Monte Carlo-simulering
Monte Carlo-simulering er en beregningsmetode, der bruger tilfældig sampling til at løse problemer, der er deterministiske i naturen.
Kort fortalt
Kort fortalt: en metode, der bruger tilfældige tal til at beregne omtrentlige svar på komplekse problemer ved at simulere mange tilfældige scenarier.
- Kategori
- teknik
- Niveau
- øvet
Betydninger
1- 1
En bred klasse af algoritmer, der anvender tilfældig sampling til at opnå numeriske resultater.
- Monte Carlo-simulering af termodynamiske systemer giver indsigt i faseovergange.
Hvornår bruges det
Monte Carlo-simulering anvendes inden for kunstig intelligens til at estimere usikkerhed i modeller, til Bayesian inference, og til at evaluere komplekse sandsynlighedsfordelinger. Det er især nyttigt i reinforcement learning til at simulere episoder og i probabilistiske programmeringssprog.
Kodeeksempel
import random
def estimate_pi(n):
inside = 0
for _ in range(n):
x, y = random.random(), random.random()
if x*x + y*y <= 1:
inside += 1
return 4 * inside / n
print(estimate_pi(100000))Estimerer π ved at generere tilfældige punkter i en enhedskvadrat og tælle, hvor mange der ligger inden for en kvart cirkel.
Oprindelse
Metoden er opkaldt efter Monte Carlo Casinokvarteret i Monaco, da den anvender tilfældigheder analogt til spil.