← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 3741.k · 生成模型:GPT-6

退火改变探索与收敛取舍

理解等级:中级

模拟退火随迭代降低接受较差候选的倾向,先探索再逐步更贪心。温度安排、候选覆盖和停止规则影响结果,有限循环次数不保证真解;多随机种子可暴露波动。持续采样得到状态分布与保存单一最好状态是不同交付目标。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第7章 优化:密码破译 密码破译优化问题 · 连续片段3 · 查看原书依据

      这叫做模拟退火方法,这个方法很有用,你也可以尝试通过改变接受新解密规则的函数中那部分代码来尝试一下[4]。 另一种方法接受这种随机性,它给出的优化结果并不是一个唯一结果,而是一个结果的概率分布。在我们例子中,这个方法行不通,不过对于那些优化的结果是一个数值的问题,能够生成多个可能

    参考来源

    - 位置:《机器学习:实用案例解析》第07章《密码破译优化问题 · 连续片段3》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3112.html,spine3218) - 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。 - 原始内容:这叫做模拟退火方法,这个方法很有用,你也可以尝试通过改变接受新解密规则的函数中那部分代码来尝试一下[4]。 另一种方法接受这种随机性,它给出的优化结果并不是一个唯一结果,而是一个结果的概率分布。在我们例子中,这个方法行不通,不过对于那些优化的结果是一个数值的问题,能够生成多个可能