Метод статистических испытаний (метод Монте-Карло)

Каскадная стадия процесса взаимодействия. Множественность. Каскадная стадия процесса взаимодействия первичной частицы с нуклонами ядра представляется последовательностью попарных случайных взаимодействий. Поэтому описание этой стадии процесса может быть проведено методами статистических испытаний (методом Монте-Карло), Расчеты требуют больших вычислений, однако использование ЭВМ позволяет проводить такие расчеты и получать результаты с достаточной точностью. Наиболее полные характеристики каскада, рассчитанные методом Монте-Карло, получены в работах [13—16]. Рассчитан [13, 14] каскад для ядер АР , Си , Ри °°, Се °, ВР , и энергий первичных протонов от 82 Мэе до 2 Гэв. Расчеты проведены при некоторых упрощающих предположениях [11]. Так, не учитывали диффузную границу ядра ядро рассматривали как однородную сферу радиусом = в качестве импульсного [c.245]

Имеются трудности и в расчетных исследованиях. Расчет нуклон-мезонного каскада можно проводить решением систем кинетических уравнений или методом статистических испытаний (методом Монте-Карло). Для высоких энергий, когда развивается межъядерный каскад, функция распределения вторичных частиц может быть получена решением систем кинетических уравнений [22—24]. [c.256]

МЕТОД СТАТИСТИЧЕСКИХ ИСПЫТАНИЙ (МЕТОД МОНТЕ-КАРЛО) [c.144]

Роль перечисленных выше математических методов сводится к постановке и анализу задач, но ни один из них не дает ответа на вопрос, каким образом может быть найдено оптимальное решение из множества объективно допустимых. Для разрешения этой проблемы могут быть применены математическое программирование, теория игр, теория статистических решений, теория массового обслуживания, теория случайных процессов и методы статистических испытаний (методы Монте-Карло). [c.564]

Методы статистических испытаний (методы Монте-Карло) — это вычислительные методы, основанные на моделировании случайных величин и построении статистических оценок решения задач. [c.124]

В связи со сложностью конструкций оценка надежности реального агрегата (а также и всей конструкции) производится с применением электронных цифровых вычислительных машин методом статистических испытаний (методом Монте-Карло). Метод основан на том, что по известным распределениям параметров нагрузки С и несущей способности Я с учетом функциональных связей этих параметров находят реализации случайных величин. По этим реализациям проверяют вероятность безотказной работы агрегата в данной реализации. Такие реализации повторяют многократно в зависимости от необходимой точности и но их данным определяют частоту отсутствия отказов, которую принимают за меру надежности агрегата. [c.323]

Оптимизация начертания сети равносильна ее трассировке, но, по-видимому, не может заменить ее в полной мере. Дело в том, что не известно, являются ли в данной задаче функция цели и ограничения выпуклыми. А это значит, что полученное рещение может зависеть от начального (исходного) базиса и порядка варьирования направлений, т. е. оптимальное решение можно получить лишь методом статистических испытаний (методом Монте-Карло) или путем сравнения всевозможных комбинаций направлений, число которых столь велико, что для подсчета всех их на ЭВМ потребовалось бы очень большое машинное время. Однако разработанная методика оптимизации начертания сети позволяет существенно улучшить предложенный квалифицированным специалистом вариант трассировки, что, безусловно, очень важно. [c.86]

При статистической обработке информации по авариям, к сожалению, имеет место весьма ограниченный объем данных, что вызывает большие трудности для использования получаемых статистических моделей при прогнозировании риска. По крайней мере надежность таких прогнозов с точки зрения статистических критериев является весьма невысокой. Однако полученные вероятности распределения характеристик аварий показывают качественно техногенный риск. Для точных количественных оценок техногенного риска требуется получение значительных объемов статистической информации, которая позволяет уточнить числовые параметры этих вероятностей распределений и таким образом добиться статистически надежных прогнозов. Единственным способом увеличения объемов информации до статистически значимых является "проигрывание" всевозможных (мыслимых) аварийных ситуаций на компьютере с помощью метода статистических испытаний - метода Монте-Карло. [c.37]

Так как метод статистической линеаризации по своей сущности является приближенным, то для практического применения этого метода важно иметь оценку точности получаемых решений. Как правило, эта оценка (если ее вообще стремились получить) следовала после проведения метода статистических испытаний (Монте-Карло). В работах [34, 38, 85] сделаны попытки оценить границы применимости метода статистической линеаризации. [c.156]

В общем случае достаточно эффективным оказывается применение алгоритмов с комбинацией методов статистических испытаний (Монте-Карло) и покоординатного поиска. Для ограничений достаточно общего вида (7.22) путем введения соответствующих масштабов строится многомерный куб. В этом кубе путем статистических испытаний с определенной вероятностью находится аппроксимирующая управляющая функция, которая принимается за начальное приближение к глобальному оптимуму. Принимая полученное решение за начальное, методом покоординатного поиска находится ближайший локальный оптимум. Если начальное решение находится в сфере притяжения глобального оптимума, то полученное после покоординатного поиска решение можно считать окончательным. При наличии овражных ситуаций можно использовать специальные приемы, например поворот координатных осей. [c.217]

Моделирование и оптимизащпо желательно вьшолнять с учетом статистической природы систем. Детерминированность - лиып> частный случай. При проектировании характерны нехватка достоверных исходных данных, неопределенность условий принятия решений. Учет статистического характера данных при моделировании в значительной мере основан на методе статистических испытаний (методе Монте-Карло), а принятие решений - на использовании нечетких множеств, экспертных систем, эволюционных вычислений. [c.16]

Между тем задачи математического программирования можно решать методом статистических испытаний (методом Монте-Карло), который в общем сводится к следующему. С помощью особой подпрограммы, называемой генератором случайных чисел, назначаются случайные значения координат. После этого проверяют, попала ли точка в область допустимых значений. Если она попала в нее, то вычисляется значение функции цели. Если последнее оказалось меньшим, чем на предыдущем этапе, то оно и значение координат запоминаются в противном случае все это отбрасывается. И так продолжается до тех пор, пока значение функции цели существенно не уменьшится. Данный метод позволяет решить самую сложную задачу, но требует очень много машинного вре ни и поэтощ. прдмшается редко. [c.17]

Большое внимание уделено планированию усталостных испытаний, являющихси наиболее трудоемкими и дорогостоящими. Приведены методики, разработанные на основании результатов специально поставленных статистических исследований методом Монте-Карло, позволяющие в зависимости от целей исследования производить надлежащий выбор числа испытуемых объектов, числа значений уровней амплитуды напряжений при испытании, рациональное распределение объектов по уровням амплитуды напряжений с учетом планируемой точности и статистической на. дежности оценки характеристики сопротивления усталости материала, деталей ма. шин и элементов конструкций для различных значений вероятности разрушения или образования трещины заданной протяженности. [c.3]

Методом Монте-Карло, или методом статистических (случайных) испытаний, называется такой расчет эксперимента, при котором подробно прск леживается индивидуальная судьба каждой частицы. Выбор из равновероятных значений для того или иного параметра частицы (направления и величины ее скорости, пройденного пути до распада или взаимодействия и т. п.), а также выб0 р самих частиц, т. е. в рассматриваемом случае конкретного канала из числа перечисленных (14.1 0), производится по закону случая (с помощью рулетки или заменяющей ее таблицы случайных чисел и т. п.). Отсюда,и название метода. , [c.211]

Библиография для Метод статистических испытаний (метод Монте-Карло) : [c.256] [c.95] [c.133] [c.181] [c.184] [c.193] [c.95] [c.361] [c.97] [c.318] [c.107] [c.327] [c.69] [c.131] [c.81] [c.222] [c.168] [c.17] [c.631] [c.7] [c.204] [c.154] [c.318] [c.261] [c.264] [c.237] [c.265]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...