基于蒙特卡罗树搜索的 Quoridor AI 是一个抽象的策略游戏，在 81 (9x9) 个正方形的棋盘上玩，目标是让你的棋子到棋盘的另一边。 这个玩 Quoridor 的 AI 代理基于 。 纯 MCTS 导致性能不佳。 应用一些启发式方法后，性能得到了显着提高。 我在树搜索的选择、扩展和模拟阶段（以及搜索后的后期处理）添加了启发式方法。 您可以在下面的“包含的一些启发式方法”部分中看到其中的一些。 如果您想查看所有启发式方法或其实现细节，请参阅源代码中的注释。 （找到“启发式”这个词。） 您可以在网站（或 Web 应用程序） 上与此 AI 对战。 网站上每个 AI 级别的每次移动推出次数如下。 等级 每次移动的卷展栏 新手 2,500 平均 7,500 好的 20,000 强的 60,000 最新版本 (v0.3) 中包含的一些启发式方法 Quoridor 的分支因子很

蒙特卡洛eXtreme（MCX）-CUDA版 作者：方千千（neu.edu的q.fang） 许可证：GNU通用公共许可证版本3（GPLv3） 版本：1.8（v2020，狂暴费米子） 网站： ： 表中的内容： 什么是新的 MCX v2020代表着快速，通用和功能丰富的开源Monte Carlo 3D光子模拟器开发的新里程碑。 它在功能和稳定性方面都进行了许多改进。 我们要特别强调以下主要新增功能： 内置基准，易于新用户测试和采用 过渡到JSON / JNIfTI输入/输出文件以方便数据共享 使用二进制量数据将模拟导出为JSON 适用于MCXStudio / MCX / MMC /

matlab频谱分析代码现实的微结构模拟器（RMS）：3D单元中扩散的蒙特卡洛模拟（CUDA C ++） 第1部分：沿现实白质轴突的扩散时间相关性 该代码实现了最初在中开发的3d蒙特卡​​洛模拟，展示了沿白质轴突的实际轴突形状的功率谱（图1）和沿轴突的扩散率和峰度时间相关性（图2）。 白质轴突是从小鼠大脑的call体中分割出来的，详细信息请参见我们的另一个Github工具箱。 演示1，功率谱：计算沿轴突的实际轴突形状的功率谱（图1，图6和补充图1）。 演示2，人工形状生成：基于现实轴突的人工设计的微几何形状的生成（图2a）。 演示3，模拟：对扩散3d单元几何进行蒙特卡洛斯模拟。 该代码在CUDA C ++中实现，并且您需要Nvidia GPU来运行该代码。 演示4，分析：根据位移累积量计算扩散率和峰度时间依赖性（图2b-h）。 宽脉冲序列和基于渗透率交换的模拟将在另一个存储库中发布。 第2部分：为什么弹性碰撞是最可靠的粒子膜相互作用？ 该代码出于教育目的实现了1d，2d和3d蒙特卡​​罗模拟，附录A和B in中有详细信息，展示了以下两个质膜相互作用引起的偏差：等步长随机跃迁（ERL）和

Monte_Carlo_and_Quasi_Monte_Carlo_Sampling

我们开发了一种混合最小二乘蒙特卡罗偏微分方程 (LSMC-PDE) 方法，用于在随机波动下对资产的百慕大风格期权进行定价。 该算法是为任意数量的资产和波动率过程制定的，我们证明该算法几乎可以肯定地收敛于一类模型。 我们还引入了多级蒙特卡罗/多网格方法来提高算法的计算复杂度。 我们的数值示例侧重于单维 (2d) 和多维 (4d) Heston 模型，并将我们的混合算法与经典 LSMC 方法进行比较。 在每种情况下，我们发现混合算法在估计价格和最佳行使边界方面优于标准 LSMC。

An accessible treatment of Monte Carlo methods, techniques, and applications in the field of finance and economics. Providing readers with an in-depth and comprehensive guide, the Handbook in Monte Carlo Simulation: Applications in Financial Engineering, Risk Management, and Economics presents a timely account of the applicationsof Monte Carlo methods in financial engineering and economics

基于金属再结晶理论和实验基础，对现有再结晶Monte Carlo Potts模型中形核模型、储存能分布描述、结点再取向转换概率公式进行改进，建立了二维再结晶Monte Carlo Potts模型，并将之应用于高纯铝冷轧后等温再结晶退火过程模拟。结果表明，新模型有效地模拟了再结晶非均匀形核、新晶粒生长等微观组织演变过程，模拟的形核顺序、形核率曲线与再结晶理论、实验结果一致，再结晶动力学曲线与JAMK理论一致，Avrami指数凡nnv小于理论预测值2，与实验结果一致。

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

主要讨论了Cox-Ross-Rubinstein（CRR）模型和广义的CRR模型，并研究了如何基于CRR模型和广义的CRR模型利用Monte Carlo模拟计算资产价格以及期权价值。

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