搜索结果
查询Tags标签： Metropolis，共有 8条记录-
拓端tecdat|python贝叶斯随机过程：马尔可夫链Markov-Chain，MC和Metropolis-Hastings，MH采样算法可视化
原文链接：http://tecdat.cn/?p=25428 原文出处：拓端数据部落公众号介绍 本文，我们说明了贝叶斯学习和 计算统计一些结果。 from math import pi from pylab import *马尔可夫链的不变测度 考虑一个高斯 AR(1) 过程， ， 其中 是标准高斯随机变量的独立同分布序列，独…
2022/2/19 22:12:29 人评论 次浏览 -
模拟退火算法求解最优化问题
目录 0 引言 1 模拟退火算法理论 1.1 模拟退火算法的起源 1.2 物理退火过程 1.3 模拟退火原理 1.4 模拟退火算法思想 2 实例描述 2.1 TSP旅行商问题 2.1.1 问题描述 2.1.2 解空间 2.1.3 新解的产生 2.1.4 目标函数 2.2 背包问题 2.2.1 问题描述 2.2.2 具体实现 2.2.3 结果…
2021/12/13 11:17:25 人评论 次浏览 -
模拟退火算法求解最优化问题
目录 0 引言 1 模拟退火算法理论 1.1 模拟退火算法的起源 1.2 物理退火过程 1.3 模拟退火原理 1.4 模拟退火算法思想 2 实例描述 2.1 TSP旅行商问题 2.1.1 问题描述 2.1.2 解空间 2.1.3 新解的产生 2.1.4 目标函数 2.2 背包问题 2.2.1 问题描述 2.2.2 具体实现 2.2.3 结果…
2021/12/13 11:17:25 人评论 次浏览 -
拓端tecdat|R语言随机波动率(SV)模型、MCMC的Metropolis-Hastings算法金融应用：预测标准普尔SP500指数
原文链接：http://tecdat.cn/?p=23991 原文出处：拓端数据部落公众号 在这个例子中，我们考虑随机波动率模型 SV0 的应用，例如在金融领域。 统计模型 随机波动率模型定义如下并为其中 yt 是因变量，xt 是 yt 的未观察到的对数波动率。N(m,σ2) 表示均值 m 和方差 σ2 的…
2021/10/17 17:11:30 人评论 次浏览 -
拓端tecdat|R语言随机波动率(SV)模型、MCMC的Metropolis-Hastings算法金融应用：预测标准普尔SP500指数
原文链接：http://tecdat.cn/?p=23991 原文出处：拓端数据部落公众号 在这个例子中，我们考虑随机波动率模型 SV0 的应用，例如在金融领域。 统计模型 随机波动率模型定义如下并为其中 yt 是因变量，xt 是 yt 的未观察到的对数波动率。N(m,σ2) 表示均值 m 和方差 σ2 的…
2021/10/17 17:11:30 人评论 次浏览 -
马氏链，Metropolis-Hastings采样与Gibbs采样的理解（附有python仿真）
文章目录 马氏链MH采样代码 Gibbs采样代码马氏链MH采样代码 import numpy as np import matplotlib.pyplot as plt from scipy import statsnp.random.seed(42) # 正态分布 x_=np.linspace(-20,20,100) y_=stats.norm.pdf(x_,0,5)# 正态分布 # y_=stats.expon(scale=1).pd…
2021/9/23 20:11:01 人评论 次浏览 -
马氏链，Metropolis-Hastings采样与Gibbs采样的理解（附有python仿真）
文章目录 马氏链MH采样代码 Gibbs采样代码马氏链MH采样代码 import numpy as np import matplotlib.pyplot as plt from scipy import statsnp.random.seed(42) # 正态分布 x_=np.linspace(-20,20,100) y_=stats.norm.pdf(x_,0,5)# 正态分布 # y_=stats.expon(scale=1).pd…
2021/9/23 20:11:01 人评论 次浏览 -
【ALGO】模拟退火算法
Navigator Simulated AnnealingMetropolis准则SA基本过程SA的控制参数 Demo:求极小值ReferenceSimulated Annealing SA是一种适合求解大规模组合优化问题的算法，是一种关于NP完全类问题的有效近似算法. SA算法是基于Monte-Carlo迭代求解策略的一种随机寻优算法，算法采用…
2021/6/13 22:51:12 人评论 次浏览
