Unterschied zwischen simuliertem Tempern und mehrfachem Gier

Ich versuche zu verstehen, was der Unterschied zwischen simuliertem Tempern und dem Ausführen mehrerer gieriger Bergsteigeralgorithmen ist.

Nach meinem Verständnis wird der Gier-Algorithmus die Punktzahl auf ein lokales Maximum bringen. Wenn wir jedoch mit mehreren zufälligen Konfigurationen beginnen und Gier auf alle anwenden, haben wir mehrere lokale Maxima. Dann wählen wir das Maximum von ihnen.

Wird dies das gleiche wie beim simulierten Tempern reproduzieren?

machine-learning optimization algorithms

— Bernardo Braga
quelle

Die von Ihnen beschriebene Methode wird als zufälliges Neustart-Bergsteigen (oder manchmal als Schrotflinten-Bergsteigen ) bezeichnet und ist ein anderer Algorithmus als das simulierte Tempern.

$k$ $w_i$ $w^*$

$w_i$ $k$ $T$
$T$

$T$ $k$ $T$ $T$

tldr: Dies sind verschiedene Algorithmen, aber sie verwenden ähnliche Ideen, um Zufallsstichproben in die Suche einzubeziehen .

— MachineEpsilon
quelle

Der Hauptunterschied (in der Strategie) zwischen gieriger Suche und simuliertem Tempern besteht darin, dass bei gieriger Suche immer der beste Vorschlag ausgewählt wird, bei dem simuliertes Tempern die Wahrscheinlichkeit besteht (unter Verwendung einer Boltzman-Verteilung), dies abzulehnen und einen schlechteren Vorschlag zu wählen. Dies hilft dem Algorithmus, ein globales Optimum zu finden, indem er aus dem lokalen Optimum herausspringt. Temp und andere Parameter sind nur ein sekundärer Vorteil (oder Nachteil) von SA.

— Jon