蒙特卡罗法(MC)广泛用于模拟光在皮肤组织中的传播。发展了基于四面体网格的蒙特卡罗(TMC)方法，提出了距离阈值的概念避免数值耗散导致的错误能量沉积。通过计算带有单根血管的两层皮肤模型比较了几何蒙特卡罗(GMC)、基于结构化网格的蒙特卡罗(VMC)和TMC。GMC 通过数学定义组织界面，避免了离散，精度最高，但不适用于复杂的界面。VMC 实施简单，但是对曲折表面的离散会导致显著的误差。TMC 使用边界适应性较好的四面体单元在计算的精度和灵活性上找到了平衡。计算结果表明，TMC 法对几何形状的空间适应性远强于VMC，在复杂界面区域的误差仅为VMC 法的10%~25%，是一种理想的边界区域离散化的方法。

在扩散蒙特卡洛方法中，根据几何形状，可以采用多种方式模拟连续扩散，例如球形行走（WOS），平面行走（WOP），矩形行走（WOR）等。 扩散方式在满足给定边界几何形状的情况下，保形一致，满足拉普拉斯方程。 在本文中，使用WOP和保形图，我们对WOS扩散进行了采样，并表明间接采样比直接WOS采样更有效。 这表明可以通过保形图进行快速扩散蒙特卡洛采样。

关于蒙特卡罗方法及其在信号处理中的应用博文相对应的代码，包含txt格式

在这项工作中，我们研究了在<math altimg =“ si1.gif” xmlns =“ http://www.w3.org/1998/Math/MathML”>处具有虚磁场iθ的二维和三维反铁磁伊辛模型。 θ = π </ math>。 为了执行系统的数值模拟，我们引入了一种不受符号问题影响的新几何算法。 我们对2D模型的结果与分析解决方案一致。 我们还提出了3D模型的新结果，这些结果定性地与平均场预测相一致。

通过考虑与速率常数参数和动力学模型结构误差相关的不确定性，在该研究中使用贝叶斯推断来评估α-pine烯的热异构化速率同意的后验分布。 α-pine烯的热异构化动力学模型显示具有数学上不适的系统，这使得难以应用基于梯度的优化方法进行速率常数评估。 贝叶斯推断将速率常数的后验概率分布与满足实验测量浓度的反应产物模型浓度和参数的先验概率分布的似然概率相关联。 马尔可夫链蒙特卡洛（MCMC）用于从后验分布中抽取样本，同时考虑贝叶斯推断关系。 本研究应用多项式随机游走Metropolis-Hastings来构建速率常数，置信区间和相关系数矩阵的直方图。 结果表明，考虑到不确定性，贝叶斯方法可以成功地应用于估计反应模型速率常数的置信区间。

利用蒙特卡罗方法模拟了多层离散随机介质对激光的偏振多次散射，结合激光雷达的特点，给出了半解析蒙特卡罗模拟方法的具体模拟步骤，考虑了光子在随机游走时，跨越分界层时引起的自由程调整，根据Mie 散射相函数对不同介质层进行了散射方向抽样，利用该方法计算了双层和三层水云的雷达多次散射去极化率随穿透深度的变化。从计算结果可以看出，随着穿透深度的增加，雷达去极化率增强，激光在从一种介质入射到另一种介质时，其去极化率增加的速度不同，分析了粒子有效半径、单次散射相函数以及消光系数对雷达去极化率的影响。该方法可以应用于偏振激光雷达对非各向同性云层或气溶胶微物理和光学特性的遥感反演。

运用蒙特卡洛原理在matlab上实现模拟期权价值

一、蒙特卡洛算法 1、含义的理解 以概率和统计理论方法为基础的一种计算方法。也称统计模拟方法，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，它是将所求解的问题同一定的概率模型相 联系，用计算机实现统计模拟或抽样，以获得问题的近似解。 2、算法实例（有很多相似的例题，包括平行线等） 在数值积分法中，利用求单位圆的 1/4 的面积来求得 Pi/4 从而得到 Pi。单位圆的 1/4 面积是 一个扇形，它是边长为 1 单位正方形的一部分。只要能求出扇形面积 S1 在正方形面积 S 中 占的比例 K=S1/S 就立即能得到 S1，从而得到 Pi 的值。怎样求出扇形面积在正方形面积中 占的比例 K 呢？一个办法是在正方形中随机投入很多点，使所投的点落在正方形中每一个 位置的机会相等看其中有多少个点落在扇形内。将落在扇形内的点数 m 与所投点的总数 n 的比 m/n 作为 k 的近似值。P 落在扇形内的充要条件是 2 2 1x y  。

运用蒙特卡洛的思想来实现一维积分，本文运用C++进行实现算法

mcts井字游戏 使用mcts解决井字（3x3）问题。 这样做是为了研究mcts的概念。 youtube演示： : 要求 pygame 怎么玩 python play.py 实施细节 selection ：UCT算法（ ） expansion ：从状态创建所有可能的节点 simulation ：随机播放模拟（=随机推出策略）。 这种仿真方法会降低性能。 backprop ：向后传播仿真结果。 参考 致谢 为实现算法提供了很多帮助。