Mô phỏng luyện kim (SA) là một thuật toán rất đơn giản so với Tối ưu hóa Bayes (BO). Không phương thức nào giả định độ lồi của hàm chi phí và không phương thức nào chuyển tiếp nhiều vào thông tin độ dốc.
SA là một cách đi bộ ngẫu nhiên giáo dục một chút. Giải pháp ứng viên nhảy xung quanh không gian giải pháp có lịch nhảy cụ thể (tham số làm mát). Bạn không quan tâm nơi bạn hạ cánh trước đó, bạn không biết nơi bạn sẽ hạ cánh tiếp theo. Đó là một cách tiếp cận Chuỗi Markov điển hình. Bạn không mô hình bất kỳ giả định mạnh mẽ nào về bề mặt giải pháp lót. Tối ưu hóa MCMC đã đi một chặng đường dài từ SA (xem ví dụ Hamiltonian Monte Carlo ) nhưng chúng tôi sẽ không mở rộng thêm. Một trong những vấn đề chính với SA là bạn cần đánh giá rất nhiều lần "nhanh". Và nó có ý nghĩa, bạn cần càng nhiều mẫu càng tốt để khám phá càng nhiều trạng thái (ví dụ: giải pháp ứng viên) càng tốt. Bạn chỉ sử dụng một chút thông tin độ dốc (mà hầu như bạn luôn chấp nhận các giải pháp "tốt hơn").
Nhìn vào BO. Hồi quy BO (hoặc đơn giản là Gaussian Process (GP) đối với các đánh giá hàm chi phí của bạn) cố gắng thực hiện ngược lại về mặt đánh giá chức năng. Nó cố gắng giảm thiểu số lượng đánh giá bạn làm. Nó xây dựng một mô hình phi tham số cụ thể (thường là GP) cho hàm chi phí của bạn thường giả định nhiễu. Nó hoàn toàn không sử dụng thông tin độ dốc. BO cho phép bạn xây dựng một mô hình thông tin về hàm chi phí của bạn với một số lượng nhỏ các đánh giá chức năng. Sau đó, bạn "truy vấn" chức năng được trang bị này cho extrema của nó. Một lần nữa ma quỷ là trong các chi tiết; bạn cần lấy mẫu một cách thông minh (và giả sử rằng trước đó của bạn cũng hợp lý một nửa). Có công việc về nơi đánh giá chức năng của bạn tiếp theo đặc biệt là khi bạn biết rằng chức năng của bạn thực sự phát triển một chút theo thời gian (ví dụ: ở đây ).
Một lợi thế rõ ràng của SA so với BO là trong SA rất đơn giản để đặt các ràng buộc vào không gian giải pháp của bạn. Ví dụ: nếu bạn muốn các giải pháp không âm, bạn chỉ giới hạn phân phối mẫu của mình trong các giải pháp không âm. Điều tương tự không phải là trực tiếp trong BO bởi vì ngay cả khi bạn đánh giá các chức năng của mình theo các ràng buộc của bạn (nói không tiêu cực), bạn cũng sẽ cần phải thực sự hạn chế quá trình của mình; điều này trong khi không phải là không thể tham gia nhiều hơn.
Nói chung, người ta thích SA trong các trường hợp hàm chi phí rẻ để đánh giá và BO trong trường hợp hàm chi phí đắt để đánh giá. Tôi nghĩ SA chậm nhưng dần dần không được ủng hộ; đặc biệt là công việc tối ưu hóa không có độ dốc (ví dụ NEWQUA , BOBYQA ) lấy đi một trong những lợi thế chính của nó trong việc so sánh với các phương pháp giảm độ dốc tiêu chuẩn mà không phải đánh giá đạo hàm. Tương tự như vậy, công việc trên MCMC thích ứng (ví dụ: xem tài liệu tham khảo ở trên) làm cho nó lãng phí về mặt tối ưu hóa MCMC cho hầu hết các trường hợp.