Зачем использовать метод Monte-Carlo?

Question

Когда следует использовать метод Монте-Карло?

Например, почему Джоэл решил использовать метод Monte-Carlo для На основе доказательств планирование Вместо методической обработки всех пользовательских данных за последний год?

Answer 1

Предположим, что вы хотите оценить некоторое количество интересов. В примере Джоэля «Дата корабля» вы хотите оценить. В большинстве таких ситуаций есть случайные факторы, которые влияют на наши оценки.

Когда у вас есть случайное количество, вы обычно хочется знать его среднее значение и стандартное отклонение, чтобы вы могли принять соответствующие действия. В простых ситуациях вы можете моделировать количество как стандартное распределение (например, нормальное распределение), для которых существуют аналитические формулы для среднего и стандартного отклонения. Однако существует много ситуаций, когда аналитические формулы не существуют. В таких ситуациях вместо аналитического решения для среднего и стандартного отклонения мы прибегаем к симуляции. Идея такова:

Шаг 1: генерировать факторы, которые влияют на количество интересов, используя соответствующие распределения

Шаг 2: вычислить количество интересов

Повторите шаги 1 и 2 много раз и вычислите эмпирическое среднее и стандартное отклонение для того, что вы хотите знать.

Вышесказанное является типичным применением приложения Monte Carlo. Смотрите ссылку в Википедии, предоставленную Jarrod для нескольких таких приложений, и некоторые примеры интересных приложений, где нет неотъемлемой случайности (например, оценка PI).

Answer 2

Методы Monte Carlo обычно используются Когда размерность проблемы слишком высока для традиционных схем. Отказ А. отличный Вводная статья на эту тему - Перси Диаконос Марковская цепочка Монте-Карло Революция.

Answer 3

Википедия Имеет хорошую статью о методах моделирования Монте-Карло. Я использовал Monte Carlo в несколько раз - в двухуровневых методах MC, как правило, дают точные ответы, когда пытаются проектировать результаты, используя наборы образцов, которые находятся в значительной степени случайным, а кто-то, как правило, использует интуицию, чтобы попытаться угадать на тренде. К сожалению, пытаясь объяснить методы MC довольно жестко, поэтому проверьте статью.

Answer 4

Поскольку оценки обычно широко распространяются при планировании задач программирования, это имеет больше смысла лечить их статистически.

Если мы возьмем проект, который занимает 100 задач, ошибки по оценкам, будут даже вынесены, и вы получите распределение, которое показывает вероятность завершения проекта как диапазон.

Он также обходит некоторые серьезные проблемы, такие как буферизация задач и синдрома студента, перекосая результаты еще дальше.

Answer 5

Иногда проверяя все варианты просто запрещены.