MC辨析(蒙特卡洛)
在bes3里面常常有各种mc,很容易让初学者混淆,下面做一个简单辨析。
蒙特卡洛(MC)
蒙特卡罗模拟因摩纳哥著名的赌场而得名。它能够帮助人们从数学上表述物理、化学、工程、经济学以及环境动力学中一些非常复杂的相互作用。
数学家们称这种表述为“模式”,而当一种模式足够精确时, 他能产生与实际操作中对同一条件相同的反应。但蒙特卡罗模拟有一个危险的缺陷: 如果必须输入一个模式中的随机数并不像设想的那样是随机数, 而却构成一些微妙的非随机模式, 那么整个的模拟(及其预测结果)都可能是错的。
方法简介
蒙特卡罗(Monte Carlo)方法,又称随机抽样或统计试验方法,属于计算数学的一个分支,它是在上世纪四十年代中期为了适应当时原子能事业的发展而发展起来的。传统的经验方法由于不能逼近真实的物理过程,很难得到满意的结果,而蒙特卡罗方法由于能够真实地模拟实际物理过程,故解决问题与实际非常符合,可以得到很圆满的结果。这也是以概率和统计理论方法为基础的一种计算方法,是使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系,用电子计算机实现统计模拟或抽样,以获得问题的近似解。为象征性地表明这一方法的概率统计特征,故借用赌城蒙特卡罗命名。
解题步骤
1.对于本身就具有随机性质的问题,如粒子输运问题,主要是正确描述和模拟这个概率过程,对于本来不是随机性质的确定性问题,比如计算定积分,就必须事先构造一个人为的概率过程,它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。
2.构造了概率模型以后,由于各种概率模型都可以看作是由各种各样的概率分布构成的,因此产生已知概率分布的随机变量(或随机向量),就成为实现蒙特卡罗方法模拟实验的基本手段,这也是蒙特卡罗方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布(或称矩形分布)。随机数就是具有这种均匀分布的随机变量。随机数序列就是具有这种分布的总体的一个简单子样,也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题,就是从这个分布的抽样问题。在计算机上,可以用物理方法产生随机数,但价格昂贵,不能重复,使用不便。另一种方法是用数学递推公式产生。这样产生的序列,与真正的随机数序列不同,所以称为伪随机数,或伪随机数序列。不过,经过多种统计检验表明,它与真正的随机数,或随机数序列具有相近的性质,因此可把它作为真正的随机数来使用。由已知分布随机抽样有各种方法,与从(0,1)上均匀分布抽样不同,这些方法都是借助于随机序列来实现的,也就是说,都是以产生随机数为前提的。由此可见,随机数是我们实现蒙特卡罗模拟的基本工具。
3.一般说来,构造了概率模型并能从中抽样后,即实现模拟实验后,我们就要确定一个随机变量,作为所要求的问题的解,我们称它为无偏估计。建立各种估计量,相当于对模拟实验的结果进行考察和登记,从中得到问题的解。
MC辨析
inclusive MC 模拟的是整个探测器的情况,比如bes3有一个大Decay卡,inclusive MC模拟各种可能发生的过程
exclusive Mc 模拟某一个特定过程,这个过程根据自己需求选择比如模拟信号过程,或者单个本底过程
sig_MC 模拟信号过程的MC 只产生信号相关的过程
相空间MC 是根据相空间模型去模拟我们需要的过程,因为相空间是最简单的模型(均匀分布模型),可以根据相空间模型去产生信号或者本底
MC辨析(蒙特卡洛)相关推荐
- 【强化学习】蒙特卡洛方法
目录 动态规划的局限性 蒙特卡洛方法介绍 蒙特卡洛方法的使用条件 蒙特卡洛方法在强化学习中的基本思路 蒙特卡洛控制 没有Exploring Starts的MC控制 基于重要度采样的off policy ...
- 强化学习(五) - 时序差分学习(Temporal-Difference Learning)及其实例----Sarsa算法, Q学习, 期望Sarsa算法
强化学习(五) - 时序差分学习(Temporal-Difference Learning)及其实例 5.1 TD预测 例5.1 回家时间的估计 5.2 TD预测方法的优势 例5.2 随机移动 5.3 ...
- 机器学习 —— 浅谈贝叶斯和MCMC
Abstract:最近课业内的任务不是很多,又临近暑假了,就在网上搜了一些有关于机器学习和深度学习的课程进行学习.网上的资料非常繁多,很难甄别,我也是货比三家进行学习.这是这个系列的第一个笔记,是 ...
- ML、DL、CNN学习记录8
文章目录 ML.DL.CNN学习记录7 强化学习 Makov 贝尔曼方程 Value-Based 知识图谱 图神经网络 ML.DL.CNN学习记录7 强化学习(Reinforcement Learni ...
- 无迹卡尔曼滤波UKF—目标跟踪中的应用(算法部分)
无迹卡尔曼滤波UKF-目标跟踪中的应用(算法部分) 原创不易,路过的各位大佬请点个赞 机动目标跟踪/非线性滤波/传感器融合/导航等探讨代码联系WX: ZB823618313 仿真部分见博客: [无迹卡 ...
- 无迹卡尔曼滤波UKF—目标跟踪中的应用(仿真部分)
无迹卡尔曼滤波UKF-目标跟踪中的应用(仿真部分) 原创不易,路过的各位大佬请点个赞 机动目标跟踪/非线性滤波/传感器融合/导航等探讨联系WX: ZB823618313 算法部分见博客: [无迹卡尔曼 ...
- 教你使用caret包(一)--数据预处理
早在几个月前就有朋友希望我讲讲R中caret包,其实该包蕴含了太多的数据分析和挖掘的功能,集成了上百种分类和回归算法.那会一直在安排和规划写这部分的内容,可惜身体突然出现状况,一下子就耽搁了好几个月, ...
- 容积卡尔曼滤波CKF—目标跟踪中的应用(算法部分—I)
容积卡尔曼滤波CKF-目标跟踪中的应用(算法部分) 原创不易,路过的各位大佬请点个赞 机动目标跟踪/非线性滤波/传感器融合/导航等探讨代码联系WX: ZB823618313 作者:823618313@ ...
- 容积卡尔曼滤波CKF—目标跟踪中的应用(仿真部分—II)
容积卡尔曼滤波CKF-目标跟踪中的应用(算法部分-II) 原创不易,路过的各位大佬请点个赞 机动目标跟踪/非线性滤波/传感器融合/导航等探讨联系WX: ZB823618313 作者:823618313 ...
最新文章
- 基于注意力机制的图卷积网络预测药物-疾病关联
- Node.js的安装
- boost::merge相关的测试程序
- java谓词_在Java中谓词
- 你关注什么,输出什么
- Information Retrieval --- Classification
- matlab2c使用c++实现matlab函数系列教程-normstat函数
- 关于Debug和Release之本质区别(转)
- PPT高级教程及技巧 .
- 360摄像机往事:一半芯片江湖,一半理想国度
- Mysql高级-day02
- ffmpeg合并mp4脚本
- php解析psd图层,PSD解析工具实现(七)
- 自监督学习在计算机视觉中的应用
- 发那科机器人GI分配_发那科机器人应用-运动指令入门(1)
- Notion 编辑器原理分析
- 论“GPL就是给软件开发者们准备的坑”
- MySQL— 索引,视图,触发器,函数,存储过程,执行计划,慢日志,分页性能...
- 荣耀android手机怎么截图,华为荣耀畅玩5C怎么截图/截屏方法教程
- win10 增加eng语言
热门文章
- Win10桌面壁纸、锁屏壁纸保存位置
- 关于VMware 15:在部分链上无法执行所调用的函数,请打开父虚拟磁盘
- 【Python】​​​​​​​turtle八边形绘制
- 浪涌、群脉冲、ESD等级标准
- Laya2自动同步cullingMask方案以及灯光裁剪补丁
- 【CSS】css文字超出显示省略号/文字超过三行显示省略号..
- 浅谈如何加强企业成本管理
- 八、python编写IP地址计算第一个可用IP地址、最后一个可用IP地址、网络号、广播地址、主机数
- 谷歌想要返华,但却陷入了尴尬境地
- IDEA 中 Maven运行tomacat7出现A child container failed during start错误