由于社区结构是复杂网络的重要特征，近年来对社区检测的研究越来越受到人们的关注。尽管大多数研究者致力于识别不相交的社区，但许多真实网络中的社区经常重叠。在本文中，我们提出了一种新颖的MCLC算法，该算法利用线形图上的随机游动和吸引力强度来发现重叠社区。 与传统的从节点开始的随机游走不同，我们的随机游走从链接开始。 首先，我们将无向网络图转换为加权线图，然后在该图上随机游走。线图可以与马尔可夫链相关联。 通过计算马尔可夫链的转移概率，我们获得了链对之间的相似性。 接下来，可以通过链接方法将链接聚类为“链接社区”，并且链接社区之间的这些节点可以是重叠节点。 在将“链接社区”转换为“节点社区”时，我们定义了吸引强度以控制重叠大小。 最终，允许将检测到的社区重叠。 在合成网络和一些真实世界的网络上进行的实验验证了该算法的有效性和有效性。将重叠模块Qov与其他相关算法进行比较，该算法的结果令人满意。

马尔可夫链-蒙特卡洛法重构三维数字岩心及岩石核磁共振响应数值模拟，郭江峰，谢然红，利用马尔可夫链-蒙特卡洛（MCMC）法重构三维数字岩心，并对比数字岩心的统计函数，评价重构数字岩心的准确性；再应用随机游走算法�

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

基于加权马尔可夫链修正的ARIMA 预测模型的研究.pdf

组件故障树和马尔可夫链的组合用于分析复杂的软件控制系统_Combination of component fault trees and Markov chains to analyze complex, software-controlled systems.pdf

Python Markov链项目 这只是我在Python中实现markov链的过程中所做的一个有趣的小项目。 这样做的目的是为IRC或其他消息传递服务提供一个可跟踪用户使用的单词并自动生成与每个用户相似的消息的机器人。 来自数学

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

三、状态的周期与遍历 1．周期状态 对于任意的 ，令 其中GCD表示最大公约数 则称 为周期态， 则称 为非周期态。 定理11 2．遍历状态 若状态i是正常返且非周期，则称i为遍历状态。 1 1 1/2 1/2 1/2 3 1 1/2 图4---2 4 5 2 1

生成一个状态个数大于100的马尔可夫链，状态之间的转移关系随机设定（例如某状态可以一步到达其他状态的比例为10%） 1）将状态空间按常返性和互通性进行分解 2）在1）的基础上对周期不可约马尔可夫链进行分解

二维遗传算法matlab代码使用DREAM软件包的马尔可夫链蒙特卡罗仿真-MATLAB实现 艾哈迈德·埃尔斯哈尔（Ahmed Elshall）博士在夏威夷大学马诺阿分校进行研究的代码 DREAM，其中包含过去和斯诺克更新的样本：DREAM_ZS 本文介绍的代码是马尔可夫链蒙特卡罗算法，该算法并行运行多个链以进行有效的后验。 名为DREAM_（ZS）的算法基于原始的DREAM采样方案，但是使用来自过去状态的档案库中的采样来在每个单独的链中生成候选点。 Vrugt等人已经提出了DREAM_（ZS）的理论和数值示例。 （2009）。 详细信息也可以在Ter Braak和Vrugt（2008）中找到。 从过去进行采样具有三个主要优点： （1）避免了使用N = d进行后探的要求。 这将加速收敛到有限的分布，特别是对于高维问题（大d）。 （2）离群链不需要明确考虑。 通过采样历史状态，异常轨迹可以在仿真期间的任何时间直接跳到模态区域。 因此，用DREAM_（ZS）模拟的N条路径在链中的每个单步台阶上都保持了详细的平衡。 （3）定义每个链中跳转的过渡内核不需要有关链当前状态的信息。 这在可以同时生成