Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:1410.2109

帮助 | 高级搜索

数学 > 概率

arXiv:1410.2109 (math)
[提交于 2014年10月8日 ]

标题: 自愈伞采样:收敛性和效率

标题: Self-Healing Umbrella Sampling: Convergence and efficiency

Authors:G. Fort (LTCI, CNRS and Telecom Paris Tech), B. Jourdain, T. Lelievre, G. Stoltz (CERMICS, Ecole des Ponts and INRIA Rocquencourt)
摘要: 自愈伞采样(SHUS)算法是一种自适应偏差算法,已被提出用于有效采样多模态概率测度。 我们表明,该方法可以视为众所周知的王-兰道算法的一种变体。 通过适应王-兰道算法收敛性的结果,我们证明了SHUS算法的收敛性。 我们还从效率方面比较了这两种方法。 最后,我们提出了一种对SHUS算法的修改以提高其效率,并展示了SHUS与良好温度元动力学方法的一些相似之处。
摘要: The Self-Healing Umbrella Sampling (SHUS) algorithm is an adaptive biasing algorithm which has been proposed to efficiently sample a multimodal probability measure. We show that this method can be seen as a variant of the well-known Wang-Landau algorithm. Adapting results on the convergence of the Wang-Landau algorithm, we prove the convergence of the SHUS algorithm. We also compare the two methods in terms of efficiency. We finally propose a modification of the SHUS algorithm in order to increase its efficiency, and exhibit some similarities of SHUS with the well-tempered metadynamics method.
主题: 概率 (math.PR) ; 统计力学 (cond-mat.stat-mech); 计算 (stat.CO)
引用方式: arXiv:1410.2109 [math.PR]
  (或者 arXiv:1410.2109v1 [math.PR] 对于此版本)
  https://doi.org/10.48550/arXiv.1410.2109
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Gabriel Stoltz [查看电子邮件]
[v1] 星期三, 2014 年 10 月 8 日 13:34:45 UTC (903 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
math.PR
< 上一篇   |   下一篇 >
新的 | 最近的 | 2014-10
切换浏览方式为:
cond-mat
cond-mat.stat-mech
math
stat
stat.CO

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号