我们介绍和分析并分析并行蒙特蒙特卡罗方法,了解优化问题的数值解决方案,涉及最小化成本函数,该功能包括许多单独组件的总和。该方案是一种随机零顺序优化算法,只需要评估成本函数的小组集的能力。它可以描绘为一组采样器,可以产生几个概率措施序列的粒子近似。这些措施是以一种方式构建的,使得它们具有相关的概率密度函数,其全球最大值与原始成本函数的全局最小值相一致。该算法选择最佳的执行采样器,并使用它来近似于成本函数的全局最小值。我们在分析上证明了所得估计器几乎肯定地将成本函数的全局最小值收敛并提供了产生的蒙特卡罗样本的数量和搜索空间的维度的显性收敛速率。我们通过数值示例显示该算法可以用多个最小值或具有宽的“平坦”区域来解决成本函数,这很难使用基于梯度的技术最小化。
translated by 谷歌翻译