蒙特卡洛的应用软件统计——小李子LC

已于 2022-08-18 23:39:27 修改
阅读量903 收藏 1
点赞数 1
分类专栏： 蒙特卡洛 文章标签： c++
于 2022-08-18 23:37:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40174293/article/details/126415865
版权

1、应用软件统计

软件

名称

开发

单位

模拟方向

是否开源

优点

备注

Geant4

欧洲核子研究组织

模拟粒子在物质中输运的物理过程的模拟；微观粒子与物质相互作用过程

是

考虑电子与靶碰撞发生的康普顿效应、光电效应、瑞利散射、轫致辐射和电离等物理过程，可以模拟各种能量的粒子传输，其他蒙卡模拟软件一般受能量限制

C++面向对象，用户可以根据实际需要更改、扩充程序，Geant4可以调节、优化以及输出的信息更多，同时可视化方面也比Mcnp默认要强不少，至少可以输出高质量的带电粒子径迹的矢量图片。这点Mcnp不容易做到。

Mcnp

美国洛斯阿拉莫斯国家实验室

模拟粒子在材料中的输运过程，如三维复杂几何结构中的中子、光子、电子或者耦合中子/光子/电子输运问题的通用计算

否

适用于复杂的几何结构

Mcnp输入文件结构复杂,几何模型的描述工作又极为抽象、不直观和容易出错,这样使得描述工作费时、复杂和效率低

Egs4

美国斯坦福直线加速器中心

模拟电磁相互作用过程，如光子和电子的输运过程

是

适用于任何材料

Egsnrc

美国斯坦福直线加速器中心

模拟电磁相互作用过程，如光子和电子的输运过程

是

适用于任何材料

EGS4的升级扩展版

Fluka

Fluka公司，欧洲核子研究组织参与

模拟蒙卡粒子输运过程，如质子、电子加速器屏蔽设计，量热计，活化，剂量学，探测器设计，宇宙射线，中微子物理，还有放射治疗等

是

大部分情况FLUKA使用者不需要编写程序。针对特别的需求，可以通过Fortran 77程序接口来实现

Srim

美国科技领先的Srim企业有限责任公司

模拟计算离子在靶材中能量损失和分布的程序组

—

可以选择特定的入射离子及靶材种类，并可设置合适的加速电压[53]。可以算不同粒子，以不同的能量，从不同的位置，以不同的角度入射到靶中的情况

离子注入常用的模拟软件

Lammps

美国能源部

分子动力学软件，用于对原子建模、原子或连续尺度的并行粒子进行模拟

是

着重于材料建模，适用于固态材料（金属，半导体）和软物质（生物分子，聚合物）以及粗粒或介观系统，是金属原子级模拟的首选

加了蒙卡接口。命名是大规模原子/分子大规模并行模拟器的首字母缩写

Spparks

美国能源部圣地亚哥课题组

用于晶格模型和非晶格模型的并行蒙特卡罗计算

是

能够进行点阵中和离散点阵计算，主要用以缺陷点阵和杂质迁移的演化过程模拟，可用来研究研究与异常晶粒生长相关的机制和统计数据。

小众软件，包括动力学蒙特卡罗（Kmc）、拒绝动力学蒙特卡罗（Rkmc）和大都会蒙特卡罗（Mmc）算法

qq_40174293
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
蒙特卡洛模拟
12-05
用Python实现蒙特卡洛模拟( Monte Carlo simulation)，蒙特·卡罗方法（Monte Carlo method），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。
使用python进行排放清单不确定性分析（蒙特卡洛模拟）
hy19990903的博客
06-15 2012
目前能够进行蒙特卡洛模拟的软件有很多，如crystal ball、AUVtoolpro等，在排放清单数据较为简单，源类较少的情况下使用以上软件来操做是极为方便的，但是当排放b清单原分类较为繁杂，数据的前期处理就变得异常繁琐，充斥着大量的重复工作。使用python或者其他语言来进行编程分析可以降低前期数据处理的难度，减少无意义的重复劳动。
蒙的卡罗分析工具（CrystallBall）_蒙特卡罗发生器软件,crystalballexcel2019
06-24
与excel集成应用的仿真工具，这是2000并在机器上安装成功的版本。
蒙特卡洛仿真——MonteCarlo示例代码，MATLAB
11-16
简单建立对蒙特卡洛的理解。蒙特卡罗法也称统计模拟法、统计试验法。是把概率现象作为研究对象的数值模拟方法。
talemu---蒙特卡洛仿真软件产品介绍
plstudio1的博客
08-04 4541
talemu是拥有独立知识产权的国产软件，核心功能是进行蒙特卡洛仿真。通过应用多项自研成果，能够对主流开发语言编写的模型创建蒙特卡洛仿真模型，依据仿真模型自动生成仿真数据并完成蒙特卡洛仿真实验。有效地解决了传统仿真方式适用面窄、工作量大、难度高、复杂模型仿真仿真能力弱等诸多问题。.........
蒙特卡洛模拟软件Towhee的安装及使用
sinat_31687035的博客
09-06 879
本文分享蒙特卡洛模拟软件towhee的安装和运行方式。
【Matlab】数学建模_蒙特卡罗模拟法
敲代码两年半的练习生博客
04-30 625
鸢尾花（Iris）数据集是一个经典的数据集，用于机器学习和统计学习中的分类和聚类问题。该数据集包含了三种不同类型的鸢尾花（山鸢尾、变色鸢尾和维吉尼亚鸢尾）的测量数据，每种花各有50个样本。每个样本包含四个特征，即萼片长度、萼片宽度、花瓣长度和花瓣宽度，以及它所属的鸢尾花类型。该数据集最早由英国统计学家和生物学家Ronald Fisher在1936年的一篇论文中介绍，并一直被广泛用于分类和聚类问题的研究中。由于其简单性和广泛应用性，鸢尾花数据集已成为了机器学习和统计学习中的标准数据集之一。
蒙特卡罗模拟_干货！蒙特卡罗模拟的小应用
weixin_39823269的博客
12-16 3054
蒙特卡罗(Monte Carlo)模拟方法是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。蒙特卡洛模拟是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。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...
数据处理-蒙特卡洛方法及其应用介绍
04-10
该系列会整理一些数据处理的基本方法，尽请关注
蒙的卡罗分析工具（CrystallBall）
10-08
与excel集成应用的仿真工具，这是2000并在机器上安装成功的版本。
蒙特卡洛excel模拟
12-21
通过excel模拟掷骰子，计算PI，工程项目工期模拟，模特卡洛模拟柱状图生成等
蒙特卡洛仿真软件
05-29
Linux系统和IOS系统下的蒙特卡洛仿真软件
蒙特卡洛模拟——金融
12-27
蒙特卡洛MATLAB程序，利用蒙塔卡洛算法模拟金融。蒙特·卡罗方法（Monte Carlo method），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。
MCNP5蒙特卡洛仿真模拟软件
04-03
MCNP5蒙特卡洛仿真模拟软件
第8讲 蒙特卡洛方法的应用(2007).ppt
最新发布
05-20
第8讲 蒙特卡洛方法的应用(2007).ppt
MCL蒙特卡洛定位——机器人在地图上运动——js实现
06-26
使用MCL蒙特卡洛定位，机器人在地图上运动，通过粒子来定位。html网页中展示机器人运动，js实现了MCL算法。
数据生成 | MATLAB实现MCMC马尔科夫蒙特卡洛模拟的数据生成
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
08-23 2276
数据生成 | MATLAB实现MCMC马尔科夫蒙特卡洛模拟的数据生成
【通信】基于matlab蒙特卡洛算法模拟无线自组网自适应同步【含Matlab源码 3647期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
12-14 34
蒙特卡洛算法模拟无线自组网自适应同步 完整的代码，方可运行；可提供运行操作视频！适合小白！
c语言五子棋蒙特卡洛,五子棋对弈——MCTS学习(示例代码)
05-25
以下是一个基于C语言的五子棋蒙特卡洛树搜索（MCTS）示例代码： ```c #include <stdio.h> #include <stdlib.h> #include <time.h> #define BOARD_SIZE 15 #define MAX_PLAYS 225 #define UCB_C 1.96 typedef struct { int x; int y; } Point; typedef struct Node Node; struct Node { int wins; int plays; Point move; Node *parent; Node *children[MAX_PLAYS]; }; typedef struct { int board[BOARD_SIZE][BOARD_SIZE]; int next_player; } GameState; int opposite(int player) { return 3 - player; } int legal_moves(GameState *state, Point moves[]) { int count = 0; for (int x = 0; x < BOARD_SIZE; x++) { for (int y = 0; y < BOARD_SIZE; y++) { if (state->board[x][y] == 0) { moves[count].x = x; moves[count].y = y; count++; } } } return count; } int winner(GameState *state) { int lines[BOARD_SIZE][BOARD_SIZE][5][2] = {{{{0}}}}; int counts[3] = {0}; for (int x = 0; x < BOARD_SIZE; x++) { for (int y = 0; y < BOARD_SIZE; y++) { int p = state->board[x][y]; if (p == 0) { continue; } for (int i = 0; i < 5; i++) { if (x + i < BOARD_SIZE) { lines[x][y][i][0] = state->board[x + i][y]; } if (y + i < BOARD_SIZE) { lines[x][y][i][1] = state->board[x][y + i]; } } counts[p]++; } } if (counts[1] > counts[2] + 1) { return 2; } if (counts[2] > counts[1]) { return 1; } for (int x = 0; x < BOARD_SIZE; x++) { for (int y = 0; y < BOARD_SIZE; y++) { for (int i = 0; i < 5; i++) { int j; for (j = 0; j < 5; j++) { if (lines[x][y][j][0] != (i + j < 5 ? 0 : lines[x + j - i][y][i + j - 5][0])) { break; } } if (j == 5) { return lines[x][y][0][0]; } for (j = 0; j < 5; j++) { if (lines[x][y][j][1] != (i + j < 5 ? 0 : lines[x][y + j - i][i + j - 5][1])) { break; } } if (j == 5) { return lines[x][y][0][1]; } } } } if (counts[1] + counts[2] == BOARD_SIZE * BOARD_SIZE) { return 0; } return -1; } void play_move(GameState *state, Point move) { state->board[move.x][move.y] = state->next_player; state->next_player = opposite(state->next_player); } Node *new_node(Node *parent, Point move) { Node *node = (Node *) malloc(sizeof(Node)); node->wins = 0; node->plays = 0; node->move = move; node->parent = parent; for (int i = 0; i < MAX_PLAYS; i++) { node->children[i] = NULL; } return node; } void free_tree(Node *node) { for (int i = 0; i < MAX_PLAYS; i++) { if (node->children[i] != NULL) { free_tree(node->children[i]); } } free(node); } int random_playout(GameState *state) { GameState *copy = (GameState *) malloc(sizeof(GameState)); *copy = *state; int result = -1; while (result == -1) { Point moves[MAX_PLAYS]; int count = legal_moves(copy, moves); if (count == 0) { break; } Point move = moves[rand() % count]; play_move(copy, move); result = winner(copy); } free(copy); if (result == -1) { return 0; } if (result == 0) { return 1; } return result == 1 ? -1 : 1; } Node *best_child(Node *node) { double best_score = -1; Node *best_child = NULL; for (int i = 0; i < MAX_PLAYS; i++) { Node *child = node->children[i]; if (child == NULL) { continue; } double score = (double) child->wins / child->plays + UCB_C * sqrt(log(node->plays) / child->plays); if (score > best_score) { best_score = score; best_child = child; } } return best_child; } Node *tree_policy(GameState *state, Node *node) { while (winner(state) == -1) { Point moves[MAX_PLAYS]; int count = legal_moves(state, moves); if (count == 0) { break; } int unexplored = 0; for (int i = 0; i < count; i++) { Point move = moves[i]; int found = 0; for (int j = 0; j < MAX_PLAYS; j++) { if (node->children[j] != NULL && node->children[j]->move.x == move.x && node->children[j]->move.y == move.y) { node = node->children[j]; found = 1; break; } } if (!found) { unexplored = 1; break; } } if (unexplored) { Point move = moves[rand() % count]; node->children[node->plays] = new_node(node, move); node = node->children[node->plays]; } else { node = best_child(node); } play_move(state, node->move); node->plays++; } return node; } void backpropagate(Node *node, int result) { while (node != NULL) { node->wins += result; node->plays++; node = node->parent; result = -result; } } Point select_move(GameState *state, int iterations) { Node *root = new_node(NULL, (Point) {0, 0}); root->plays = 1; for (int i = 0; i < iterations; i++) { GameState *copy = (GameState *) malloc(sizeof(GameState)); *copy = *state; Node *node = tree_policy(copy, root); int result = random_playout(copy); backpropagate(node, result); free(copy); } double best_score = -1; Point best_move = (Point) {-1, -1}; for (int i = 0; i < MAX_PLAYS; i++) { Node *child = root->children[i]; if (child == NULL) { continue; } double score = (double) child->wins / child->plays; if (score > best_score) { best_score = score; best_move = child->move; } } free_tree(root); return best_move; } void print_board(GameState *state) { for (int y = 0; y < BOARD_SIZE; y++) { for (int x = 0; x < BOARD_SIZE; x++) { printf("%c", state->board[x][y] == 1 ? 'X' : state->board[x][y] == 2 ? 'O' : '-'); } printf("\n"); } } int main() { srand(time(NULL)); GameState state = {0}; while (winner(&state) == -1) { print_board(&state); if (state.next_player == 1) { Point move; printf("Enter move: "); scanf("%d %d", &move.x, &move.y); play_move(&state, move); } else { Point move = select_move(&state, 10000); printf("Computer plays: %d %d\n", move.x, move.y); play_move(&state, move); } } print_board(&state); int w = winner(&state); printf("%s wins\n", w == 0 ? "Draw" : w == 1 ? "X" : "O"); return 0; } ``` 该示例代码实现了五子棋蒙特卡洛树搜索，包括游戏状态表示、棋盘的打印、对局的进行（玩家输入和AI自动选择）、胜负判断等功能。其核心是通过蒙特卡洛树搜索来选择AI的下一步棋子位置，具体实现包括： - `new_node`：创建一个新的节点。 - `legal_moves`：获取当前状态下所有合法的落子位置。 - `winner`：判断当前状态下的胜负情况。 - `play_move`：在当前状态下落子。 - `random_playout`：执行一次随机模拟，返回胜负结果。 - `best_child`：找到当前节点中最优的子节点。 - `tree_policy`：根据当前状态和节点，选择下一个要扩展的节点，并返回最终的节点。 - `backpropagate`：在树中回溯更新节点的胜负统计信息。 - `select_move`：根据当前状态，执行多次蒙特卡洛树搜索，返回AI的落子位置。 该示例代码使用了UCB算法来计算节点选择的得分，即使用节点的胜率和置信度上限来决定节点的优先级。经过大量的模拟对局，蒙特卡洛树搜索可以搜索到更深的状态空间，从而提高AI的胜率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值