神经网络模型讲义 蒙特卡洛算法和模拟退火的单纯形法

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

python实现采用Alpha-Beta剪枝搜索实现黑白棋AI源码（人工智能期末作业）.zip 黑白棋 实验要求： 使用 『最小最大搜索』、『Alpha-Beta 剪枝搜索』 或 『蒙特卡洛树搜索算法』 实现 miniAlphaGo for Reversi（三种算法择一即可）。 使用 Python 语言。 算法部分需要自己实现，不要使用现成的包、工具或者接口。 Result： 实现 AIPlayer 类，采用 Alpha-Beta 剪枝搜索实现黑白棋 AI

基于深度强化学习的云工作流调度 有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索

提供了基于序贯蒙特卡罗模拟法的配电网可靠性评估的matlab实现，包含两部分： 1.IEEE RTBS系统参数 IEEE RBTS可靠性测试系统的原始参数PDF文件，IEEE33节点系统原始参数EXCEL文件，IEEE RBTS BUS6参数的matlab文件； 2.基于序贯蒙特卡洛算法的可靠性评估主程序 利用节点影响分析法判断受影响的负荷，通过序贯蒙特卡洛算法完成配电网可靠性评估，提供了完整的matlab程序。 文档中提供了完整代码的获取方式

用改进的蒙特卡洛（MC）方法计算VaR

聚类轨迹 该Python脚本接收分子动力学或Monte Carlo轨迹（.pdb，.xyz或OpenBabel支持的任何格式），使用Kabsch算法找到结构之间的最小RMSD，并执行聚集聚类（一种无监督的机器学习），以对相似的构象进行分类。 该脚本是在考虑到Python 3的情况下开发的，但是，鉴于所有库均可用，它也应在Python 2.7中工作。 脚本要做的是计算轨迹的每个配置之间的距离（使用最小RMSD），建立一个距离矩阵（以压缩形式存储）。 请注意，计算距离矩阵可能需要一些时间，具体取决于您的轨迹多长时间以及每种配置中有多少原子。 距离矩阵也可以从文件中读取（使用-i选项），以避免每次您要更改链接方法（使用-m ）或聚类的距离时重新计算该距离矩阵。 依存关系 该实现依赖于几个库，因此在运行脚本之前，请确保已在Python发行版中安装了所有库。 当前，需要以下库： 我们建议使用 P

蒙特卡洛法求椭圆面积的MATLAB源程序代码.zip

基于AlphaZero的五子棋AI，仅用于学习交流，请勿用于商业用途和其他用途。如需用于非学习交流用途，请先私信联系我。

回归参数估计 使用不同方法的回归模型中参数估计的R代码： 最小二乘 梯度下降 大都会-哈丁斯 使用JAGS进行吉布斯采样 该代码用于具有一个预测变量的线性回归问题（单变量回归）。 目的是通过一个简单的示例并为所有方法提供基本实现，以介绍机器学习中广泛使用的重要方面，例如梯度下降和蒙特卡洛方法。 此博客文章中介绍了不同的方法和代码： :