一、源分布抽样过程 二、空间、能量和运动方向的随机游动过程 三、记录贡献和分析结果过程 四、核截面数据的引用 五、蒙特卡罗程序结构 六、作业

一、通量的定义 二、通量的能谱和角分布 三、计算体通量的模拟方法 四、计算面通量的模拟方法 五、计算点通量的模拟方法 六、与通量有关的物理量的计算

对于转向梯形机构,以转向过程的运动精度为目标函数,以主销中心距、轴距、转向梯形底角和转向梯形臂长度四个参数作为设计变量,以最小传动角及最大角度误差作为约束,建立了基于响应面方法的稳健设计数学模型.应用具有正态分布参数的蒙特卡罗稳健设计方法,对汽车转向机构进行了优化设计.比较了确定性优化方法与蒙特卡罗方法的设计结果.在转向角度误差相差不大的情况下,应用蒙特卡罗方法设计的转向机构最小传动角大,系统的传递性能及运动性能好,并且当设计变量出现微小变化时,能有效保证转向系统的运动轨迹

本文采用蒙特卡罗计算机仿真方法,使用 MATLAB软件对二进 制双极性通信系统中的几种基本信道编码迸行了仿真性能测试和讨 论,并从实际角度出发,对扩频通信中的信道编码进行了初步仿真 首先本文阐述了对二进制双极性通信系统进行蒙特卡罗计算机 仿真的具体方法给出了二进制双极性通信系统的蒙特卡罗仿真模型 以及仿真流程图接着本文对几种基本信道编码(7 4 HAMMING 码、(2,1,3)卷积码、级联码(外编码采用(7,4) HAMMING 码,交织编码采用(7,4)卷积交织编码,内编码采用(2,1,3) 卷积码),分别进行了仿真性能测试,根据仿真结果得出了三种编 码纠错性能依次增强,级联码为最佳编码方案的结论。并且,还分别 对级联码中的两种交织方式:卷积交织和循环等差交织进行仿真,依 照仿真结果对两种具体的交织方式进行了性能比较。最后,从仿真为 实际应用服务的角度出发,仿真测试了级联码(外编码采用(7,4) HAMMING码,交织编码采用(7,4)卷积交织编码,内编码采用 (2,1,3)卷积码)对双用户二进制双极性扩频通信系统误码性 能改善情况,得出了在二进制双极性扩频通信系统中采用级联码,能 够实现信道复用和误码性能双赢的结论

一、随机数的定义及产生方法 二、伪随机数 三、产生伪随机数的乘同余方法 四、产生伪随机数的乘加同余方法 五、产生伪随机数的其他方法 六、伪随机数序列的均匀性和独立性

《随机模拟方法与应用 Stochastic Simulation Methods and Its Applications》教学资源（论文资料）46 随机波动率LIBOR模型及其结构性存款定价——理论估计与蒙特卡罗模拟

以氧气和氮气的混合气体为研究对象,运用蒙特卡罗直接模拟方法模拟了顺抗磁性混合气体在高梯度磁场中的流动情况,并把模拟计算结果与已有的实验结果之间进行了对比分析．模拟结果表明:磁场强度与梯度乘积由100T2·m-1增加到1000 T2·m-1时,氧体积分数增量由0．12%增加到1．89%;混合气体温度由283 K升高到333 K时,氧体积分数增量由0．4%减小到0．1%;混合气体中氧气的初始体积分数由20%增加到30%时,氧体积分数增量由0．12%增加到0．59%;压力的变化对氧体积分数的变化几乎没有影响．

1引言:本书的目的和范围 及一些一般性的评述 近年来,“计算机模拟”方法已经引发了几乎可以说是一场 科学革命:物理学(以及化学、生物学等等)按照老式划分为 “实验”分支和“理论”分支这种分法已不再是完备的了“计 算机模拟”已变成第三个分支,它同前两种传统方法互相补充 那么,计算机模拟或“计算机实验”的特殊意义何在呢?

1 Markov Chain Monte Carlo Methods 1.4 The Gibbs Sampler 1.4.1 The Slice Gibbs Sampler 1.5 Monitoring Convergence 1.5.1 Convergence diagnostics plots 1.5.2 Monte Carlo Error 1.5.3 The Gelman-Rubin Method 1.6 WinBUGS Introduction 1.6.1 Building Bayesian models in WinBUGS 1.6.2 Model specification in WinBUGS 1.6.3 Data and initial value specification 1.6.4 Compiling model and simulating values

1 Markov Chain Monte Carlo Methods 1.1 Introduction 1.1.1 Integration problems in Bayesian inference 1.1.2 Markov Chain Monte Carlo Integration 1.1.3 Markov Chain 1.2 The Metropolis-Hastings Algorithm 1.2.1 Metropolis-Hastings Sampler 1.2.2 The Metropolis Sampler 1.2.3 Random Walk Metropolis 1.2.4 The Independence Sampler 1.3 Single-component Metropolis Hastings Algorithms 1.4 Application: Logistic regression