Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Kazimirski J. K.

2 2011

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: diffusion Monte Carlo

Sortuj według:

Ogranicz wyniki do:

Global minimum optimization using Diffusion Monte Carlo approach

Kazimirski J. K.

Studia i Materiały / Europejska Uczelnia Informatyczno-Ekonomiczna w Warszawie

2011

Nr 1(1)

63--71

In this preliminary study we present a new approach for a global minimum search of a continuous objective function based on the Diffusion Monte Carlo (DMC) method. In this article we suggest the simple implementation of the computer algorithm. W also test the efficiency of the DMC based approach against a pure random approach based on blind search (random sampling) and random walk algorithms. We use four test problems, namely Ackley's and Griewangk's functions in 5 and 20 dimensions. We show that in all tested cases the DMC algorithm performs significantly better than pure random methods - the optimal solutions generated by DMC method are much closer to the known global minimum of the test problems than the results obtained with blind search and random walk algorithms.

W artykule przedstawiona została metoda optymalizacji globalnej dowolnej funkcji ciągłej oparta o algorytm dyfuzyjnego Monte Carlo (DMC). Proponujemy sposób prostej implementacji zaproponowanego algorytmu, a także przedstawiamy wstępne rezultaty symulacji pokazujących efektywność metody DMC w porównaniu z metodami czysto losowymi - próbkowaniem losowym i błądzeniem losowym. Jako problemy testowe w symulacjach wykorzystujemy funkcję Ackley-a i Griewangk-a w wariantach 5- i 20-wymiarowym. Rezultaty przeprowadzonych symulacji wskazują na znacznie większą efektywność metody DMC w porównaniu z pozostałymi - uzyskane za jej pomocą rozwiązania są znacznie bliższe globalnemu minimum niż wyniki uzyskane metodami czysto losowymi.

Global minimum search using DMC algorithm with continuous weights

Kazimirski J. K.

Scientific Issues of Jan Długosz University in Częstochowa. Mathematics

2011

Vol. 16

117--122

In this study we presented an algorithm for an unconstrained optimization of a continuous objective function, inspired by the Diffusion Monte Carlo method using a weight-based implementation. In this algorithm a cloud of replicas explores the solution space. Replicas are moved and evaluated after each step. Each replica carries an additional parameter (weight) which reflects the quality of its local solution. This parameter is updated after each step. Most inefficient replicas, i.e. replicas with the lowest weights, are occasionally replaced with their highest weight counterparts. In our study we present the basic implementation of the algorithm and compare its performance with other approaches, including the previously used implementation of DMC algorithm with a fluctuating population.