آشنایی با موضوع

روش مونت کارلو (یا شبیه سازی مونت کارلو) (Monte Carlo method) به هر تکنیکی اطلاق می‌شود که از طریق نمونه‌سازی آماری، پاسخ‌های تقریبی برای مسائل کمّی فراهم می‌کند. شبیه‌سازی مونت‌ کارلو بیشتر برای توصیف روشی جهت انتشار عدم قطعیت‌های موجود در ورودی‌ مدل به عدم قطعیت‌ها در خروجی‌ مدل، به کار می‌رود. بنابراین مونت‌کارلو، شبیه‌سازی‌ای است که صریحا و به صورت کمّی، عدم قطعیت را نمایش می‌دهد. شبیه‌سازی مونت کارلو متکی به فرآیند نمایش صریح عدم قطعیت با تعیین ورودی‌ها به عنوان توزیع‌های احتمال است. اگر ورودی‌های توصیف‌کننده یک سیستم، غیرقطعی باشند، آنگاه پیش‌بینی عملکرد پیش رو الزاما غیرقطعی است. این بدان معنی‌ست که نتیجه هر گونه تحلیل مبتنی بر ورودی‌های نمایش داده شده با توزیع‌های احتمال، خود یک توزیع احتمال است. در شبیه‌سازی مونت کارلو، کل سیستم به تعداد دفعات زیادی اجرا می‌شود. به هر بار شبیه‌سازی، تحقق (realization) سیستم گفته می‌شود. برای هر تحقق، تمام پارامترهای غیرقطعی نمونه‌برداری می‌شود (یعنی یک مقدار تصادفی از توزیع اختصاصی مربوط به هر پارامتر، انتخاب می‌شود). سپس این سیستم در طول زمان شبیه‌سازی می‌شود (با معین بودن مجموعه پارامترهای ورودی) به گونه‌ای که کارایی سیستم بتواند محاسبه شود. این امر منتج به ایجاد تعداد زیادی نتیجه مستقل و جداگانه می‌شود، که هر کدام نمایشگر یک “آینده” احتمالی برای سیستم هستند (یعنی یک مسیر احتمالی که سیستم احتمالا با گذشت زمان دنبال خواهد کرد). نتایج تحقق‌های مستقل سیستم به شکل توزیع‌های احتمالی خروجی‌های ممکن درخواهند آمد. در نتیجه، خروجی‌ها به صورت مقادیر تک نیستند، بلکه توزیع احتمال هستند. نام روش مونت کارلو توسط تحقیقات فیزیکدانانی چون استنی‌سواف اولام، انریکو فرمی و جان فون نیومن شهرت فراوان یافت. این اسم مبدأیی به یک کازینو ای در موناکو است که عموی اولام برای قمار پول قرض می‌کرده‌است. تصادفی بودن و تکرار طبیعی فرایندها مشابه فعالیت‌های در کازینوها است. از آنجایی‌که نتیجه شبیه‌سازی یک سیستم غیرقطعی، یک گزارش مشروط است نتیجه یک شبیه‌سازی احتمالی (مونت کارلو) یک احتمال مشروط است. این نتیجه اغلب برای تصمیم گیرندگانی که از نتایج شبیه‌سازی استفاده می‌کنند، بسیار مفیدتر است. همچنین از این روش در علوم مختلفی از جمله: ریاضیات، شیمی و اقتصاد استفاده میشود. بعضی از زمینه های کاربرد روش مونت کارلو عبارتند از: گرافیک، به طور خاص خط اثر پرتو، مدل سازی جا به جایی نور در رشته‌های بیولوژیک، مهندسی اطمینان، در شبیه‌سازی پیچش برای پیش بینی ساختار پروتین، در تحقیقات تجهیزات نیم رسانا، برای مدل سازی جا به جایی حاملهای کنونی، در محیط زیست، در فیزیک استاتیک، در طراحی احتمالاتی برای شبیه‌سازی و درک تغییرپذیری، در شیمی فیزیک، در علوم کامپیوتر، الگوریتم لاس وگاس، LURCH، Computer Go، بازی‌ها، در فیزیک هسته‌ای و. . . به منظور محاسبه توزیع احتمال کارایی پیش‌بینی شده، لازم است تا عدم قطعیت‌های ورودی به عدم‌ قطعیت‌های خروجی منتقل شود. متدهای گوناگی برای انتقال عدم قطعیت وجود دارند. شبیه‌سازی مونت کارلو احتمالا رایج‌ترین تکنیک برای انتشار عدم قطعیت موجود در جنبه‌های مختلف یک سیستم به کارایی پیش‌بینی شده است.

در این صفحه تعداد 4179 مقاله تخصصی درباره روش مونت کارلو که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید.
در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI ترجمه شده روش مونت کارلو
مقالات ISI روش مونت کارلو (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند.
در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: روش مونت کارلو; Landfill; Odor impact assessment; Methyl mercaptan (CH3SH); Dispersion model; Monte Carlo simulation; Probability of odor exceedance (POE);
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: روش مونت کارلو; Fault detection and diagnosis; Rolling element bearings; Optimal segmentation; Monte Carlo simulation; Vibrating signals; Case study;
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: روش مونت کارلو; Parameterized fragility functions; Damage states; Controlled rocking steel braced frames; Monte Carlo simulation; Surrogate models; Design of experiment;