雷达恒虚警检测（CFAR）一维距离像蒙特卡洛仿真，探究不同信噪比下CFAR检测概率，在一维CFAR基础上修改程序得到。参考《雷达信号处理基础》一书。

蒙特卡洛模拟的基本步骤 建立合适的概率模型 进行多次重复试验 对重复试验结果进行统计分析（估计频率、均值等）、分析精度 重复试验的次数称为蒙特卡洛仿真次数，试验次数越多，精度越高 蒙特卡洛方法可以求解复杂系统的计算问题，如雷达检测系统的检测概率

多点路径规划指标cuOMT：自适应蒙特卡洛最优传输算法的CUDA / C ++实现 这项工作是根据许可的。 该存储库包含cuOMT ，这是一个使用自适应蒙特卡洛最优传输（MC-OT）算法的CUDA / C ++求解器。 请参阅以获取PyTorch实施。 大创意 自适应MC-OT算法旨在通过解决凸优化问题来解决高维最优运输问题。 基本上，在给定源分布和目标分布的情况下，最佳运输问题是找到最佳运输计划，以将源分布上的质量移动到目标分布。 例如，假设源分布由每个面包店制作的面包量组成，目标分布由每个咖啡馆所需要的面包量组成。 面包店和咖啡馆位于不同的地方，将面包从一个地点转移到另一个地点需要支付运输费用。 然后，最佳的运输问题是找到一种将面包从面包店运到咖啡馆的运输计划，从而使总运输成本降至最低。 每当需要找到将分配转换为另一种的“良好”映射（即OT映射）时，就会出现最佳传输问题。 例如，在深度学习领域，生成模型被设计为无限生成与给定数据集中的样本相似的许多样本。 如果我们将数据集的样本作为潜在分布（可能是高维）的iid采样，则通过在已知分布（例如均匀）和该潜在分布之间进行OT映射，首先可以

根据维基百科 ( https://en.wikipedia.org/wiki/Monte_Carlo_method)： “蒙特卡洛方法或蒙特卡洛实验是一大类计算算法，它们依赖于重复随机采样来获得数值结果。 基本概念是使用随机性来解决原则上可能是确定性的问题。 它们通常用于物理和数学问题，并且在难以或不可能使用其他方法时最有用。 Monte Carlo 方法主要用于三类问题：优化、数值积分和从概率分布中生成绘图。”

蒙特卡洛 未完成的蒙特卡洛代码，用于模拟分子。 用谐波键和角度模拟聚合物 去做 Lennard-Jones和库仑相互作用 隐式溶剂（以其介电常数输入模型） 组态偏差蒙特卡洛 多得多...

通过蒙特卡洛方法计算得到电动汽车充电负荷，充分考虑电动汽车出行分布，有详实的程序资料。

Matlab代码解释器用于光学显微镜的蒙特卡洛模拟程序。 基于Wang Lihong，Steven L. Jacques，郑立琼，MCML-多层组织中光传输的蒙特卡罗建模，《生物医学计算机方法和程序》，第47卷，第2期，1995年，第131-146页，ISSN 0169- 2607 、。 是的，这些与我的opt_microscopy_mc另一个名为opt_microscopy_mc东西完全相同，除了它是在Python中，这对我来说是不幸和惨痛的做法，因为我发现Matlab代码在Mac上运行需要5天，而我是唯一的高性能服务器无需详细说明的建议就可以访问，而该建议未安装Matlab，并且只有Python解释器可用！

Desktop_蒙特卡洛仿真_蒙特卡洛_极大似然估计_极大似然_似然估计.zip

利用蒙特卡洛计算结构可靠度，文中的变量为非正态。

完整代码，可直接运行