Introducing Monte Carlo Methods with R Introducing Monte Carlo Methods with R (Use R) By Christian P. Robert, George Casella Publisher: Springer Number Of Pages: 302 Publication Date: 2009-12-14 ISBN-10 / ASIN: 1441915753 ISBN-13 / EAN: 9781441915757 Product Description: Computational techniques based on simulation have now become an essential part of the statistician's toolbox. It is thus crucial to provide statisticians with a practical understanding of those methods, and there is no better way to develop intuition and skills for simulation than to use simulation to solve statistical problems. Introducing Monte Carlo Methods with R covers the main tools used in statistical simulation from a programmer's point of view, explaining the R implementation of each simulation technique and providing the output for better understanding and comparison. While this book constitutes a comprehensive treatment of simulation methods, the theoretical justification of those methods has been considerably reduced, compared with Robert and Casella (2004). Similarly, the more exploratory and less stable solutions are not covered here. This book does not require a preliminary exposure to the R programming language or to Monte Carlo methods, nor an advanced mathematical background. While many examples are set within a Bayesian framework, advanced expertise in Bayesian statistics is not required. The book covers basic random generation algorithms, Monte Carlo techniques for integration and optimization, convergence diagnoses, Markov chain Monte Carlo methods, including Metropolis {Hastings and Gibbs algorithms, and adaptive algorithms. All chapters include exercises and all R programs are available as an R package called mcsm. The book appeals to anyone with a practical interest in simulation methods but no previous exposure. It is meant to be useful for students and practitioners in areas such as statistics, signal processing, communications engineering, control theory,

IsingModel-蒙特卡洛 日语中的Ising模型的蒙特卡洛（MC）仿真简介。 Ising2d_MC 用日语记录Ising模型和MC模拟（Metropolis方法和热浴方法）。 使用Python的各向同性Ising mocdel的MC模拟代码（计算磁化强度，比热，Binder累积量和相关函数）。 Python代码中的注释为英文。 Ising2d_各向异性 使用Python（计算磁化强度）的各向异性Ising模型的MC模拟代码。

EGSnrc toolkit for Monte Carlo simulation of ionizing radiation transport

介绍Monte Carlo方法的一些理论

用MonteCairo方法通过matlab对薄膜外延生长进行了计算机模拟。模型中引入Morse势描述粒子间的相互作用，考虑粒子的沉积、吸附粒子的扩散和蒸发3个过程。研究了粒子间相互作用范围α和允许粒子行走的最大步数对薄膜生长形貌的影响。结果表明：在不同的6c值下，随粒子行走步数的增加，薄膜的生长都经历了从分散、分形、混合到团聚的过程；在同一最大步数下，α值越大，薄膜越易趋向于分散生长。

窄禁带半导体n-InAs THz辐射机理的Monte Carlo研究.pdf

monte carlo随机数发生器 软件MATLAB 服从正态分布

临时制TSP 这是使用蒙特卡洛树搜索（MCTS）解决旅行商问题（TSP）的源代码。 纸 如果您想了解更多详细信息，请参阅我们的论文“通过蒙特卡罗树搜索TSP的扩大邻域目标抽样” 。 依存关系 gcc> = 4.8.5 计算平台：Linux 快速开始 为了使用MCTS解决具有20个节点的TSP实例： cd $download -dir cd TSP-20-50-100 bash solve-20.sh 32 用法 数据集 我们的模型分别在两个数据集TSP-20-50-100和TSPLib上进行了测试，可从以下网站下载该数据集： 多线程 如果更快地解决TSP实例，则可以充分利用CPU。 默认情况下，我们基于32个线程来处理它们： cd $download -dir cd TSP-20-50-100 bash solve-20.sh 32 顺便说一下，我们的多线程方案仅适用于TSP-2

VBMC 是一种近似贝叶斯推理方法，旨在拟合和评估具有潜在噪声似然评估预算有限的计算模型（例如，对于计算成本高的模型）[1,2]。 具体来说，VBMC 同时计算： - 模型参数的近似贝叶斯后验分布； - 对数模型证据（也称为对数边际似然或对数贝叶斯因子）的近似值——从技术上讲，是近似下界，这是一种用于贝叶斯模型选择的指标。 对人工测试问题和来自计算和认知神经科学的大量真实模型拟合问题的广泛基准表明，VBMC 通常——通常是非常——优于样本高效贝叶斯推理的替代方法。 VBMC 运行时几乎无需调整，而且很容易针对您的问题进行设置。 *** 如需更多信息、教程和文档，请访问该项目的 GitHub 页面： https : //github.com/lacerbi/vbmc *** 如果您对参数的点估计感兴趣，您可能需要查看贝叶斯自适应直接搜索 (BADS)，这是一种可与 VBMC 协同

外国蒙特卡洛算法 包含C# 和 C 版本