我最近正在研究一些关于优化的算法。我发现了一个非常有趣的算法，叫做模拟退火。根据我的理解，我们的初始点变成了分布而不是实际点。它还与初始“温度”有关，但主要思想是“冷却”。这是尝试在达到局部优化时“移动”的某些情况。从而克服局部最优陷阱。我想知道模拟退火也是一种蒙特卡罗方法。不同之处在于蒙特卡罗在全局范围内工作，而模拟退火在局部范围内工作。我的想法对吗？
最佳答案
不，annealing不是一种蒙特卡罗方法，但你的比较并不愚蠢。退火是概率性的，但以一种不太符合蒙特卡罗特征的方式。
主要区别在于流程中分布的定义。蒙特卡洛通过经验模拟分布来确定解决方案。退火在搜索时更改分布定义，逐渐对每个状态转换的“邻居”的概率定义施加更严格的限制。
退火的常见插图可能会让您有些分心，因为该概念通常作为图像的每个像素的局部分辨率方法并行应用。这 是一个本地应用程序，Monte Carlo 不能很好地应用于它——同样，您的想法可能很准确，即使它在形式意义上不是完全正确的。
关于algorithm - 模拟退火是一种蒙特卡洛方法吗？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/56136936/