VEGAS Monte Carlo Adaptive Integration
Parasts Monte Carlo novērtē funkciju nejaušos punktos, vidējot rezultātus; konverģence ir lēna. VEGAS uzlabo, adaptējot diskretizācijas sadalījumu: reģioni, kas būtiski dod ieguldījumu integrālī, tiek diskretizēti blīvāk. Iteratīvs mācīšanās process novērtē optimālo sadalījumu un attiecīgi pielāgojas. Rezultāts ir konverģences uzlabojums par kārtām lielāks gludām funkcijām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Lepage, G. P. (1978). A new algorithm for adaptive multidimensional integration. Journal of Computational Physics, 27(2), 192–203. DOI: 10.1016/0021-9991(78)90004-9 ↗
- Lepage, G. P. (1980). VEGAS: an adaptive multidimensional integration program. Cornell University preprint CLNS-80/447. link ↗
- Nagy, M., & Nagy, I. (2005). Application of VEGAS integration algorithm for calculation of penetration depth in superconductors. Journal of Physics: Condensed Matter, 17(39), 6131. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). VEGAS Monte Carlo Adaptive Integration. ScholarGate. https://scholargate.app/lv/particle-physics/vegas-monte-carlo
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Feinmana diagrammaDaļiņu fizika↔ salīdzināt
- Matricas elementu metodeDaļiņu fizika↔ salīdzināt
- PDF pielāgošanaDaļiņu fizika↔ salīdzināt
Uz to atsaucas
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →