In this thesis, a comprehensive benchmark study about Markov chain Monte Carlo (MCMC) is implemented and presented based on a novel, fair analysis framework. The lessons learned during this evaluation are then used to construct a novel MCMC method. The algorithm facilitates the strengths of multiple existing algorithms. The novel method is shown to be capable of outperforming other state-of-the-art methods while maintaining strong self-tuning capabilities. This effort enables an straightforward, efficient and robust application of state-of-the-art MCMC across many biological applications and aids the future development of MCMC in systems biology.     «

In this thesis, a comprehensive benchmark study about Markov chain Monte Carlo (MCMC) is implemented and presented based on a novel, fair analysis framework. The lessons learned during this evaluation are then used to construct a novel MCMC method. The algorithm facilitates the strengths of multiple existing algorithms. The novel method is shown to be capable of outperforming other state-of-the-art methods while maintaining strong self-tuning capabilities. This effort enables an straightforward,...     »

In dieser Thesis wird eine umfassende Studie über Markov chain Monte Carlo (MCMC) umgesetzt und vorgestellt, basierend auf fairen Auswertungskriterien. Das während der Auswertung Gelernte wird anschließend genutzt, um eine neuartige MCMC Methode zu entwickeln. Der Algorithmus vereint die Stärken verschiedener anderer Algorithmen. Es wird gezeigt, dass die neue Methode in der Lage ist performanter zu sein als Standard-Methoden obgleich sie ausgeprägte Selbstanpassungsfähigkeiten besitzt. Diese Umsetzung erlaubt eine einfache, effiziente und robuste Anwendung einer modernen MCMC Methode in Bereich biologischen Anwendungen und unterstützt die zukünftige Entwicklung von MCMC in der System Biologie.     «

In dieser Thesis wird eine umfassende Studie über Markov chain Monte Carlo (MCMC) umgesetzt und vorgestellt, basierend auf fairen Auswertungskriterien. Das während der Auswertung Gelernte wird anschließend genutzt, um eine neuartige MCMC Methode zu entwickeln. Der Algorithmus vereint die Stärken verschiedener anderer Algorithmen. Es wird gezeigt, dass die neue Methode in der Lage ist performanter zu sein als Standard-Methoden obgleich sie ausgeprägte Selbstanpassungsfähigkeiten besitzt. Diese U...     »