如何更快地调试蒙特卡罗模拟？

Question

我正在编写模拟退火程序，并且在调试时遇到一些问题。欢迎任何建议。

首先，输出不是确定性的，所以我已经运行了一百次并查看平均值和标准偏差。

但是，完成一个测试用例需要年龄和年龄（> 30分钟）。

通常，我会尝试减少输入，但减少迭代次数会直接降低结果的准确性，而这些方式并不完全可预测。例如，冷却计划是按迭代次数缩放的指数衰减。减少单独运行的数量会使输出非常不可靠（我试图捕获的错误之一是运行之间的巨大差异）。

我知道过早优化是所有邪恶的根源，当然在程序甚至正确之前优化还为时过早，但我认真考虑重写这是一种更快的语言（Cython或C）知道我' d最终必须将它移植回Python以供提交。

那么，有没有什么方法可以比现在更好地测试模拟退火算法？或者我应该在测试之间进行其他工作吗？

披露：这是课程作业，但我不是要求你帮助我进行实际模拟。

Answer 1

以下是我在Drools Planner（java，开源）中实现元启发式（如模拟退火和禁忌搜索）时学到的一些调试技巧：

1. 它支持不同的environmentMode s（DEBUG，REPRODUCIBLE（默认）和PRODUCTION）。在模式DEBUG和REPRODUCIBLE中，所有代码都使用相同的随机实例，Random实例seed已修复。因此，两次运行禁忌搜索实现会给出完全相同的移动，步骤和得分。模拟退火实现依赖于时间梯度，因此根据当时的CPU，可能会略有不同。注意：这不能成为统计运行的借口，但它确实可以使单次运行重现。
2. 良好，可读的记录。使用日志记录级别。不要记录过于冗长。
3. 我们的构建服务器（Hudson）保留性能统计信息。
4. 有一个Benchmarker工具输出图表，以便更容易看到算法的作用。所以不要只看结果，还要看看它是如何实现的。它起初可能做得很好，但后来陷入了局部的最佳状态。





这些可以让您深入了解算法中实际发生的事情。

另外，请参阅我在Simulated Annealing上的博客文章。