые методы вводят случайность в процесс поиска для ускорения прогресса. Такая случайность также может сделать метод менее чувствительным к ошибкам моделирования. Кроме того, введенная случайность может позволить способу выйти из локального оптимума и в конечном итоге приблизиться к глобальному оптимуму. В самом деле, этот принцип рандомизации, как известно, является простым и эффективным способом получения алгоритмов с почти гарантированной хорошей производительностью равномерно по множеству наборов данных для многих видов проблем. К таким методам стохастической оптимизации относятся:

Напротив, некоторые авторы утверждали, что рандомизация может улучшить детерминированный алгоритм только в том случае, если детерминированный алгоритм изначально был плохо спроектирован. Фред В. Гловер утверждает, что использование случайных элементов может помешать разработке более интеллектуальных и более детерминированных компонентов. Способ, которым обычно представлены результаты алгоритмов стохастической оптимизации (например, представление только среднего или даже лучшего из N прогонов без какого-либо упоминания о разбросе), также может привести к положительному смещению в сторону случайности.

Смотрите также

Рекомендации

дальнейшее чтение

Внешние ссылки

Последняя правка сделана 2023-04-05 05:27:32
Содержание доступно по лицензии CC BY-SA 3.0 (если не указано иное).
Обратная связь: support@alphapedia.ru
Соглашение
О проекте