窗帘和比法matlab代码模型敏感性分析 用于分析模型参数敏感性的拉丁超立方采样和部分秩相关系数。 LHS + PRCC 是研究数学模型对其参数的敏感性的有用方法。 这有助于开发模型以了解其在各种参数范围内的行为，以及更好地了解参数估计中的不确定性如何影响模型给出的结果。 该过程的概述以 pdf 幻灯片格式提供。 蒙特卡罗研究中用于参数采样的 LHS 方法首先由 . 在不久的将来，BioRxiv（作为数学肿瘤学频道的一部分）将对该方法的实用性进行简要说明。 该存储库包含在 matlab 或 python 中进行 LHS+PRCC 分析的代码，具体取决于用户偏好。 MATLAB Matlab 文件 LHSPRCC.m 是主要代码文件，它调用函数 DrawSamples.m 来执行拉丁超立方体采样步骤、用于完成蒙特卡罗模拟的任何用户指定的模型函数，以及 UnariedPRCC.m 或 VariedPRCC.m计算部分秩相关系数（在单个时间/位置索引或所有时间/位置）。 LHSPRCC.m 还调用函数 plotSampleHists.m、plotSimulationOutput.m 和 pl

在本文中，我们有兴趣找到最敏感的参数，卵巢肿瘤生长模型的局部和全局稳定性。 对于敏感性分析，我们使用拉丁超立方体采样（LHS）方法生成采样点，并使用部分秩相关系数（PRCC）方法，使用这些采样点来找出哪些参数对于模型很重要。 根据我们的发现，我们建议一些治疗策略。 我们研究了肿瘤体积，y，细胞营养密度，Q和最大肿瘤大小，ymax的参数敏感性。 我们还使用使用LHS样本的散点图方法来显示使用PRCC获得的结果的一致性。 此外，我们讨论研究局部和整体稳定性的卵巢肿瘤生长模型的定性分析。

最佳拉丁超立方体 这个项目是关于在python函数中实现Park（1994）的最佳拉丁超立方体采样算法。 该代码的文档位于src / documentation中。 要运行代码，请在外壳中使用pytask-结果将位于bld文件夹中。 该项目的核心是位于src / model_code中的latin_hypercubes.py。 它包含遵循Park（1994）算法生成最佳拉丁超立方体的功能。 在第一阶段，该算法找到最佳的中点拉丁超立方体设计（OMLhd）。 在第二阶段，它以最佳方式释放每个单元中的点，以产生最佳的拉丁超立方体设计（OLhd）。 （第二阶段仍需要执行。）