• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Winter Simulation Conference >PROVABLY IMPROVING THE OPTIMAL COMPUTING BUDGET ALLOCATION ALGORITHM
【24h】

PROVABLY IMPROVING THE OPTIMAL COMPUTING BUDGET ALLOCATION ALGORITHM

机译：明显改善最佳计算预算分配算法

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We boost the performance of the Optimal Computing Budget Allocation (OCBA) algorithm, a widely used and studied algorithm for Ranking and Selection (as known as Best Arm Identification) under a fixed budget. The proposed fully sequential algorithms, OCBA+ and OCBAR, are shown to have better performance both theoretically and numerically. Surprisingly, we reveal that in a two-design setting, a constant initial sample size in a family of OCBA-type algorithms (including the original OCBA) only amounts to a sub-exponential or even polynomial convergence rate of the probability of false selection (PFS). In contrast, our algorithms are guaranteed to converge exponentially fast, as is shown by a finite-sample bound on the PFS.
机译：我们提高了最佳计算预算分配（OCBA）算法的性能，该算法是在固定预算下广泛使用和研究的用于排名和选择的算法（称为最佳武器识别）。所提出的完全顺序算法OCBA +和OCBAR在理论和数值上均显示出更好的性能。令人惊讶的是，我们发现在两种设计环境下，一系列OCBA类型算法（包括原始OCBA）中恒定的初始样本大小仅等于错误选择概率的次指数甚至多项式收敛率（ PFS）。相反，如PFS上的有限样本所示，我们的算法可保证快速收敛。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号