Monte Carlo Beta PDF

Disponible en: http://www.redalyc.org/src/inicio/ArtPdfRed.jsp?
iCve=47721610004

Redalyc
Sistema de Informacin Cientfica
Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Velsquez-Henao, Juan; Pulgarn-Agudelo, Yeiny; Castao-Arias, Eliana
Optimizacin de Monte Carlo usando la distribucin beta
Ingeniera y Universidad, vol. 15, nm. 1, enero-junio, 2011, pp. 61-76
Pontificia Universidad Javeriana
Bogot, Colombia
Cmo citar? Nmero completo Ms informacin del artculo Pgina de la revista
Ingeniera y Universidad
ISSN (Versin impresa): 0123-2126
reving@javeriana.edu.co
Pontificia Universidad Javeriana
Colombia
www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Ing. Univ. Bogot (Colombia), 15 (1): 61-76, enero-junio de 2011. ISSN 0123-2126
Optimizacin de Monte Carlo
usando la distribucin beta
1
Monte Carlo Optimization Using Beta Distribution
2
Otimizao de Monte Carlo utilizando a distribuio beta
3
Juan Velsquez-Henao
4
Yeiny Pulgarn-Agudelo
5
Eliana Castao-Arias
6
1
Fecha de recepcin: 21 de septiembre de 2010. Fecha de aceptacin: 18 de noviembre de 2010. Este artculo se deriva
de un proyecto de investigacin denominado Prediccin de la demanda mensual de electricidad usando mquinas de
vectores de soporte (proyecto de investigacin en curso de perfeccionamiento de pregrado), de la Universidad Nacional
de Colombia, sede Medelln, Colombia.
2
Submitted on September 21, 2010. Accepted on November 18, 2010. This article is derived from the research project
Predicting the Monthly Demand of Electrical Supply through Support Vector Machines of the Universidad Nacional de
Colombia, Medellin, Colombia.
3
Data de recepo: 21 de setembro de 2010. Data de aceitao: 18 de novembro de 2010. Este artigo deriva de um
projeto de pesquisa denominado Predio da demanda mensal de eletricidade usando mquinas de vetores de suporte
(projeto de pesquisa em aperfeioamento), da Universidade Nacional da Colmbia, sede Medelln, Colmbia
4
Ingeniero civil, Universidad Nacional de Colombia, Magster en Ingeniera de Sistemas. Doctor en Ingeniera Sistemas
Energticos, Universidad Nacional de Colombia, sede Medelln, Colombia. Profesor de Posgrado en Ingeniera de Sistemas,
Facultad de Minas, Universidad Nacional de Colombia, sede Medelln. Correo electrnico: jdvelasq@bt.unal.edu.co.
5
Estadstica, Universidad Nacional de Colombia, sede Medelln, Colombia. Correo electrnico: ylpulgar@unal.edu.co.
6
Estadstica, Universidad Nacional de Colombia, sede Medelln, Colombia. Correo electrnico: eccastan@unal.edu.co.
62
Ing. Univ. Bogot (Colombia), 15 (1): 61-76, enero-junio de 2011
Juan Velsquez-Henao,

Yeiny Pulgarn-Agudelo,

Eliana Castao-Arias
Resumen
En este artculo se presenta el novedoso
mtodo de Monte Carlo para explorar
funciones no lineales n-dimensionales
definidas en un dominio compacto que
es transformado al hipercubo unitario
[0; 1]
n
. En esta aproximacin se usa
la distribucin beta para generar
muestras aleatorias; entre tanto, los
parmetros de la distribucin (alfa y
beta) son ajustados dinmicamente,
tal que en las primeras iteraciones
la distribucin beta es similar a la
distribucin uniforme. En las ltimas
iteraciones, la distribucin beta es
centrada en el mnimo conocido y
la varianza es cercana a cero, tal que
nicamente el vecindario alrededor
del ptimo es muestreado. El mtodo
propuesto es probado usando cuatro
funciones bien conocidas.
Abstract
This paper presents an innovating
Monte Carlo method for exploring
n-dimensional non-linear functions
defined in a compact domain which
is transformed to the hypercube [0;1]
n
.
This approach uses the beta distribu-
tion for generating random samples. Te
distribution parameters, named alpha
and beta, are dynamically adjusted so
that, in the first iterations, the beta
distribution looks like the uniform
distribution. ; in the last iterations,
the beta distribution is centered in the
known minimum and the variance is
near zero, so that only the neighbor-
hood around the optimum is sam-
pled. The method proposed is tested
through four well known benchmark
functions.
Palabras clave
Mtodo de Monte Carlo, heursticas,
optimizacin combinatoria.
Resumo
Neste artigo, apresenta-se um novo
mtodo Monte Carlo para explorar
funes no lineares n-dimensionais
definidas em um domnio compacto
que transformado ao hipercubo
unitrio [0; 1]
n
. Nesta aproximao
utiliza-se a distribuio beta para gerar
amostras aleatrias; contudo, os par-
metros da distribuio (alfa e beta) so
ajustados dinamicamente, de modo que
nas primeiras iteraes a distribuio
seja similar distribuio uniforme.
Nas ltimas iteraes, a distribuio
beta centrada no mnimo conhe-
cido e a varincia prxima a zero,
de modo que somente a vizinhana
em torno do timo amostrada. O
mtodo proposto testado com quatro
funes de teste bem conhecido.
Keywords
Monte Carlo method, heuristics, com-
binatorial optimization.
Palavras chave
Mtodo de Monte Carlo, heursticas,
otimizao combinatria.
63
Introduccin
En optimizacin se desea solucionar el problema formulado como min f(x)
sujeto a L x U, donde x, L y U son vectores n 1, y f () es una funcin
no lineal, tal que f:
n
(Rao, 1996). Este problema se ha abordado exi-
tosamente de diversas maneras, por mtodos basados en derivadas y mtodos
directos (Himmenlblau, 1972; Pierre, 1986; Bazaraa, Sherali y Shetty, 2006).
Uno de los principales problemas que enfrentan muchos de los mtodos, tanto
directos como independientes de las derivadas, es conseguir una exploracin a
profundidad de las regiones de bsqueda (Trn y Zilinskas, 1989). Cuando no
hay una exploracin suficiente, por lo general se llega a un mnimo local. La
caracterstica estocstica del mtodo de Monte Carlo de optimizacin permite
que se explore la regin aleatoriamente y logre una buena exploracin con bajo
costo computacional (Patel, Smith y Zabinsky, 1988).
El mtodo de Monte Carlo tradicional (Dixon y Szeg, 1978; Rinnooy Kan
y Timmer, 1984) se ha aplicado directamente a la solucin de problemas reales
(Kadri, Gharbi y Trabelsi, 2006; Riabov, Riabov y Tverskoy, 2006) y se ha com-
binado tambin con otras metodologas (Lei, 2002; Ren, Ding y Liang, 1988;
Dugan y Erko, 2009) con el fin de mejorar su desempeo. Por otra parte, la
exploracin inicial, es decir, la bsqueda de un buen punto de inicio ha sido un
problema por resolver para la mayora de mtodos (Himmenlblau, 1972; Pierre,
1986). Dadas las caractersticas del mtodo de Monte Carlo, este ha sido escogido
por varios mtodos para realizar la exploracin inicial y potenciar los resultados
de la tcnica primaria (Beyer y Schwefel, 2002; Bck, 1996).
El objetivo de este artculo es presentar una modificacin del mtodo de
Monte Carlo basada en el uso de la distribucin beta, y en el cual se utiliza la
informacin recolectada sobre la funcin objetivo para concentrar el muestreo
de la regin factible en aquella zona donde se encuentra localizado, posiblemente,
el ptimo global.
64 Juan Velsquez-Henao,


Eliana Castao-Arias
El resto de este artculo se encuentra organizado como se describe a continua-
cin. En la siguiente seccin se describe el mtodo de Monte Carlo tradicional.
Posteriormente se presentan brevemente la distribucin beta y sus propiedades.
Ms tarde se expone la metodologa propuesta. Seguidamente se ejemplifica y,
finalmente, se esbozan las principales conclusiones encontradas.
1. Mtodo de Monte Carlo
La optimizacin de Monte Carlo est basada en la generacin de una secuencia
de puntos aleatorios obtenidos de una distribucin, usualmente uniforme, con
el fin de encontrar el ptimo global (mximo o mnimo) de una funcin. En la
Figura 1 se presenta el algoritmo bsico de la optimizacin de Monte Carlo. En
cada iteracin se genera un punto candidato aleatorio, x
c
, en la regin factible
(lnea 02); en este caso, u es una variable aleatoria uniforme en el intervalo [0, 1].
Figura 1. Algoritmo de la optimizacin de Monte Carlo tradicional
01 for (t = 1, , T) {
02 let x
c
= L + u (U L)
03 if (t == 1) let x
l
= x
c

04 let f = f(x
c
) f(x
l
)
05 if (f < 0) let x
l
= x
c

06 }
Fuente: presentacin propia de los autores.
El punto de mnima, x
l
, se actualiza cada vez que se encuentra un punto
candidato donde la funcin objetivo tiene un menor valor que el ms bajo cono-
cido (lnea 05) hasta ese momento. Se sabe que este algoritmo converge con una
probabilidad baja al punto de ptima global en el interior de la regin factible;
por lo que se usa con ms frecuencia para obtener un buen punto de inicio para
otros algoritmos estocsticos (Pardalos y Resende, 2002). Una de las causas de
este comportamiento es que el algoritmo no aprovecha la informacin obtenida
durante el proceso aleatorio de bsqueda y sigue buscando en toda la regin
factible, sin concentrarse en la vecindad del ptimo encontrado, tal como lo
hacen otros algoritmos estocstico como el recocido simulado (Kirkpatrick,
Gelatt y Vecchi, 1983).
65
2. La distribucin beta y sus propiedades
La distribucin beta es una funcin de densidad de probabilidad continua, con
dos parmetros > 0 y > 0, definida en el intervalo [0; 1] y cuya definicin
matemtica es:

( )
( )
( ) ( )
( )
1
1
; , 1 f z z z

+
=

(1)
Donde () es la funcin gamma. El valor esperado y la varianza de una
variable aleatoria Z [0, 1] que sigue una distribucin beta son:
[ ]
E Z

=
+
(2)
[ ]
( )( )
2
1
V Z

=
+ + +
(3)
Los valores de los parmetros y controlan la forma de la distribucin.
3. Propuesta metodolgica
La metodologa propuesta en este artculo se basa en utilizar la distribucin
beta, definida en la ecuacin 1, para muestrear la regin factible, en vez de la
distribucin uniforme (lnea 02 en la Figura 1). El objetivo de la modificacin es
utilizar la informacin conocida para concentrar la bsqueda en la mejor regin
encontrada, tal como lo hacen otros algoritmos de optimizacin estocsticos y
aleatorios. La derivacin de la metodologa se basa en los siguientes aspectos:
Se requiere que la funcin de densidad de probabilidad sea unimodal y cn-
cava hacia abajo. Ello implica que , > 1 en la distribucin beta.
El valor esperado de una variable aleatoria que sigue una distribucin beta
debe coincidir con el ptimo conocido hasta el momento. De esta forma, si z
l
es el mejor punto conocido, la ecuacin 2 establece la relacin que hay entre
y al reemplazar E[Z] por z
l
. As, se logra investigar la vecindad de z
l
.
La varianza de la variable aleatoria Z debe aumentar a medida que el algo-
ritmo itere, de tal manera que se concentre la probabilidad alrededor de su
valor esperado; ello equivale a que la probabilidad de obtener un nmero
aleatorio lejano de z
l
se reduzca en cada iteracin hasta que se haga prcti-
camente cero. Para ello se introduce en la ecuacin 3 un parmetro C que
representa la varianza deseada y a partir del cual se calculan los valores de


Eliana Castao-Arias
y , que garantizan que , > 1. El procedimiento de clculo se presenta
ms adelante en esta misma seccin.
A partir de los tres aspectos anteriores es posible obtener los parmetros
y de una distribucin beta cuyo valor esperado es z
l
y cuya varianza deseada
es controlada por C. En la Figura 2 se grafica la funcin de densidad de varias
distribuciones beta con valores esperados iguales a 0,5 (Figura 2a) y 0,2 (Figura
2b), y que difieren en el valor de la constante C previamente definida. Para C =
1,1 y z
l
= 0,5 (Figura 2a), la distribucin obtenida es muy similar a una distri-
bucin uniforme; a medida que la varianza aumenta, la funcin de densidad de
probabilidad se concentra alrededor de la media (C = 2, 3, 10 y 50).
Figura 2a. Funcin de densidad de probabilidad como funcin de C para una distribucin beta
centrada en 0,0
z
D
e
n
s
i
d
a
d

d
e

p
r
o
b
a
b
i
l
i
d
a
d
0,0 0,2 0,4 0,6 0,8 1,0
0
2
4
6
8
C = 50
C = 10
C = 3
C = 2
C = 1,1
67
Figura 2b. Funcin de densidad de probabilidad como funcin de C para una distribucin beta
centrada en 0,2
En la Figura 3 se presenta el algoritmo de optimizacin propuesto. En la lnea 01
se fijan los valores inicial y final de la constante C, que controla la varianza de la
distribucin beta; su valor disminuye en cada iteracin de acuerdo con la funcin
observada (lnea 05). Sea x
l
el punto inicial del algoritmo, que ser tomado por
defecto como el centro de la regin factible o un punto dado (lnea 02).
Sea z
l
el vector de n dimensiones que contiene el valor esperado. En el caso
por defecto es un vector que contiene 0,5 para cada componente (lnea 03).
Inicialmente se toma una constante C muy cercana a la unidad, por ejemplo,
C = 1,1. Esto equivale a iniciar con una distribucin muy cercana a la uniforme,
que cubre toda la regin factible, pues ante la ausencia de informacin, el ptimo
tiene igual probabilidad de estar ubicado en cualquier lugar de la regin factible.
z
D
e
n
s
i
d
a
d

d
e

p
r
o
b
a
b
i
l
i
d
a
d
0,0 0,2 0,4 0,6 0,8 1,0
0
12
10
8
C = 50
C = 10
C = 3
C = 2
C = 1,1


Eliana Castao-Arias
Figura 3. Algoritmo propuesto
01 initialize C
0
, C
F
02 let x
l
= 0,5 * (L + U)
03 let z
l
= rep(0,5, n)
04 for (t = 2, , T) {
05 let C = C
F
+ (C
0
C
F
) / (T 1) * (T t)
06 for (j = 1, ..n) {
07 let k[j] = (1 z
l
[j] /z
l
[j]
08 if (k[j] 1) {
09 let = C
10 let = / k[j]
11 } else {
12 let = C
13 let = / k[j]
14 }
15 let z
c
[j] = rbeta (, )
16 }
17 let x
c
= L + z
c
(U L)
18 let f = f(x
c
) f(x
l
)
19 if (
f
< 0) {
20 let x
l
= x
c
21 let z
l
= z
c
22 }
23 }
En la lnea 05 se calcula el valor de C, que controla la varianza de la distri-
bucin beta. Este aumenta linealmente en cada iteracin desde su valor inicial
C
0
hasta su valor final C
F
, con lo cual la distribucin se va haciendo cada vez
69
ms delgada, es decir, va desde una distribucin platicrtica a leptocrtica, al
aumentar el nmero de iteraciones.
En las lneas 06 a 14 se itera sobre cada dimensin, calculando los valores de
los parmetros y , que definen la forma de la distribucin, en funcin de la
variable C. La funcin rbeta() usada en la lnea 15 genera un nmero aleatorio
que sigue dicha distribucin de probabilidades.
En la lnea 17, el vector de nmeros aleatorios generado, z
c
, es transforma-
do del intervalo [0, 1]
n
al intervalo [L, U]. Al igual que para el algoritmo de
optimizacin de Monte Carlo, la funcin objetivo es evaluada en x
c
(lnea 18),
y se actualizan los vectores x
l
y z
l
cada vez que se encuentra un punto ms bajo
(lneas 19 a la 22). Es importante resaltar que en el caso n-dimensional se utiliza
una distribucin beta con un valor esperado diferente para cada dimensin, pero
slo se requiere una nica constante C.
4. Ejemplos
4.1 Funcin unidimensional
En este ejemplo se ilustra el proceso de optimizacin de la funcin:
( ) ( ) cos f x x x = +
(4)
para 5 x 25. Esta funcin tiene un ptimo global en x
opt
= 0 y
f(x
opt
) = 1. La funcin se presenta en la Figura 4a. Tal como fue indicado en la
seccin anterior, el punto ptimo inicial es z = 0,5 y C = 1; esto es equivalente,
en el sentido estadstico, a tomar una distribucin uniforme para z [0; 1] y
x [5; 25]. El algoritmo genera nmeros aleatorios z muestreados de la dis-
tribucin beta y actualiza el valor del mejor punto encontrado. A medida que el
algoritmo itera, el valor esperado de la distribucin se hace equivalente al mejor
punto de mnima encontrado y aumenta progresivamente el valor de C. Este
efecto se ilustra en la Figura 4b, en que se muestran las funciones de densidad
de probabilidad utilizadas para muestrear z en funcin de la iteracin; en este
caso, se grafic la funcin de densidad de probabilidad para las iteraciones 5,
10, 20 y 30.


Eliana Castao-Arias
Figura 4a. Grfco de la funcin
Figua 4b. Densidad de probabilidad de x respecto al nmero de iteraciones (t)
b
e
t
a
-5 0 5 10
0
10
5
t = 30
t = 20
t = 10
t = 5
x
15
20
15 20 25
X
10
15
20
25
5
Y
-5 0 5 10 15 20 25
71
Un efecto del esquema de muestreo utilizado en el algoritmo propuesto es
que se explora con mayor frecuencia la vecindad del punto de ptima actual.
Ello implica que, al final del proceso, el muestreo se ha concentrado alrededor
del punto de ptima global; esto se comprueba al graficar un histograma de los
puntos x visitados por el algoritmo de optimizacin (Figura 5), el cual corro-
bora que hay una frecuencia de muestreo mucho ms alta en la vecindad del
mnimo que la apreciada en la totalidad del rango de bsqueda.
Figura 5. Histograma de los puntos x generados por el algoritmo propuesto
Consecuentemente, el valor de la funcin optimizada disminuye en funcin
de la cantidad de iteraciones. En la Figura 6a se grafica el valor calculado de la
funcin objetivo en cada iteracin (lnea continua) y el menor valor encontrado
(lnea punteada). Para apreciar este efecto se grafic el valor de la funcin obje-
tivo cuando x es una variable aleatoria que sigue una distribucin uniforme en
el intervalo 5 x 25. Se aprecia que f(x) sigue un valor errtico debido a
los valores que toma x (Figura 6b).
F
r
e
c
u
e
n
c
i
a
-5 0 5 10
0
20
x
40
60
15 20 25
80
100


Eliana Castao-Arias
Figura 6a. Valor de la funcin objetivo versus la iteracin: algoritmo propuesto
Figura 6b. Valor de la funcin objetivo versus la iteracin de Monte Carlo con una distribucin
uniforme
f
(
x
)
0 50
5
10
Iteracin
15
20
150 200 250 100 300
f
(
x
)
0 50
5
10
Iteracin
15
20
150 200 250 100 300
25
73
4.2 Funciones multidimensionales
En esta seccin se evala y se compara el desempeo del algoritmo propuesto
para las funciones n-dimensionales definidas a continuacin. El ptimo global, el
valor de la funcin en el ptimo y el rango de bsqueda se resumen en la Tabla
1. Para este estudio se us un nmero fijo de 30 dimensiones:
Esfera con centro trasladado:
( ) [ ] ( )
2
9
n
i
f x x i =
(5)
Cuadrtica con centro trasladado:
( ) [ ] ( )
2
1
9
n
i
f x i x i
=
=
(6)
Grienwak con centro trasladado:

(7)
( )
[ ] ( ) [ ] ( )
2
1 1
200 200
cos
4.000
N N
i i
x i x i
f x
i
= =

= +

Ntese que en la definicin original de cada funcin su ptimo se encuen-
tra exactamente en el centro del rango de bsqueda, por lo que el algoritmo
propuesto lo encontrara directamente. Para poder evaluar la potencia del
algoritmo propuesto, las funciones usadas se trasladaron. En este estudio se
compar el algoritmo propuesto con la optimizacin de Monte Carlo, descrito
en la Figura 1, usando una distribucin uniforme. Para cada funcin y algo-
ritmo considerado se realizaron 50 corridas independientes; para cada corrida
se realizaron 15.000 iteraciones.
Tabla 1. Caractersticas de las funciones de prueba utilizadas
Nombre ptimo global Valor de la funcin Rango de bsqueda
Esfera (9; 9; ; 9) 0,0 [50; 50]
Cuadrtica (9; 9; ; 9) 0,0 [20; 20]
Griewank (200; ; 200) 0,0 [600; 600]
Fuente: presentacin propia de los autores


Eliana Castao-Arias
En la Tabla 2 se resumen los resultados obtenidos para las tres funciones de
prueba consideradas. Mejor Valor es el menor valor encontrado entre todas las
50 corridas; Promedio es el valor promedio de menor valor encontrado en cada
una de las corridas; Desviacin Estndar es la desviacin estndar calculada
sobre la muestra de mejores valores encontrados.
Tabla 2. Estadsticos calculados para el valor de la funcin objetivo
Algoritmo Mejor valor Promedio Desviacin estndar
Esfera
Propuesto 319,63 413,45 54,00
Monte Carlo 7889,80 10635,30 1001,33
Cuadrtica
Propuesto 932,25 27121,09 61627,29
Monte Carlo 2,99 10
6
4,90 10
6
1,02 10
6
Griewank
Propuesto 8,77 22,92 16,77
Monte Carlo 304,70 423,48 38,20
De acuerdo con los resultados presentados en la Tabla 2, el algoritmo pro-
puesto realiza un muestreo mucho ms eficiente de la regin factible que el
mtodo de Monte Carlo tradicional. Para las tres funciones analizadas, el mejor
valor encontrado por el algoritmo propuesto est mucho ms cercano del mni-
mo global que el valor hallado usando Monte Carlo con distribucin uniforme.
Puesto que el valor de la funcin objetivo es cero en el mnimo global, el mejor
valor encontrado es en s mismo una medida de la lejana del mejor punto en-
contrado respecto al ptimo global.
El valor promedio de los mejores valores encontrados en las 50 repeticiones
para cada uno de los mtodos comparados es siempre menor para el algoritmo
presentado en este artculo. Ello indica que el algoritmo propuesto hace una
exploracin ms profunda de la regin de bsqueda que el algoritmo de Monte
Carlo. Esta conclusin se refuerza al tener en cuenta que la desviacin estndar
de los mejores valores para las 50 repeticiones del algoritmo es siempre inferior
para la metodologa propuesta, lo que muestra una mayor robustez.
75
5. Conclusiones y trabajo futuro
En este artculo se present un nuevo algoritmo de optimizacin de Monte Carlo
basado en la distribucin beta, el cual se fundamenta en la exploracin detallada
de la regin circundante al ptimo encontrado en cada iteracin. Para ello se
propuso un esquema iterativo que ajusta dinmicamente los parmetros de la
funcin beta de distribucin de probabilidades, de tal forma que su valor espe-
rado coincide con el ptimo encontrado hasta la iteracin actual, y su varianza
aumenta hasta un valor predeterminado por el usuario. El algoritmo propuesto
fue ejemplificado usando cuatro funciones no lineales que han sido ampliamente
usadas para la evaluacin de algoritmos heursticos de optimizacin. Los resul-
tados obtenidos demuestran que el algoritmo propuesto supera ampliamente la
optimizacin de Monte Carlo, que usa una distribucin uniforme.
Referencias
BCK, T. Evolutionary algorithms in theory and practice. London: Oxford, 1996.
BAZARAA, M.; SHERALI, H. y SHETTY, C.M. Nonlinear optimization. New Jersey: Wiley, 2006.
BEYER, H. y SCHWEFEL, H. Evolution strategies. Natural Computing. 2002, vol. 1, nm.
1, pp. 3-52.
DIXON, L. C. W. y SZEG, G. P. (eds.). Towards global optimization, parts 1 and 2. Amsterdam:
North-Holland, 1978.
DUGAN, N. y ERKO, . Genetic algorithmMonte Carlo hybrid geometry optimization
method for atomic clusters. Computational Materials Science. 2009, vol. 45, nm. 1, pp.
127-132.
HIMMENLBLAU, D. Applied nonlinear optimization. New York: McGraw Hill, 1972.
KADRI, O.; GHARBI, F. y TRABELSI, A. Monte Carlo optimization of some parameters in
gamma irradiation processing. Nuclear Instruments and Methods in Physics Research. 2006,
vol. 245, nm. 2, pp. 459-463.
KIRKPATRICK, S.; GELATT, C.D. y VECCHI, M.P. Optimization by simulated annealing.
Science. 1983, vol. 220, nm. 4598, pp. 671-680.
LEI, G. Adaptive random search in Quasi-Monte Carlo methods for global optimization. Com-
puters & Mathematics with Applications. 2002, vol. 43, nms. 6-7, pp. 747-754.
PARDALOS, P. M. y RESENDE, M. G. C. (eds.). Handbook of applied optimization. New York:
Oxford University Press, 2002.
PATEL, N. R.; SMITH, R. L. y ZABINSKY, Z. B. Pure adaptive search in Monte Carlo opti-
mization. Mathematical Programming. 1988, vol. 43, pp. 317-328.
PIERRE, D. A. Optimization theory with application. New York: Dover, 1986.
RAO, S. Engineering optimization, theory and practice. London: Wiley, 1996.


Eliana Castao-Arias
REN, Y.; DING, Y. y LIANG, F. Adaptive evolutionary Monte Carlo algorithm for optimization
with applications to sensor placement problems. Statistics and Computing. 2008, vol. 18,
nm. 4, pp. 375-390.
RIABOV, G. A.; RIABOV, V. G. y TVERSKOY, M. G. Application of Monte-Carlo method for
design and optimization of beam lines. Nuclear Instruments and Methods in Physics Research.
2006, vol. 558, nm. 1, pp. 44-46.
RINNOOY KAN, A. H. G. y TIMMER, G. T. Stochastic methods for global optimization.
American Journal of Mathematical and Management Sciences. 1984, vol. 4, pp. 7-39.
TRN, A. y ZILINSKAS, A. Global optimization. Lecture Notes in Computer Science. 1989, vol.
350, pp. 1-255.

Monte Carlo Beta PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Monte Carlo Beta PDF

Caricato da

Copyright:

Formati disponibili

Disponible en: http://www.redalyc.org/src/inicio/ArtPdfRed.jsp?

Potrebbero piacerti anche