Groupe d’études et de recherche en analyse des décisions

Comment optimiser l'algorithme Metropolis?

Jeffrey S. Rosenthal

L'algorithme Metropolis est l'exemple le plus courant des méthodes Monte Carlo par chaînes de Markov (MCMC), souvent utilisé pour l'inférence statistique, l'analyse des modèles en physique, etc. Cet algorithme nous donne beaucoup de choix sur comment choisir la distribution instrumentale, et certaines options sont beaucoup mieux que d'autres. Nous allons discuter des possibilités d'optimiser ce choix, liées au taux d'acceptation et autres critères.

Nous allons explorer des connections avec des algorithmes Langevin, des algorithmes adaptatifs, et du travail récent sur comment choisir les températures pour les méthodes de «simulated tempering » et de « parallel tempering ».