A Generalized Wang–Landau Algorithm for Monte Carlo Computation
用于蒙特卡洛计算的广义 Wang–Landau 算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用蒙特卡洛计算与优化，没有足够证据归入所列经济计量应用方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于蒙特卡洛计算的广义 Wang–Landau 算法
- 研究问题
- 在能量景观粗糙、存在多个局部极小值的连续系统中，如何改善蒙特卡洛积分与优化时对重要区域的探索？
- 方法与思路
- 作者将 Wang–Landau 算法从离散系统推广到连续系统，以随机逼近构造计算方法，并在适当设置下形成能量空间随机游走。
- 材料陈述的贡献
- 摘要称算法具有积分和优化用途，并提供部分收敛理论；所报数值实验中，其优化表现优于模拟退火与并行回火。
- 阅读关注点
- 应核对能量划分与随机逼近更新、形成随机游走的具体条件、收敛结论，以及比较实验的计算预算和性能指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；收敛条件和实验设置未给出，所述比较不能推广为所有问题上的算法优势。
原文摘要
Inference for a complex system with a rough energy landscape is a central topic in Monte Carlo computation. Motivated by the successes of the Wang–Landau algorithm in discrete systems, we generalize the algorithm to continuous systems. The generalized algorithm has some features that conventional Monte Carlo algorithms do not have. First, it provides a new method for Monte Carlo integration based on stochastic approximation; second, it is an excellent tool for Monte Carlo optimization. In an appropriate setting, the algorithm can lead to a random walk in the energy space, and thus it can sample relevant parts of the sample space, even in the presence of many local energy minima. The generalized algorithm can be conveniently used in many problems of Monte Carlo integration and optimization, for example, normalizing constant estimation, model selection, highest posterior density interval construction, and function optimization. Our numerical results show that the algorithm outperforms simulated annealing and parallel tempering in optimization for the system with a rough energy landscape. Some theoretical results on the convergence of the algorithm are provided.