คำถามติดแท็ก monte-carlo

ปัญหาที่พบบ่อยมากในมาร์คอฟเชนมอนติคาร์โลนั้นเกี่ยวข้องกับความน่าจะเป็นในการคำนวณซึ่งเป็นผลรวมของเทอมใหญ่ ๆ อีa1+ ea2+ . . .ea1+ea2+... e^{a_1} + e^{a_2} + ... ซึ่งองค์ประกอบของได้ตั้งแต่ขนาดเล็กมากที่จะมีขนาดใหญ่มาก แนวทางของฉันคือการแยกคำที่ใหญ่ที่สุดเพื่อให้:aaaK: = สูงสุดผม( กผม)K:=maxi(ai)K := \max_{i}(a_{i}) E ' ≡ อี1 + e 2 + . .a'= K+ l o g( ea1- เค+ ea2- เค+ . . . )a′=K+log(ea1−K+ea2−K+...)a' =K + log\left( e^{a_1 - K} + e^{a_2 - …

24 monte-carlo  floating-point  statistics 

ฉันรู้ว่าวิธีการส่วนใหญ่ในการค้นหาวิธีแก้ปัญหาโดยประมาณสำหรับ PDE นั้นขยายขนาดได้ไม่ดีเท่าจำนวนมิติและ Monte Carlo ใช้สำหรับสถานการณ์ที่เรียกว่า ~ 100 มิติ อะไรคือวิธีที่ดีในการแก้ปัญหาเชิงตัวเลขอย่างมีประสิทธิภาพในช่วง 4-10 มิติ? 10-100? มีวิธีการอื่นใดนอกเหนือจาก Monte Carlo ที่ขยายได้ดีกับจำนวนมิติหรือไม่?

14 pde  monte-carlo  high-dimensional 

ฉันมีฟังก์ชั่นเช่นนั้น∫ R 3 f ( x , y , z ) d V มี จำกัด และฉันต้องการประมาณอินทิกรัลนี้ ฉ( x , y, z)f(x,y,z)f(x,y,z) ∫R3ฉ( x , y, z) dV∫R3f(x,y,z)dV\int_{R^3} f(x,y,z)dV ฉันคุ้นเคยกับกฎการสร้างพื้นที่สี่เหลี่ยมจัตุรัสและการประมาณ monte carlo ของอินทิกรัล แต่ฉันเห็นความยากลำบากในการนำไปใช้กับโดเมนที่ไม่มีขอบเขต ในกรณีมอนเต้คาร์โลเราจะสุ่มตัวอย่างพื้นที่ที่ไม่มีที่สิ้นสุดได้อย่างไร (โดยเฉพาะอย่างยิ่งถ้าพื้นที่ที่มีส่วนสำคัญยิ่งต่ออินทิกรัลไม่ทราบ) ในกรณีพื้นที่สี่เหลี่ยมจัตุรัสฉันจะหาจุดที่ดีที่สุดได้อย่างไร ฉันควรแก้ไขพื้นที่ขนาดใหญ่โดยพลการที่มีศูนย์กลางอยู่ที่จุดกำเนิดและใช้กฎการสร้างพื้นที่สี่เหลี่ยมจัตุรัสแบบกระจัดกระจายหรือไม่? ฉันจะประมาณค่าอินทิกรัลนี้ได้อย่างไร

13 monte-carlo  quadrature 

เรากำลังทำงานกับแบบจำลอง Bayesian สำหรับกระบวนการ space-time และกำลังใช้ตัวเก็บตัวอย่าง No-U-Turn (NUTS) ที่ต้องใช้แบบจำลองสำหรับความน่าจะเป็นในการบันทึกและการไล่ระดับสีตามพารามิเตอร์ของแบบจำลอง ยิ่งไปกว่านั้นเรามีฟังก์ชั่นความน่าจะเป็นบันทึกที่ค่อนข้างซับซ้อน , ที่เกี่ยวข้องกับการแจกแจงเชิงสถิติ, ผลิตภัณฑ์ kronecker, เลขชี้กำลัง, อัตราส่วน, คำแถลง if-else เป็นต้นและจำเป็นต้องจัดให้มัน แพ็คเกจจำนวนมาก ( MCMC ของสแตนเลย์และ จูเลีย ) ใช้ตัวดำเนินการมากเกินไป (เพื่อความรู้ที่ดีที่สุดของฉัน) เพื่อรับการไล่ระดับสีโดยอัตโนมัติf:Rn→Rf:Rn→Rf : \mathbb{R}^n \rightarrow \mathbb{R} หากเราสามารถสร้างฟังก์ชั่นการไล่ระดับสีของเราเองได้บางทีอาจใช้เครื่องมือกระจายรหัสอัตโนมัติการแปลงซอร์สโค้ดเราจะได้ประสิทธิภาพที่ดีขึ้นหรือ OO ดีหรือดีกว่าหรือไม่

12 monte-carlo  automatic-differentiation 

ฉันมีคอลเลกชันของแบบจำลองการคำนวณที่สามารถอธิบายได้ว่าเป็นออโตมาติกเซลลูลาร์แบบอะซิงโครนัส แบบจำลองเหล่านี้มีลักษณะคล้ายกับรุ่น Ising แต่มีความซับซ้อนกว่าเล็กน้อย ดูเหมือนว่ารุ่นดังกล่าวจะได้ประโยชน์จากการใช้งานบน GPU แทนที่จะเป็นซีพียู น่าเสียดายที่มันไม่ตรงไปตรงมาที่จะขนานโมเดลดังกล่าวและมันก็ไม่ชัดเจนเลยสำหรับฉันเกี่ยวกับมัน ฉันรู้ว่ามีวรรณกรรมเกี่ยวกับเรื่องนี้ แต่ดูเหมือนว่าทั้งหมดจะมุ่งเป้าไปที่นักวิทยาศาสตร์คอมพิวเตอร์ที่ไม่ยอมใครง่ายๆที่สนใจในรายละเอียดของความซับซ้อนของอัลกอริทึมมากกว่าคนอย่างฉันที่ต้องการคำอธิบายสิ่งที่ฉันสามารถนำไปใช้ได้ ดังนั้นฉันพบว่ามันค่อนข้างจะไม่น่าสนใจ เพื่อความชัดเจนฉันไม่ได้มองหาอัลกอริธึมที่เหมาะสมที่สุดเท่าที่ฉันสามารถนำไปใช้ใน CUDA ได้อย่างรวดเร็วซึ่งมีแนวโน้มว่าจะเพิ่มความเร็วในการใช้งาน CPU อย่างมีนัยสำคัญ เวลาโปรแกรมเมอร์เป็นปัจจัย จำกัด มากกว่าเวลาคอมพิวเตอร์ในโครงการนี้ ฉันควรอธิบายด้วยว่าออโตเมติกเซลลูลาร์แบบอะซิงโครนัสค่อนข้างแตกต่างจากซิงโครนัสและเทคนิคในการซิงโครนัส CA แบบขนาน (เช่นชีวิตของคอนเวย์) ไม่สามารถดัดแปลงกับปัญหานี้ได้อย่างง่ายดาย ข้อแตกต่างคือ CA แบบซิงโครนัสจะอัปเดตทุกเซลล์พร้อมกันในทุกขั้นตอนในขณะที่อะซิงโครนัสหนึ่งจะอัปเดตภูมิภาคที่เลือกแบบสุ่มในทุกขั้นตอนตามที่อธิบายไว้ด้านล่าง แบบจำลองที่ฉันต้องการให้ขนานนั้นถูกนำไปใช้กับโครงตาข่าย (โดยปกติจะเป็นรูปหกเหลี่ยม) ประกอบด้วยเซลล์ประมาณ 100000 เซลล์ (แม้ว่าฉันต้องการใช้มากกว่านี้) และอัลกอริทึมที่ไม่ขนานกันสำหรับการใช้งานมันมีลักษณะดังนี้: เลือกคู่ของเซลล์ที่อยู่ใกล้เคียงโดยการสุ่ม คำนวณฟังก์ชัน "พลังงาน"ตามพื้นที่ใกล้เคียงรอบ ๆ เซลล์เหล่านี้Δ EΔE\Delta E ด้วยความน่าจะเป็นที่ขึ้นอยู่กับ (ด้วยพารามิเตอร์ a) ไม่ว่าจะสลับสถานะของเซลล์ทั้งสองหรือไม่ทำอะไรเลย βอี- βΔ Ee−βΔEe^{-\beta \Delta E}ββ\beta …

12 parallel-computing  monte-carlo  gpu 

ฉันมีอินทิกรัลไม่เหมาะสม (2 มิติ) ผม= ∫AW( x , y)F( x , y)d x d yI=∫AW(x,y)F(x,y)dxdyI=\int_A \frac{W(x,y)}{F(x,y)}\,\mbox{d}x\mbox{d}y ที่โดเมนของการรวมมีขนาดเล็กกว่าx = [ - 1 , 1 ] , Y = [ - 1 , 1 ]แต่ต่อไป จำกัด โดยF ( x , Y ) > 0 เนื่องจากFและWราบรื่นและW ≠ 0AAAx = [ - 1 , 1 …

12 monte-carlo  quadrature 

ฉันมีโปรแกรม Mathematica ซึ่งทำหน้าที่อินทิกรัลบางตัวใน 3 หรือ 4 มิติโดยใช้QuasiMonteCarloวิธีการ ปัญหาคือใช้เวลานานในการรันจนถึงจุดที่การคำนวณบางอย่างไม่สามารถดำเนินการได้ในเวลางานสูงสุดที่มีอยู่ในคลัสเตอร์ HPC ของเรา ดังนั้นฉันกำลังพิจารณาที่จะเขียนโปรแกรมใหม่ใน C ++ ซึ่งฉันสงสัยว่าจะเร่งความเร็วขึ้นด้วยปัจจัยใหญ่ ฉันดูเอกสาร GSL และในขณะที่มีส่วนในลำดับ quasirandomและการรวม MC ปกติฉันไม่เห็นอะไรเลยที่นำมารวมกัน นอกจากนี้การค้นหาของ Google หรือสองรายการก็ไม่ทำให้เกิดสิ่งใด ๆ ที่ดูเหมือนจะเป็นการติดตั้งที่เชื่อถือได้ ตัวเลือกของฉันสำหรับการติดตั้ง QMC ใน C ++ มีการทดสอบอย่างดีมีอะไรบ้าง เพื่อประโยชน์ของความมั่นคงฉันต้องการใช้บางสิ่งบางอย่างใกล้เคียงกับวิธี Halton-Hammersley-Wozniakowski ที่ Mathematica ดำเนินการหากเป็นตัวเลือก

12 libraries  monte-carlo  c++  mathematica 

คำถามที่ง่ายพอ: การทำอินทิกรัลหลายมิติเนื่องจากมีการตัดสินใจว่าวิธีมอนติคาร์โลบางประเภทนั้นมีความเหมาะสมมีข้อได้เปรียบใด ๆ ที่การรวม MC แบบปกติโดยใช้ตัวเลขเทียมปลอมมีการรวมกึ่งเสมือนมอนติคาร์โล ? ถ้าเป็นเช่นนั้นฉันจะจำสถานการณ์ที่ความได้เปรียบนี้เข้ามาเล่นได้อย่างไร (และถ้าไม่ใช่ทำไมทุกคนเคยใช้การรวมกันของ Monte Carlo แบบเดิม ๆ )

11 monte-carlo 

ฉันกำลังมองหาวิธีการที่ช่วยให้การประเมินค่าเอนโทรปีของการกระจายข้อมูลเมื่อวิธีการสุ่มตัวอย่างเชิงปฏิบัติเพียงวิธีเดียวจากการกระจายนั้นคือวิธีมอนติคาร์โล ปัญหาของฉันไม่เหมือนกับโมเดล Ising มาตรฐานที่โดยทั่วไปใช้เป็นตัวอย่างเบื้องต้นสำหรับการสุ่มตัวอย่าง Metropolis – Hastings ฉันมีการกระจายมากกว่าชุดเช่นฉันมีสำหรับแต่ละA องค์ประกอบเป็นลักษณะเชิงผสมเช่นรัฐไอซิ่งและมีจำนวนสูงมาก ซึ่งหมายความว่าในทางปฏิบัติฉันไม่เคยได้รับตัวอย่างเดียวกันสองครั้งเมื่อสุ่มตัวอย่างจากการแจกจ่ายนี้บนคอมพิวเตอร์ ไม่สามารถคำนวณได้โดยตรง (เนื่องจากไม่รู้ปัจจัยการทำให้ปกติ) แต่อัตราส่วนนั้นง่ายต่อการคำนวณp ( a ) a ∈ A a ∈ A p ( a ) p ( a 1 ) / p ( a 2 )AAAp ( a )p(a)p(a)a ∈ Aa∈Aa \in Aa ∈ Aa∈Aa \in Ap ( a …

10 monte-carlo  random-sampling 

พื้นที่การผ่อนชำระในPoincaréครึ่งบนพื้นที่แบบดูเหมือนสามัญRnRn\Bbb R^nแต่ด้วยความคิดของมุมและระยะทางบิดเบือนในทางที่ค่อนข้างง่าย ในพื้นที่ Euclidean ฉันสามารถลิ้มลองจุดสุ่มสม่ำเสมอในลูกในหลายวิธีเช่นโดยการสร้างตัวอย่าง Gaussian อิสระที่จะได้รับทิศทางและแยกลิ้มลองรัศมีประสานงานโดยสม่ำเสมอสุ่มตัวอย่างจากโดยที่คือรัศมีและการตั้งค่าnnnRRrsss[ 0 , 1n + 1Rn + 1][0,1n+1Rn+1]\left[0, \frac1{n+1}R^{n+1}\right]RRRr = ( ( n + 1 ) s )1n + 1R=((n+1)s)1n+1r = \left((n+1)s\right)^{\frac1{n+1}}. ในระนาบครึ่งบนไฮเพอร์โบลิกทรงกลมยังคงเป็นทรงกลมมีเพียงศูนย์กลางของมันเท่านั้นที่จะไม่เป็นศูนย์กลางในตัวชี้วัดแบบยุคลิดดังนั้นเราจึงสามารถทำเช่นเดียวกัน ถ้าเราต้องการสุ่มตัวอย่างตามการแจกแจงแบบไม่สม่ำเสมอ แต่ยังคงอยู่ในรูปแบบ isotropic เช่นการแจกแจงแบบเกาส์นี่ดูไม่ง่ายนัก ในปริภูมิแบบยุคลิดเราสามารถสร้างตัวอย่างแบบเกาส์สำหรับแต่ละพิกัด (ใช้ได้กับการแจกแบบเกาส์เซียนเท่านั้น) หรือสร้างตัวอย่างแบบเกาส์หลายมิติเท่ากัน มีวิธีโดยตรงในการแปลงตัวอย่างนี้เป็นตัวอย่างในพื้นที่ซึ่งเกินความจริงหรือไม่? ทางเลือกอื่นอาจจะสร้างทิศทางที่กระจายอย่างสม่ำเสมอในทิศทางแรก (เช่นจากตัวอย่าง Gaussian) จากนั้นเป็นตัวอย่างแบบเกาส์สำหรับองค์ประกอบรัศมีและในที่สุดก็สร้างภาพภายใต้แผนที่เอ็กซ์โปเนนเชียลในทิศทางที่กำหนดสำหรับความยาวที่ระบุ การเปลี่ยนแปลงจะใช้ตัวอย่าง Euclidean Gaussian และแผนที่ภายใต้แผนที่เอ็กซ์โปเนนเชียลnnn คำถามของฉัน: สิ่งที่จะเป็นวิธีที่ดีและมีประสิทธิภาพในการได้รับตัวอย่างเสียนด้วยค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานในพื้นที่ซึ่งเกินความจริง? วิธีที่ฉันอธิบายข้างต้นมีการสุ่มตัวอย่างที่ต้องการหรือไม่ ไม่มีใครทำงานสูตรแล้ว วิธีนี้ทำให้การเปรียบเทียบกับตัวชี้วัดอื่น …

10 computational-geometry  monte-carlo  geometry  random-sampling 

มีวิธีการทางตัวเลขที่รู้จักกันดีสำหรับการแก้สมการประเภท เช่น bisection วิธีวิธีของนิวตัน ฯลฯf(x)=0,x∈Rn,f(x)=0,x∈Rn, f(x) = 0, \quad x \in \mathbb{R}^n, ในใบสมัครของฉันคำนวณด้วยวิธีสุ่ม (ผลลัพธ์คือค่าเฉลี่ย)f(x)f(x)f(x) มีวิธีการแก้สมการเชิงตัวเลขที่จัดการกับสถานการณ์นี้ด้วยหรือไม่? ลิงค์ไปยังการอภิปรายเกี่ยวกับสถานการณ์ที่คล้ายกันใด ๆ ก็ชื่นชม ความแม่นยำที่ฉันสามารถคำนวณขึ้นอยู่กับxอย่างมากและฉันอาจชนกำแพงที่ฉันไม่สามารถเพิ่มความแม่นยำได้อย่างง่ายดายโดยไม่ต้องเพิ่มเวลาในการคำนวณอย่างมีนัยสำคัญ ดังนั้นฉันไม่สามารถเพิกเฉยต่อความจริงที่ว่าผลลัพธ์จากfไม่แม่นยำ สิ่งนี้จะส่งผลกระทบต่อความแม่นยำซึ่งxสามารถพบได้ในทางปฏิบัติf(x)f(x)f(x)xxxfffxxx

10 monte-carlo  nonlinear-equations  stochastic  numerics 

คำถามของฉันเกี่ยวกับการแยกสิ่งที่สังเกตได้จากวิธีการ QMC ตามที่อธิบายไว้ในข้อมูลอ้างอิงนี้ ฉันเข้าใจถึงวิธีการ QMC ต่างๆอย่างเป็นทางการเช่น Path Integral Monte Carlo อย่างไรก็ตามในตอนท้ายของวันฉันยังคงสับสนเกี่ยวกับวิธีการใช้เทคนิคเหล่านี้อย่างมีประสิทธิภาพ แนวคิดพื้นฐานของการได้มาของวิธีการควอนตัม MC คือการแยกแยะโดยใช้การประมาณทร็อตเตอร์ตัวดำเนินการซึ่งอาจเป็นเมทริกซ์ความหนาแน่นหรือตัวดำเนินการวิวัฒนาการเวลาของระบบควอนตัม จากนั้นเราจะได้รับระบบแบบคลาสสิกที่มีมิติเพิ่มเติมซึ่งอาจได้รับการปฏิบัติด้วยวิธีการ MC ระบุว่าเราสามารถตีความในผู้ประกอบการที่ควอนตัมอี- β Hทั้งอุณหภูมิผกผันและเวลาจินตนาการจุดมุ่งหมายของกลไกเหล่านี้ควรจะมีการคำนวณโดยประมาณของผู้ประกอบการนี้ ที่จริงถ้าเราจะวัดปริมาณโดยตรงจากการกำหนดค่าต่างๆที่สุ่มตัวอย่างตามการจำลองในกรณี "อุณหภูมิผกผัน" เราจะมีตัวอย่างที่เคารพความหนาแน่นของความน่าจะเป็นตามβ / Mโดยที่Mββ\betaอี- βH^e−βH^e^{−\beta\hat{H}}β/ Mβ/M\beta/MMMMคือจำนวนขั้นตอนที่ไม่ต่อเนื่องที่นำมาใช้ในการย่อยสลาย Trotter ในกรณี "เวลาในจินตนาการ" เราจะได้รับตัวอย่างในขั้นตอนเวลาที่ไม่ต่อเนื่องต่าง ๆ ดังนั้นจึงได้รับค่าเฉลี่ยตลอดเวลาเช่นกัน นอกจากนี้เรายังจะไม่ได้รับปริมาณเช่นในเวลาที่กำหนดทีมีบางผู้ประกอบการที่สังเกตได้⟨ ψเสื้อ| ^| ψเสื้อ⟩⟨ψt|A^|ψt⟩\langle\psi_t|\hat{A}|\psi_t\rangleเสื้อttA^A^\hat{A} อย่างไรก็ตามในความคิดของฉันปริมาณที่เราตัวอย่างโดยตรงจากแบบจำลองนี้ (นำมาจาก (5.34) ของเอกสารหน้า 35): O¯≡ ⟨ O^( X) ⟩ ≡ 1ยังไม่มีข้อความ!ΣP∫ต( X) π( …

10 monte-carlo  quantum-mechanics 

ฉันสนใจในการเพิ่มฟังก์ชั่นที่ Pθ ∈ R Pฉ( θ )f(θ)f(\mathbf \theta)θ ∈ Rพีθ∈Rp\theta \in \mathbb R^p ปัญหาคือฉันไม่รู้รูปแบบการวิเคราะห์ของฟังก์ชันหรืออนุพันธ์ของมัน สิ่งเดียวที่ฉันทำได้คือการประเมินฟังก์ชั่นจุดฉลาดโดยการเสียบค่าและรับการประมาณค่า NOISYณ จุดนั้น ถ้าฉันต้องการฉันสามารถลดความแปรปรวนของประมาณการเหล่านี้ได้ แต่ฉันต้องจ่ายค่าใช้จ่ายในการคำนวณที่เพิ่มขึ้น * F ( θ * )θ* * * *θ∗\theta_*ฉ^( θ* * * *)f^(θ∗)\hat{f}(\theta_*) นี่คือสิ่งที่ฉันได้ลองไปแล้ว: โคตร Stochastic ที่มีความแตกต่างอัน จำกัด : มันสามารถใช้งานได้ แต่ต้องใช้การปรับแต่งมากมาย (เช่นลำดับการได้รับ, ตัวประกอบสเกล) และบ่อยครั้งที่มันไม่เสถียร การอบแบบจำลอง: มันใช้งานได้และมีความน่าเชื่อถือ แต่ก็ต้องใช้การประเมินฟังก์ชั่นมากมายดังนั้นฉันจึงพบว่ามันค่อนข้างช้า ดังนั้นฉันขอคำแนะนำ / ความคิดเกี่ยวกับวิธีการเพิ่มประสิทธิภาพทางเลือกที่เป็นไปได้ที่สามารถทำงานภายใต้เงื่อนไขเหล่านี้ ฉันกำลังทำให้ปัญหาเป็นเรื่องปกติที่สุดเท่าที่จะทำได้เพื่อกระตุ้นข้อเสนอแนะจากงานวิจัยที่แตกต่างจากของฉัน …

10 optimization  monte-carlo  simulation 

หลังจากขั้นตอนการอัพเดตแบบเบย์บางครั้งฉันถูกทิ้งไว้กับการกระจายหลังของรูปแบบของส่วนผสมของการแจกแจงปกตินั่นคือพารามิเตอร์\ thetaถูกดึงมาจากการกระจายที่มีการให้ PDF เป็นส่วนผสมน้ำหนักของ PDF ปกติและไม่ใช่ผลรวมของ RVs ปกติ ฉันต้องการวาดตัวอย่าง\ theta \ sim \ Pr (\ theta | \ text {data})เพื่อใช้ในการสุ่มตัวอย่างความสำคัญโดยประมาณของด้านหลัง ในทางปฏิบัติยอดรวมฉันสามารถมีจำนวนเทอมได้ดังนั้นมันจึงเป็นไปไม่ได้ที่จะเลือกเทอมiตามน้ำหนัก\ {w_i \}แล้วจึงดึง\ theta \ sim N (\ mu_i, \ sigma ^ 2)θ θ ~ Pr ( θ |ข้อมูล) ฉันฉัน{ W ฉัน } θ ~ N ( μ ฉัน , …

10 monte-carlo  probability 

คำถามนี้อาจเป็นหัวข้อนอกเรื่องใน comp-sci หากมีความจำเป็นโปรดแนะนำสถานที่ที่เหมาะสมกับมัน คำถามเกี่ยวกับวิธีการจัดการการจำลองทั้งหมดทำงานได้อย่างมีประสิทธิภาพ ตัวอย่างเช่นการจำลองต้องการการแก้ไขพารามิเตอร์ 2 ตัวซึ่งจะต้องมีการกำหนดในช่วงค่าที่แนะนำ เพื่อหาผลลัพธ์ที่ดีกว่าที่ผลิตโดยคู่ของพารามิเตอร์สองตัว (โดยการเปรียบเทียบผลการจำลองกับข้อมูลการทดลองตัวอย่าง) เราสามารถทำการวิเคราะห์ความอ่อนไหวโดยการกำหนดสามค่าสำหรับแต่ละพารามิเตอร์จากนั้นกำหนดสูตร 9 รัน ก่อนหน้านี้ฉันใช้sedเพื่อเปลี่ยนอินพุตสำหรับการทำงานแต่ละครั้งและติดแท็กการทดสอบแต่ละครั้งโดยการเขียนค่าและชื่อพารามิเตอร์ในโฟลเดอร์ที่เก็บอินพุตและผลลัพธ์ของการทำงานนี้ แต่ฉันพบว่าสิ่งนี้ไม่มีประสิทธิภาพมากเมื่อจำนวนพารามิเตอร์เพิ่มขึ้น (เช่นเข้าถึงชื่อของโฟลเดอร์ในสคริปต์สำหรับการพล็อต) จากนั้นฉันตัดสินใจที่จะใช้หมายเลขแบบง่ายเป็นชื่อโฟลเดอร์และเก็บรายละเอียดโดยสเปรดชีตอื่น ๆ วิธีนี้ก็โอเค แต่ต้องใช้งานลำบาก เช่นเดียวกันกับการเติบโตของการวิ่งมันเป็นเรื่องปกติที่จะทำผิดพลาดเช่นทำการวิ่งอีกครั้งซึ่งได้ทำไปแล้วเมื่อสองสามวันก่อน คุณมีความคิดที่ดีเกี่ยวกับการจัดการการวิ่งเหล่านี้หรือไม่? ฉันคิดว่ามันจะมีความสำคัญอย่างยิ่งสำหรับคนที่ทำการวิเคราะห์ Monte Carlo? ขอบคุณล่วงหน้า!

9 monte-carlo  data-management