Real-Parameter Evolutionary Monte Carlo With Applications to Bayesian Mixture Models
实参数进化蒙特卡洛及其在贝叶斯混合模型中的应用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：摘要涉及通用蒙特卡洛采样、多峰模拟与神经网络，未明确对应所列经济计量细分方向。
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
实参数进化蒙特卡洛及其在贝叶斯混合模型中的应用
- 研究问题
- 对实值参数的目标分布，如何利用此前抽样信息和温度阶梯改善采样混合，并在多峰问题中评估模拟与优化能力？
- 方法与思路
- 作者提出实数编码的进化蒙特卡洛算法，从已有样本学习并沿温度阶梯采样，在三个多峰例子及贝叶斯神经网络中检验效果。
- 材料陈述的贡献
- 摘要称，数值结果支持该算法作为通用模拟与优化方法的潜力；所述特点包括利用历史样本信息和通过温度阶梯改善混合。
- 阅读关注点
- 应核对历史样本如何参与算法、温度阶梯和转移机制的设置，以及多峰例子的比较基准、计算成本与混合诊断。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；收敛保证和比较数值未说明，题名提及混合模型而摘要未展开该应用，不能补写其结果。
原文摘要
We propose an evolutionary Monte Carlo algorithm to sample from a target distribution with real-valued parameters. The attractive features of the algorithm include the ability to learn from the samples obtained in previous steps and the ability to improve the mixing of a system by sampling along a temperature ladder. The effectiveness of the algorithm is examined through three multimodal examples and Bayesian neural networks. The numerical results confirm that the real-coded evolutionary algorithm is a promising general approach for simulation and optimization.