利用粒子群优化校准星系形成的半解析模型

我们提出了一种快速且准确的方法，用于在星系形成与演化的半解析模型（SAMs）中选择一组最优参数。我们的方法通过将模型结果与一组可观测量进行比较，应用一种称为粒子群优化（PSO）的随机技术；这是一种用于在多维空间中定位最大似然区域的自学习算法，其在计算成本方面优于传统采样方法。我们将 PSO 技术应用于 SAG 半解析模型，并结合从标准 $\Lambda$CDM N 体模拟中提取的并合树。校准过程使用观测到的星系属性组合作为约束，包括本地恒星质量函数和黑洞与核球质量关系。我们通过将结果与使用 MCMC 探索获得的结果进行比较，测试了 PSO 算法寻找模型最佳自由参数集的能力。两种方法均找到了相同的最大似然区域，然而 PSO 方法所需的评估次数少了一个数量级。这种新方法允许在多维空间中快速估计最佳拟合参数集，为测试在 SAMs 中包含其他天体物理过程的后果提供了实用工具。