Swapping, tempering and equi-energy sampling on a selection of models in statistical mechanics
In dieser Arbeit werden drei Varianten des Metropolis-Hastings Algorithmus betrachtet. Simulated Tempering, Swapping und Equi-Energy Sampling sollen durch Hinzufügen eines Temperaturschritts die Konvergenzgeschwindigkeit dieser Algorithmen gegenüber dem zugrunde liegenden Metropolis-Hastings Algorit...
Verfasser: | |
---|---|
Weitere Beteiligte: | |
FB/Einrichtung: | FB 10: Mathematik und Informatik |
Dokumenttypen: | Dissertation/Habilitation |
Medientypen: | Text |
Erscheinungsdatum: | 2010 |
Publikation in MIAMI: | 08.02.2011 |
Datum der letzten Änderung: | 19.05.2016 |
Angaben zur Ausgabe: | [Electronic ed.] |
Schlagwörter: | Energy Sampling; Metropolis-Hastings Algorithmus; Random-Energy-Model; Generalized-Random-Energy-Model; Blume-Emery-Grifiths Modell; Generalized-Curie-Weiss Modell; Potts Modell |
Fachgebiet (DDC): | 510: Mathematik |
Lizenz: | InC 1.0 |
Sprache: | English |
Format: | PDF-Dokument |
URN: | urn:nbn:de:hbz:6-25429484071 |
Permalink: | https://nbn-resolving.de/urn:nbn:de:hbz:6-25429484071 |
Onlinezugriff: | diss_ebbers.pdf |
In dieser Arbeit werden drei Varianten des Metropolis-Hastings Algorithmus betrachtet. Simulated Tempering, Swapping und Equi-Energy Sampling sollen durch Hinzufügen eines Temperaturschritts die Konvergenzgeschwindigkeit dieser Algorithmen gegenüber dem zugrunde liegenden Metropolis-Hastings Algorithmus in Situationen verbessern, in denen dieser langsam gegen das gewünschte Wahrscheinlichkeitsmaß konvergiert. Es wird gezeigt, dass der Swapping Algorithmus im Generalized-Curie-Weiss Modell in polynomiell vielen Schritten konvergiert. Im Blume-Emery-Grifiths Modell ist die Konvergenz in einem Parameterbereich auch schnell, während sie in einem anderen Parameterbereich langsam ist. Auch für die Spingläser Random-Energy-Model und Generalized-Random-Energy-Model benötigen Simulated Tempering und Swapping exponentiell viele Schritte um nahe an die gewünschte Verteilung zu gelangen. Schließlich wird noch gezeigt, dass der Equi-Energy Algorithmus im Potts Modell langsam mischt.