Numeryczna metoda rozwiązywania równań, która działa na stochastycznie obliczonych funkcjach

10

Istnieje wiele dobrze znanych metod numerycznych rozwiązywania równań typu np. metoda bisekcji, metoda Newtona itp.

f(x)=0,xRn,

W mojej aplikacji oblicza się metodą stochastyczną (wynik jest średnią).f(x)

Czy są jakieś metody rozwiązywania równań numerycznych, które dobrze radzą sobie w tej sytuacji? Doceniane są również linki do dyskusji na temat podobnych sytuacji.

Precyzja, do której mogę obliczyć zależy silnie od x , i mogę łatwo uderzyć w ścianę, w której nie mogę zwiększyć precyzji bez znacznego wydłużenia czasu obliczeń. Nie mogę więc zignorować faktu, że wynik z f nie jest dokładny. Wpłynie to również na precyzję, z jaką x można znaleźć w praktyce.f(x)xfx

Szabolcs
źródło
Co wiesz o hałasie / precyzji: czy każdy ma pasek błędu, czy czas po prostu uderza w ścianę? (Czy nie można po prostu ustawić limitu czasu?) Ponadto istnieje wiele metod minimalizacji hałaśliwych funkcji, np. F ( x ) 2 , łatwiejszych niż wyszukiwanie root w R n . f(x)f(x)2Rn
Denis
@Denis Mam przybliżone oszacowanie precyzji, ale jest dość szorstkie i może w dużym stopniu zależeć od . Pracuję również nad tym aspektem i może w końcu opublikować pytanie ( f jest średnią obliczoną za pomocą MCMC). Szczególnie potrzebuję tutaj rootowania, a nie optymalizacji, ale masz rację, że minimalizacja f ( x ) 2 jest tym samym, co rozwiązywanie f ( x ) = 0, jeśli metoda rzeczywiście znajduje globalne minimum. Czy masz jakieś referencje mówiące, że jest to dobre podejście tutaj, a także odniesienia do głośnej optymalizacji? Czy to podejście nie byłoby szkodliwe dla precyzji wyniku? xff(x)2f(x)=0
Szabolcs
obraz na Przepisy numeryczne str. 474 pokazuje, dlaczego znalezienie rootowania nawet w 2d jest trudne. Jeśli chodzi o hałaśliwą optymalizację, przejdę; istnieje wiele metod (więcej niż przypadki testowe), zapytaj tutaj ekspertów.
Denis
@Denis Cóż, tak, to trudne, ale tego właśnie potrzebuję. Mam tę zaletę, że mam dowód, że jest albo jeden root, albo wcale.
Szabolcs

Odpowiedzi:

0

Słowem kluczowym jest przybliżenie stochastyczne, które odnosi się zarówno do znalezienia korzenia, jak i optymalizacji. Jak zwykle znajomość słowa kluczowego ułatwia znalezienie wielu zasobów. Oto strona Wikipedii na początek.

Szabolcs
źródło