python 拉丁超立方抽样
了解拉丁超立方原理建议去youtube搜视频,最多就5min,讲得很通俗易懂,看了很多文章长篇大论duck不必,搞懂后原来只是一个简单抽样规则而已。
- 自己写代码
def _domain_lhs_sample(n_domain):# 域内取点result=np.empty([n_domain,2],dtype=float)# 生成一个指定维度的数组,还可以定义类型result.fill(0)#全赋初值为0# result=[[0]*D]*N 方法二temp=np.empty([n_domain])d=1/n_domainfor i in range(2):for j in range(n_domain):temp[j]=np.random.uniform(low=j*d, high=(j+1)*d,size=1)[0]# 从1*1的面积中取得点,后面需要扩大为相应尺度np.random.shuffle(temp) for j in range(n_domain):result[j,i]=temp[j]b = np.array([-0.5,0.5,-0.5,0.5])lower_bounds = b[0]upper_bounds = b[1]if np.any(lower_bounds > upper_bounds):print('范围出错')return Nonenp.add(np.multiply(result,(upper_bounds - lower_bounds),out=result),lower_bounds,out=result)# D参数个数,bounds 参数对应范围,N,拉丁超立方层数return result
- 调库
pyDOE
from pyDOE import lhs
lb=np.array([x_min,y_min])
ub=np.array([x_max.y_max])
point=lb+(ub-lb)*lhs(2,2000)
python 拉丁超立方抽样相关推荐
- 拉丁超立方抽样的Python实现
一.什么是拉丁超立方抽样 拉丁超立方采样是一种分层的蒙特卡洛采样方法,适用于多维空间均匀采样,适合于样本数较少的情况下使用.[1] 采样思想为:假设系统有m个因素,每个因素有n个水平. ...
- 对应于正态分布的拉丁超立方抽样——Python版
拉丁超立方抽样-正态分布 0.拉丁超立方抽样的理论基础 0.1.概况 0.2.基本原理 0.3.基本步骤 1.导入库和基本准备 2.生成两个(具有正态分布的随机变量)参数的随机数 2.1.生成第一个参 ...
- 对应于对数正态分布的拉丁超立方抽样——Python版
拉丁超立方抽样-对数正态分布 0.拉丁超立方抽样的理论基础 0.1.概况 0.2.基本原理 0.3.基本步骤 1.导入库和基本准备 2.生成(具有对数正态分布的随机变量)参数的随机数 3.将生成的随机 ...
- 试验设计——拉丁超立方抽样
目录 1 性质 2 原理 3 实现 4 结果 1 性质 当我们要对某个昂贵函数或者一些试验数据建立代理模型时,前期实验设计对于初始采样点的选取尤为重要,如何尽可能用少量点能够得到空间填冲效果好的初始 ...
- 拉丁超立方抽样 Latin hypercube sampling,java 代码
生成随机样本时,若是简单的随机抽样,会有数据过度聚集的问题,拉丁超立方抽样解决了这个问题. 下面用图说明两者的区别: 图中可以看出,简单随机抽样中的数据大部分在中间,而拉丁立方抽样则均匀产生在各个小区 ...
- 基于拉丁超立方抽样的风,光,负荷场景生成方法 风电功率场景生成 ,光伏功率场景生成,负荷场景生成
基于拉丁超立方抽样的风,光,负荷场景生成方法 风电功率场景生成 ,光伏功率场景生成,负荷场景生成 通过后向场景削减BR得到典型场景及其概率 提供参考文献,完美复现! 语言:MATLAB ID:6430 ...
- matlab 超拉丁,拉丁超立方抽样 专注matlab代码下载 Downma.com 当码网
拉丁超立方抽样 关注次数: 95 下载次数: 9 文件大小: 60K 下载需要积分: 2 代码分类: 开发平台: matlab 上传会员: yhcpp 下载代码 预览代码 Downma.com:专注M ...
- 论文复现:模拟风电不确定性——拉丁超立方抽样生成及缩减场景(Matlab全代码)
风电出力的不确定性主要源于预测误差,而研究表明预测误差(e)服从正态分布且大概为预测出力的10%.本代码采用拉丁超立方抽样实现场景生成[1,2].基于概率距离的快速前代消除法实现场景缩减[3],以此模 ...
- 模拟光伏不确定性——拉丁超立方抽样生成及缩减场景(Matlab全代码)
光伏出力的不确定性主要源于预测误差,而研究表明预测误差(e)服从正态分布且大概为预测出力的10%.本代码采用拉丁超立方抽样实现场景生成[1,2].基于概率距离的快速前代消除法实现场景缩减[3],以此模 ...
最新文章
- Linux Ubuntu 自动登录
- AMF(Action Message Format)其它语言对象转ActionScript对象[转]
- 原来,爱情是与旁观者有关的。。。
- activiti 视图
- 洛谷P6302:回家路线(斜率优化)
- Typora的图片根目录设置,
- Vue与class和style
- 【LeetCode】剑指 Offer 51. 数组中的逆序对
- 从0开始的Python学习006流程控制
- python3 科学计算_python3 科学计算之pandas入门(一)
- Linux系统启动过程分析
- [高通MSM8953_64][Android10]user版本默认获取root权限
- 浅谈医疗卫生系统人事档案管理
- samba 配置文件详解
- Spring源码解析二之创建Bean(实例化)
- python基础知识验证哥德巴赫猜想
- uni-app 实现打开第三方app
- 数据分析应用在传统运营后变身数据化运营
- 独立后台带分销功能月老办事处交友盲盒微信小程序源码新版,更好的裂变推广引流
- 利用python绘制雪景图_彩铅 · 教程 | 教你画一张唯美雪景小图
热门文章
- 计算机硬盘对考,台式机怎样让进行硬盘对拷(快速批量装机) 台式机让进行硬盘对拷(快速批量装机)的方法...
- linux安装iso软件命令,linux命令制作iso镜像
- App Store 审核指南 2017-12-11
- Least Crucial Node UVALive - 7456
- 26学习渗透测试工具 Metasploit 的基本用法,包括漏洞扫描、攻击模块
- 软件测试:三角形问题
- 未来机器人生活的畅享之旅
- unity3D-游戏/AR/VR在线就业班 C#入门访问修饰符学习笔记
- 手机流量充值 php代码,流量充值异步通知示例代码
- Vault: 基础教程之密码引擎及动态密码生成