Muchos algoritmos basados en Monte-Carlos existen:.

Recozimento simulado

Recozimento simulado (SA)' é uma metaheurística probabilística para o problema de otimização global de encontrar uma boa aproximação do ótimo global de uma determinada função em um grande espaço de busca. É frequentemente usado se o espaço de busca for discreto. Para certos problemas, o recozimento simulado é mais eficiente do que a enumeração exaustiva, uma vez que o objectivo é encontrar uma solução aceitável num curto espaço de tempo e não encontrar a melhor solução possível.

Método de amostragem direta de Monte-Carlo

Neste método, simulações aleatórias são usadas para usar soluções aproximadas.

Exemplo: O problema do vendedor é um dos mais famosos problemas de otimização, cujo objetivo é encontrar o caminho ótimo a seguir que cumpra percorrer a menor distância possível. Vamos supor que em vez de minimizar a distância total do viajante para visitar cada cidade, queremos minimizar o tempo necessário para chegar a cada destino. Isso vai além da otimização convencional. Como resultado, para determinar este novo caminho óptimo, gostaríamos de utilizar a optimização de simulação para compreender a gama de tempos potenciais que poderia levar para ir de um ponto a outro e depois optimizar as nossas decisões de viagem para identificar o melhor caminho a seguir, tendo em conta a incerteza.

Tunelamento estocástico

Túnel estocástico (STUN) é uma abordagem para otimização global baseada no método de amostragem de Monte-Carlo da função objetivo a ser minimizada, em que a função é transformada de forma não linear para permitir fácil tunelamento entre regiões contendo um mínimo da função. O tunelamento mais simples permite uma exploração mais rápida do espaço amostral, bem como uma convergência mais rápida para uma boa solução.

Têmpera paralela

O revenido paralelo é um método de simulação que visa melhorar as propriedades dinâmicas do método Monte Carlo de simulação de sistemas físicos.

Essencialmente, N cópias do sistema são executadas, inicializadas aleatoriamente em diferentes temperaturas. A ideia deste método é disponibilizar configurações de alta temperatura para simulações de baixa temperatura e vice-versa. Isso resulta em uma matriz robusta que é possível amostrar configurações de baixa e alta temperatura.

Outras abordagens incluem estratégias heurísticas para pesquisar o espaço de busca de uma forma mais inteligente, incluindo:

1. Gratuito e de código aberto:.

2. Comercial:.

otimização local.

número de produtos de software comerciais.

software de otimização de múltiplos objetivos para otimização não linear

(GUI, Excel, API C/C++ e Python).

Muchos algoritmos basados en Monte-Carlos existen:.

Recozimento simulado

Recozimento simulado (SA)' é uma metaheurística probabilística para o problema de otimização global de encontrar uma boa aproximação do ótimo global de uma determinada função em um grande espaço de busca. É frequentemente usado se o espaço de busca for discreto. Para certos problemas, o recozimento simulado é mais eficiente do que a enumeração exaustiva, uma vez que o objectivo é encontrar uma solução aceitável num curto espaço de tempo e não encontrar a melhor solução possível.

Método de amostragem direta de Monte-Carlo

Neste método, simulações aleatórias são usadas para usar soluções aproximadas.

Exemplo: O problema do vendedor é um dos mais famosos problemas de otimização, cujo objetivo é encontrar o caminho ótimo a seguir que cumpra percorrer a menor distância possível. Vamos supor que em vez de minimizar a distância total do viajante para visitar cada cidade, queremos minimizar o tempo necessário para chegar a cada destino. Isso vai além da otimização convencional. Como resultado, para determinar este novo caminho óptimo, gostaríamos de utilizar a optimização de simulação para compreender a gama de tempos potenciais que poderia levar para ir de um ponto a outro e depois optimizar as nossas decisões de viagem para identificar o melhor caminho a seguir, tendo em conta a incerteza.

Tunelamento estocástico

Túnel estocástico (STUN) é uma abordagem para otimização global baseada no método de amostragem de Monte-Carlo da função objetivo a ser minimizada, em que a função é transformada de forma não linear para permitir fácil tunelamento entre regiões contendo um mínimo da função. O tunelamento mais simples permite uma exploração mais rápida do espaço amostral, bem como uma convergência mais rápida para uma boa solução.

Têmpera paralela

O revenido paralelo é um método de simulação que visa melhorar as propriedades dinâmicas do método Monte Carlo de simulação de sistemas físicos.

Essencialmente, N cópias do sistema são executadas, inicializadas aleatoriamente em diferentes temperaturas. A ideia deste método é disponibilizar configurações de alta temperatura para simulações de baixa temperatura e vice-versa. Isso resulta em uma matriz robusta que é possível amostrar configurações de baixa e alta temperatura.

Outras abordagens incluem estratégias heurísticas para pesquisar o espaço de busca de uma forma mais inteligente, incluindo:

1. Gratuito e de código aberto:.

2. Comercial:.

otimização local.

número de produtos de software comerciais.

software de otimização de múltiplos objetivos para otimização não linear

(GUI, Excel, API C/C++ e Python).