В численном анализе стохастическое туннелирование (STUN) — это подход к глобальной оптимизации , основанный на методе Монте-Карло — выборке функции, подлежащей объективной минимизации, при которой функция нелинейно преобразуется, чтобы облегчить туннелирование между областями, содержащими минимумы функции . Более простое туннелирование позволяет быстрее исследовать пространство выборки и быстрее сходиться к хорошему решению.
Идея
Схематическая одномерная тестовая функция (черный) и эффективный потенциал STUN (красный и синий), где минимум, указанный стрелками, является лучшим минимумом, найденным на данный момент. Все скважины , находящиеся выше найденного наилучшего минимума, подавляются. Если динамический процесс может выйти из колодца вокруг текущей минимальной оценки, он не будет захвачен другими локальными минимумами, которые находятся выше. Улучшаются скважины с более глубокими минимумами. Этим ускоряется динамический процесс.
Методы оптимизации, основанные на методе Монте-Карло, выбирают целевую функцию путем случайного «перескока» от текущего вектора решения к другому с разницей в значении функции . Вероятность принятия такого пробного прыжка в большинстве случаев выбирается равной ( критерий Метрополиса ) с соответствующим параметром .
Общая идея STUN состоит в том, чтобы обойти медленную динамику энергетических функций неправильной формы, с которой можно столкнуться, например, в спиновых стеклах , путем туннелирования через такие барьеры.
Эта цель достигается путем выборки методом Монте-Карло преобразованной функции, в которой отсутствует медленная динамика. В «стандартной форме» преобразование определяет, где
находится наименьшее найденное на данный момент значение функции. Это преобразование сохраняет места минимумов.
затем используется вместо в исходном алгоритме, что дает новую вероятность принятия
Вариант постоянного туннелирования заключается в том, чтобы делать это только в случае ловли на локальном минимуме. затем корректируется таким образом, чтобы выйти из минимума и найти более глобально оптимальное решение. Анализ флуктуаций с устранением тренда является рекомендуемым способом определения наличия ловушки на локальном минимуме.
К. Хамахер (2006). «Адаптация в области стохастического туннелирования, глобальная оптимизация сложных потенциальных энергетических ландшафтов». Еврофиз. Летт. 74 (6): 944–950. Бибкод : 2006EL.....74..944H. doi : 10.1209/epl/i2006-10058-0. S2CID 250761754.
К. Хамахер и В. Венцель (1999). «Масштабирование алгоритмов стохастической минимизации в идеальной воронкообразной среде». Физ. Преподобный Е. 59 (1): 938–941. arXiv : физика/9810035 . Бибкод : 1999PhRvE..59..938H. doi : 10.1103/PhysRevE.59.938. S2CID 119096368.
В. Венцель и К. Хамахер (1999). «Стохастический туннельный подход для глобальной минимизации». Физ. Преподобный Летт. 82 (15): 3003–3007. arXiv : физика/9903008 . Бибкод : 1999PhRvL..82.3003W. doi :10.1103/PhysRevLett.82.3003. S2CID 5113626.