大气中的分子和气溶胶对紫外光具有强烈的散射作用，因此紫外光在大气中可实现非视距传输。在紫外探测中,收发端的距离较近，为了研究探测过程中紫外光的传输特性，通过蒙特卡罗方法建立多次散射模型，并采用指向概率法对模型进行优化。在收发端轴线共面以及非共面的情况下，对探测到的脉冲响应以及能量密度进行仿真分析，并针对不同大气条件进行仿真。仿真结果表明：紫外激光探测与远距离目标探测不同，偏转角对近距离目标探测的影响较大；在散射系数和吸收系数较大时，收发端距离较近目标的回波信号较强。由仿真结果可以得到紫外光在大气中的传输特性，为今后紫外激光探测的具体设计提供了理论依据。

蒙特卡罗方法 经典的 建议大家下载 这个用于随机计算的

具有Monte Carlo集成功能的Python库。 缩放以支持x尺寸 要使用该函数，请调用mcintegrate.integrate(f, n, lims, **kwargs) ，其中f是x参数的函数， n是每个框的迭代次数（用作最小迭代次数）l，而lims是积分的极限（函数或数字）。 kwargs名单 start是积分开始的x维坐标。 该算法将围绕此点扩展，直到限制所定义的形状被封装并且积分收敛为止。 默认情况下是原点。 wedge是集成的形状的一部分。 例如， wedge=[3,8]表示该函数将集成形状的“第三高度”。 由于集成作业可以分布在多个线程中，因此使多处理变得更加容易。 默认情况下， boxSize为1 。 详细说明每个迭代中集成的框的大小。 数值多维导数函数也包括在内： partialDiff(f, position, axis, dimensions, de

序贯蒙特卡洛matlab代码受控SMC 这些文件夹包含MATLAB代码，这些代码实现了Jeremy Heng，Adrian Bishop，George Deligiannidis和Arnaud Doucet的arXiv报告“受控顺序蒙特卡洛”的数值结果。 StateSpaceModels /和StaticModels /文件夹包含与每个数值示例相对应的子文件夹。 每个子文件夹都有一个README.txt文件，该文件将说明如何在其中运行脚本。

目前解释得比较清晰的一篇文章，对深度学习，卷积神经网络原理有帮助

神经网络模型讲义 蒙特卡洛算法和模拟退火的单纯形法

firmValueSim 概述 为了最大程度地减少内在估值方法中假设的负面影响，存在通过蒙特卡洛模拟对风险进行建模的可能性。 模型中的每个变量都是通过可以随机建模的假设得出的。 评估中蒙特卡洛的主要目的是通过整合多个参数结果的预期值来实现风险管理。 评估中风险管理的两种主要方法是通过基于树的方法或模拟方法。 使用模拟代替决策树的优点在于，不仅可以选择二进制输入方法，而且可以选择基础分布，因此具有很大的灵活性。 模拟的第一步是通过历史数据，最有可能的结果或市场共识来分配变量的分布。 分配分配后，将对每个参数分配的单个值进行抽样，并按照常规方式通过FCFF或FCFE进行折现现金流评估。 参考 Abrams，JB（2001）。 定量业务评估。 纽约：麦格劳-希尔。 Ballwieser，W.，＆Hachmeister，D.（2016年）。 应用程序：Prozess，《方法论与问题》。 Schä

蒙特卡罗模拟在周期性公司收益法估值预测中应用研究

python实现采用Alpha-Beta剪枝搜索实现黑白棋AI源码（人工智能期末作业）.zip 黑白棋 实验要求： 使用 『最小最大搜索』、『Alpha-Beta 剪枝搜索』 或 『蒙特卡洛树搜索算法』 实现 miniAlphaGo for Reversi（三种算法择一即可）。 使用 Python 语言。 算法部分需要自己实现，不要使用现成的包、工具或者接口。 Result： 实现 AIPlayer 类，采用 Alpha-Beta 剪枝搜索实现黑白棋 AI

基于深度强化学习的云工作流调度 有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索