Kỹ thuật tối ưu hóa và mô phỏng Optimization and simulation techniques 1. Giới thiệu Trong bài học trước, chúng ta đã kết luận rằng chìa khóa thành công của phương pháp lấy mẫu theo tầm quan trọng là việc chọn một mật độ đề xuất $g(h|y)$ tốt. Một mật độ đề xuất lý tưởng cần phải xấp xỉ tốt nhất có thể mật độ hậu nghiệm thực sự $p(h|y) \propto p(y|h)p(h)$, đồng thời phải dễ dàng để rút mẫu. Một lựa chọn tự nhiên và phổ biến trong thực tế là sử dụng một phân phối chuẩn đa biến, vì nó có các đặc tính toán học rất thuận lợi. Cụ thể, chúng ta sẽ chọn $g(h|y)$ là một phân phối chuẩn đa biến $N(\tilde{h}, V)$. Nhưng làm thế nào để xác định véc-tơ trung bình $\tilde{h}$ và ma trận hiệp phương sai $V$ tối ưu? Một cách tiếp cận rất hợp lý là chọn $\tilde{h}$ sao cho nó là “điểm có khả năng xảy ra cao nhất” của phân phối hậu nghiệm, tức là mode của $p(h|y)$. Tương …