这里有 3 组代码，旨在帮助临床医生和研究人员将 GEANT4 或 TOPAS (MC) 与 3D Slicer 结合使用进行剂量可视化和比较 第一段代码“STLfromDicomRN.m”采用 Varian Eclipse 生成的双散射质子计划的 Dicom 计划文件，并以“.STL”格式生成计划中的Kong径和补偿器模型。 此文件使用 zip 文件中包含的“stlwrite”和“surf2solid”函数。 这些文件可以导入到 MC 模拟几何中。 第二个是一组用于处理Dicom剂量文件和分析剂量的代码。 “NormalizeDicomDose.m”代码将 MC 剂量标准化为 Eclipse 剂量等中心处的剂量，并包含有关如何标准化为其他点或体积的说明。 “ProfilePlot.m”代码只是生成比较两点之间两个剂量文件的剂量的剂量曲线。 包含的是一个 matlab gui，它在您

使用此代码模拟基本的 3D 微观结构演变。 这是一个相当古老的代码。 此版本使用环绕边界条件，与新代码相比，计算速度稍慢。 但是，我正在对较新的版本进行一些更改。 所以，当心新版本.. :)

MCMCDiagnostics.jl：Julia的马尔可夫链蒙特卡罗收敛诊断

模拟MC() 是一种从用户指定的分布生成样本并通过任意函数组合样本的工具。 它也可以用作不确定性传播的工具或仅用于生成相关样本。 模拟MC()： • 支持MATLAB 统计和机器学习工具箱中的大多数/所有分布类型，包括截断分布。 • 可以通过具有相关参数迭代优化的高斯 copula 方法从任何分布组合中生成相关样本• 支持从数据中引导样本• 支持对数据进行拟合分布并从拟合分布中抽取样本• 支持自定义样本输入• 查找置信区间并计算描述性统计量• 允许使用直方图对分布进行可视化。 如何使用：函数文件的注释中包含语法解释和简单示例。 更详细的示例可以在包含的文件“simulateMC_examples.m”中找到。

2022年精选数学建模算法教程文档合集第13期：蒙特卡罗算法（100份）包含如下文档： 0.蒙特卡罗方法目录.ppt 1.蒙特卡罗方法概述.ppt 2.随机数.ppt 3.由巳知分布的随机抽样.ppt 4.蒙特卡罗方法解粒子输运问题.ppt 5.蒙特卡罗方法在计算机上的实现.ppt 6.蒙特卡罗方法在通量计算中的应用.ppt 7.蒙特卡罗方法在积分计算中的应用.ppt 8.常用蒙特卡罗程序介绍.ppt Optim07__直接搜索法和蒙特卡罗法.pdf Optim07__直接搜索法和蒙特卡罗法__无动画.pdf Simulink仿真培训整理.pdf 基于蒙特卡罗方法的试卷难度分布研究.pdf 常用数学模型及建模方法.doc 数学建模竞赛中应当掌握的十类算法.pdf 数学模型与计算机模拟.doc 正常使用极限状态度分析的蒙特卡罗法.pdf 用MATLAB实现蒙特卡罗法计算结构可靠度.pdf 用MATLAB实现蒙特卡罗法评定大型复杂系统平均寿命.pdf 用蒙特卡罗法模拟工程造价.pdf 蒙特卡洛法 蒙特卡罗方法引论.pdf 蒙特卡罗法与计算机模拟不编程决策支持系统.pdf 等等

针对结束时间具有不确定性的投资问题,建立以区间风险值(PVaR)度量市场风险的收益最大化投资组合选择模型.PVaR计算的复杂性使得模型难以运用一般优化方法求解,因此提出并证明可以通过求解等效的混合整数规划模型来得到原模型的最优解.利用实际股价数据进行数值实验分析,结果表明,求解混合整数规划模型针对小规模短期投资问题可以快速给出最优投资决策方案.

蒙特卡罗算法--数学建模，希望对学习数学建模的人或对之感兴趣的人能有所帮助！

蒙特卡罗方法又称随机抽样技巧或统计试验方法。半个多世纪以来，由于科学技术的发展和电子计算机的发明 ，这种方法作为一种独立的方法被提出来，并首先在核武器的试验与研制中得到了应用。蒙特卡罗方法是一种计算方法，但与一般数值计算方法有很大区别。它是以概率统计理论为基础的一种方法。由于蒙特卡罗方法能够比较逼真地描述事物的特点及物理实验过程，解决一些数值方法难以解决的问题，因而该方法的应用领域日趋广泛。

本文提出了一种名为 MCMP（Monte Carlo Motion Planning）的新方法，用于解决不确定性下的运动规划问题，即计算满足概率避碰约束的低成本路径的问题。 MCMP 通过蒙特卡罗采样参考跟踪控制器的执行（在本文中我们考虑 LQG）来估计给定路径的碰撞概率（CP）。 本文的关键算法贡献是统计方差减少技术的设计，即控制变量和重要性抽样，以使这种抽样过程适合实时实施。 MCMP 通过迭代 (i) 计算问题的确定性版本的（近似）最优路径（此处使用 FMT* 算法），将此 CP 估计过程应用于运动规划，（ii）计算该路径的 CP，以及（ iii) 根据 CP 是高于还是低于目标值，以一个公因数对障碍物充气或放气。 MCMP 的优点有三个方面： (i) CP 估计的渐近正确性，与大多数当前的近似相反，如本文所示，后者可能会相差很大倍数并阻碍可行计划的计算； (ii) 速度和可并行性，以及 (iii) 通用性，即该方法几乎适用于任何规划问题，只要路径跟踪控制器和配置空间中的障碍物距离概念可用。 数值结果说明了 MCMP 的正确性（在可行性方面）、效率（在路径成本方面）和计

级联仿射不变集成 MCMC 采样器。 “MCMC 锤子” gwmcmc 是 Goodman and Wear 2010 Affine 的实现不变集成马尔可夫链蒙特卡罗 (MCMC) 采样器。 MCMC采样启用贝叶斯推理。 许多传统 MCMC 采样器的问题是它们对于严重扩展的问题可能收敛缓慢，并且难以优化高维问题的随机游走。 这是 GW 算法真正擅长的地方，因为它是仿射不变的。 它可以在严重缩放的问题上实现更好的收敛。 很多开箱即用更简单，因此它名副其实的MCMC锤。 （此代码使用 Goodman and Wear 算法的级联变体）。 用法： [models,logP]=gwmcmc(minit,logPfuns,mccount,[Parameter,Value,Parameter,Value]); 输入： minit：每个步行者的初始值的 MxW 矩阵合奏。 （M：模型参数的数量。W：步行