<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Monte Carlo on 中文AI术语词典</title><link>https://terms-en.ai-term-hub.com/zh/tags/monte-carlo/</link><description>Recent content in Monte Carlo on 中文AI术语词典</description><generator>Hugo</generator><language>zh-cn</language><lastBuildDate>Sat, 18 Jul 2026 11:44:45 +0000</lastBuildDate><atom:link href="https://terms-en.ai-term-hub.com/zh/tags/monte-carlo/index.xml" rel="self" type="application/rss+xml"/><item><title>交叉熵法</title><link>https://terms-en.ai-term-hub.com/zh/terms/cross_entropy_method/</link><pubDate>Sat, 18 Jul 2026 11:12:12 +0000</pubDate><guid>https://terms-en.ai-term-hub.com/zh/terms/cross_entropy_method/</guid><description>&lt;h2 id="definition">Definition&lt;/h2>
&lt;p>交叉熵法（CEM）是一种强大的通用优化算法，用于解决离散和连续问题。它通过维护搜索空间上的概率分布来工作，并通过迭代更新该分布以聚焦于高性能样本，从而逐步优化解决方案。&lt;/p>
&lt;h3 id="summary">Summary&lt;/h3>
&lt;p>一种随机优化技术，利用蒙特卡洛模拟迭代改进对罕见事件概率的估计。&lt;/p>
&lt;h2 id="key-concepts">Key Concepts&lt;/h2>
&lt;ul>
&lt;li>蒙特卡洛模拟&lt;/li>
&lt;li>迭代优化&lt;/li>
&lt;li>概率分布更新&lt;/li>
&lt;li>精英样本&lt;/li>
&lt;/ul>
&lt;h2 id="use-cases">Use Cases&lt;/h2>
&lt;ul>
&lt;li>机器人路径规划&lt;/li>
&lt;li>游戏AI策略优化&lt;/li>
&lt;li>风险分析中的罕见事件估计&lt;/li>
&lt;/ul>
&lt;h2 id="related-terms">Related Terms&lt;/h2>
&lt;ul>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/simulated-annealing-%E6%A8%A1%E6%8B%9F%E9%80%80%E7%81%AB/">Simulated Annealing (模拟退火)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/genetic-algorithms-%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95/">Genetic Algorithms (遗传算法)&lt;/a>&lt;/li>
&lt;li>&lt;a href="https://terms-en.ai-term-hub.com/en/terms/reinforcement-learning-%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0/">Reinforcement Learning (强化学习)&lt;/a>&lt;/li>
&lt;/ul></description></item></channel></rss>