حل مسائل شبیه سازی و روش مونت کارلو دیرک کروس و توماس تایمر به صورت PDF و به زبان انگلیسی در 183 صفحه

- حل مسائل شبیه سازی و روش مونت کارلو دیرک کروس و توماس تایمر به صورت PDF و به زبان انگلیسی در 183 صفحه

حل مسائل شبیه سازی و روش مونت کارلو دیرک کروس و توماس تایمر به صورت PDF و به زبان انگلیسی در 183 صفحه

 

 

 

 

 

 

 

 

روش مونت-کارلو (به انگلیسی: Monte Carlo method) (یا تجربه مونت کارلو) یک الگوریتم محاسباتی است که از نمونه‌گیری تصادفی برای محاسبه نتایج استفاده می‌کند. روش‌های مونت-کارلو معمولاً برای شبیه‌سازی سیستم‌های فیزیکی، ریاضیاتی و اقتصادی استفاده می‌شوند.

در علوم کامپیوتر روشی است که با پیمایش تمام فضای مسئله جواب را میابد.

از طرف دیگر روش مونت کارلو یک طبقه از الگوریتم‌های محاسبه گر می‌باشند که برای محاسبه نتایج خود بر نمونه گیری‌های تکرار شوندهٔ تصادفی اتکاء می‌کنند. روش‌های مونته کارلو اغلب زمان انجام شبیه‌سازی یک سامانه ریاضیاتی یا فیزیکی استفاده می‌شوند. به دلیل اتکای آن‌ها بر محاسبات تکراری و اعداد تصادفی یا تصادفی کاذب، روش‌های مونته کارو اغلب به گونه‌ای تنظیم می‌شوند که توسط رایانه اجرا شوند. گرایش به استفاده از روش‌های مونته کارلو زمانی بیشتر می‌شود که محاسبه پاسخ دقیق با کمک الگوریتم‌های قطعی ناممکن یا ناموجه باشد. روش‌های شبیه‌سازی مونته کارلو مخصوصاً در مطالعه سیستم‌هایی که در آن تعداد زیادی متغیر با درجه آزادی‌های دو به دو مرتبط وجود دارد مفید است، از جمله این سیستم‌ها می‌توان به سیالات، جامداتی که به شدت کوپل شده‌اند، مواد بی نظم و ساختارهای سلولی (مدل سلولی پاتز – Potts- را ببیند) اشاره نمود. از آن گذشته، روش‌های مونته کارلو برای شبیه‌سازی پدیده‌هایی که عدم قطعیت زیادی در ورودی‌های آن‌ها وجود دارد نیز مفید هستند، مثلاً محاسبه ریسک در تجارت. همچنین این روش‌ها به‌طور گسترده‌ای در ریاضیات مورد استفاده قرار می‌گیرند: یک نمونه استفاده سنتی کاربرد این روش‌ها در برآورد انتگرال‌های معین است، به خصوص انتگرال‌های چند بعدی با محدوده‌های مرزی پیچیده. واژه مونته کارلو در دهه ۱۹۴۰ (دهه ۱۳۱۰ شمسی) به وسیله فیزیکدانانی که روی پروژه ساخت یک سلاح اتمی در آزمایشگاه ملی لوس آلاموس آمریکا کار می‌کردند رایج شده‌است.

 

فهرست مطالب:

فصل اول: مباحث مقدماتی

فصل دوم: عدد تصادفی، متغیر تصادفی تولید فرآیند تصادفی (Stochastic Process Generation)

فصل سوم: شبیه سازی سیستم های رخداد گسسته (Simulation of Discrete-Event Systems)

فصل چهارم: تجزیه و تحلیل آماری سیستم های رخداد گسسته

فصل پنجم: کنترل واریانس (Controlling the Variance)

فصل ششم: زنجیره مارکوف مونت کارلو (Markov Chain Monte Carlo)

فصل هفتم: آنالیز حساسیت و بهینه سازی مونت کارلو

فصل هشتم: روش آنتروپی متقابل (The Cross-Entropy Method)

فصل نهم: شمارش از طریق مونت کارلو (Counting via Monte Carlo)

فصل دهم: ضمیمه

برای دانلود کلیک کنید