Monte Carlo efficiency improvement by multiple sampling of conditioned integration variables

ما تکنیکی را ارائه می دهیم که اجازه می دهد تا کارایی الگوریتم های چند بعدی مونت کارلو را افزایش دهد وقتی که نمونه برداری از اولین متغیر تصادفی بدون قید و شرط، زمان بسیار محاسبه بیشتری را صرف استفاده از متغیرهای تصادفی باقیمانده باقی مانده، در حالی که تغییرپذیری آن فقط کمی به واریانس کل . این به ویژه در زمینه مسائل مربوط به حمل و نقل در هندسه پیچیده و به طور تصادفی توزیع شده است. روش پیشنهادی مبتنی بر برآوردگر جدید مونت کارلو است که در آن متغیرهای تصادفی شرطی اغلب از موارد بدون قید انتخاب می شوند. سهم قابل توجه از نکته کوتاه در حال حاضر یک روش اتوماتیک برای محاسبه تعداد مطلوب نمونه های متغیر تصادفی شرطی در هر نمونه ی بدون قید است. این روش با یک مثال تحقیق فعلی نشان داده شده است که در آن اجازه می دهد تا کارایی را با یک عامل 100 افزایش دهد.