شبیه سازی به روش مونت کارلو
انتگرال گیری وشبیه سازی به روش مونتو کارلو
روش های مونت کارلو در فایننس- شبیه سازی مدل های تصادفی نوشتن یک پست در مورد روش مونت کارلو کاری بسیار سخت است. مخصوصا که حاوی فرمول ریاضی نباشد. دامنه ی روش های مونت کارلو بسیار وسیع است و حتی نام بردن جاهایی که از روش مونت کارلو استفاده می شود از عهده ی من خارج. در این پست سعی خواهم کرد که به خواننده در مورد روش های مونت کارلو دیدی کلی بدهم و کمی هم راجع به کاربردهای و مزیت استفاده از آن در فایننس بنویسم. حتما مطالب بسیاری خواهید یافت که در این پست پوشش داده نمی شود. اما امیدوارم روح کلی روش های مونت کارلو در این پست منعکس شود. روش های مونت کارلو روش هایی است که کمیتی را با استفاده از تخمین امید یک یا چند متغیر تصادفی «مجازی» محاسبه می کند. استفاده از لغت «مجازی» تاکید بر این نکته است که متغیرهای تصادفی به کار رفته لزوما مفهوم عملی خاصی ندارند. مثلا در روش مونت کارلو برای تخمین قیمت یک قرارداد در فایننس، ممکن است از متغیرهایی استفاده کنید که هیچ مفهوم اقتصادی یا فایننسی ندارند. اما لزومی ندارد که همیشه این طور باشد. گاهی هم متغیر تصادفی به کار رفته متناظر با کمیتی با مفهوم است. تاکید ما بر این است که لزومی ندارد متغیرهای تصادفی به کار رفته، مفهومی داشته باشند. مثلا تخمین میانگین یک مجموعه از داده ی یک بعدی به هیچ وجه روش مونت کارلو به حساب نمی آید؛ مثلا قد افرادی را از یک جامعه اندازه می گیریم و می خواهیم از روی آن میانگین قد در جامعه را حساب کنیم. در حالی که استفاده از یک مجموعه از داده های توام برای محاسبه ی میانگین یکی از آن ها را می توان روش مونت کارلو نامید. مثلا می دانیم که قد و وزن با هم همبستگی دارند. اگر داده ای متشکل از زوج قد و وزن داشته باشیم، می توانیم به استفاده از همبستگی این دو، میانگین قد جامعه را دقیق تر محاسبه کنیم. این دومی را می توان با مقداری اغماض یک روش مونت کارلو نامید. (گر چه شاید به دلیل واقعی بودن داده ها، می تواند بحث برانگیز باشد.)اگر روش مثال بالا را مونت کارلو بدانیم، بسیاری از روش های مونت کارلو مانند روش بالایی نیستند و متغیرهای به کار رفته در آن ها نه داده واقعی هستند و نه کمیتی را توصیف می کنند. متغیرهای به کار رفته گاهی از مدل تصادفی که استفاده کردیم نشات می گیرند. اما لزومی ندارد که این طور باشد. بیشتر روش های مونت کارلو از شبیه سازی متغیرهای تصادفی استفاده می کنند و نه از داده های گرفته شده از یک جامعه ی آماری. شبیه سازی متغیرهای تصادفی استفاده از کامپیوتر برای تولید اعدادی است که از نظر آماری مستقل و هم توزیع با توزیع خاصی هستند، البته نه به این کلیت. گاهی دنباله ای ...
الگوریتم ها و روش های مونت کارلو
روشهای مونت‌کارلو یک دسته از الگوریتم‌های محاسباتی هستند که بر اساس تکرار تصادفی نمونه برداری برای محاسبهٔ نتایج هستند.روشهای مونت کارلو همچنین در زمان شبیه سازی سیستم‌های فیزیکی و ریاضیاتی نیز استفاده می‌شوند.به دلیل اتکای این روش به تکرار محاسبات و اعداد تصادفی و اعداد شبه تصادفی، مناسب برای محاسبه توسط کامپیوتر است.روشهای مونت کارلو معمولا زمانی استفاده می‌شوند که امکان محاسبهٔ نتیجهٔ دقیق با یک الگوریتم قطعی(Deterministic Algorithm) نباشد. اصطلاح مونت کارلو در سال ۱۹۴۰ توسط فعالیت‌های فیزیکدانان بر روی پروژهٔ بمب اتمی در آزمایشگاه بین المللی لس آلاموس مطرح شد.خلاصهروشهای مونت کارلوی منحصر به فرد وجود ندارند مگر، عباراتی که دسته‌ای از دیدگاه‌های بزرگ و پراستفاده را مطرح می‌کند.هر چند این دیدگاه‌ها گرایش به دنبال کردن الگوی خاصی دارند:تعریف دامنهٔ ورودی‌های ممکنتولید ورودی‌های تصادفی از دامنه، و اجرای یک عملیات قطعی بر روی آنهاجمع بندی نتایج حاصل از تک تک محاسبات در نتیجهٔ نهاییبرای مثال مقدار عددπ را می‌توان با روش مونت کارلو به صورت تقریبی به دست آورد.مربعی به مساحت ۱ رسم کنید و سپس دایره‌ای در آن محاط کنید، حال اشیای کوچکی را روی آن پراکنده کنید(مثل دانه‌های برنج یا شن)، اگر اشیا به صورت یکنواخت پراکنده شده باشند آنگاه نسبت اشیای داخل دایره به اشیای داخل مربع تقریبا بایدπ/۴ باشد، که نسبت مساحت دایره به مساحت مربع است. بنابراین اگر ما تعداد اشیای داخل دایره را، ضرب در ۴، وتقسیم بر تعداد اشیای داخل مربع بکنیم، مقدار تقریبی π به دست می‌آید.توجه داشته باشیم که سه گام اشاره شده در بالا در این مثال همانطور که می‌بینیم اجرا شده‌است.تاریخچهمونت‌کارلو (در فرانسوی: Monte-Carlo) نام منطقه‌ای است بسیار مشهور در کشور خودمختار موناکو واقع در اروپای غربی. جمعیت ساکن در مونت‌کارلو در حدود ۳۰۰۰ نفر را شامل میشود. منطقه مونت‌کارلو، ثروتمندترین منطقه از کشور خودمختار موناکو است.[۱]نام «مونت‌کارلو»ریشه نام «مونت‌کارلو» از زبان ایتالیایی است و به اصلیت اسم شاهزاده کارلو سوم از موناکو بر میگردد که زیر نفوذ و حمایت دربار ایتالیا قرار داشت. تا قبل از سال ۱۸۶۱ که موناکو به شکلی خودمختار درآمد، زبان رسمی ایتالیایی بود، اما در یکصد سال گذشته، زبان رسمی به فرانسوی تغییر داده شد.[۲]استنلی اولام، انریکو فرمی و جان فون نیومن شهرت فراوان یافت. این اسم مبدایی به یک کازینو ای در موناکو است که عموی اولام برای قمار پول قرض می‌کرده‌است.تصادفی بودن و تکرار طبیعی فرایندها مشابه ...
روش های مونت کارلو در فایننس- شبیه سازی مدل های تصادفی
نوشتن یک پست در مورد روش مونت کارلو کاری بسیار سخت است. مخصوصا که حاوی فرمول ریاضی نباشد. دامنه ی روش های مونت کارلو بسیار وسیع است و حتی نام بردن جاهایی که از روش مونت کارلو استفاده می شود از عهده ی من خارج. در این پست سعی خواهم کرد که به خواننده در مورد روش های مونت کارلو دیدی کلی بدهم و کمی هم راجع به کاربردهای و مزیت استفاده از آن در فایننس بنویسم. حتما مطالب بسیاری خواهید یافت که در این پست پوشش داده نمی شود. اما امیدوارم روح کلی روش های مونت کارلو در این پست منعکس شود. روش های مونت کارلو روش هایی است که کمیتی را با استفاده از تخمین امید یک یا چند متغیر تصادفی «مجازی» محاسبه می کند. استفاده از لغت «مجازی» تاکید بر این نکته است که متغیرهای تصادفی به کار رفته لزوما مفهوم عملی خاصی ندارند. مثلا در روش مونت کارلو برای تخمین قیمت یک قرارداد در فایننس، ممکن است از متغیرهایی استفاده کنید که هیچ مفهوم اقتصادی یا فایننسی ندارند. اما لزومی ندارد که همیشه این طور باشد. گاهی هم متغیر تصادفی به کار رفته متناظر با کمیتی با مفهوم است. تاکید ما بر این است که لزومی ندارد متغیرهای تصادفی به کار رفته، مفهومی داشته باشند. مثلا تخمین میانگین یک مجموعه از داده ی یک بعدی به هیچ وجه روش مونت کارلو به حساب نمی آید؛ مثلا قد افرادی را از یک جامعه اندازه می گیریم و می خواهیم از روی آن میانگین قد در جامعه را حساب کنیم. در حالی که استفاده از یک مجموعه از داده های توام برای محاسبه ی میانگین یکی از آن ها را می توان روش مونت کارلو نامید. مثلا می دانیم که قد و وزن با هم همبستگی دارند. اگر داده ای متشکل از زوج قد و وزن داشته باشیم، می توانیم به استفاده از همبستگی این دو، میانگین قد جامعه را دقیق تر محاسبه کنیم. این دومی را می توان با مقداری اغماض یک روش مونت کارلو نامید. (گر چه شاید به دلیل واقعی بودن داده ها، می تواند بحث برانگیز باشد.)اگر روش مثال بالا را مونت کارلو بدانیم، بسیاری از روش های مونت کارلو مانند روش بالایی نیستند و متغیرهای به کار رفته در آن ها نه داده واقعی هستند و نه کمیتی را توصیف می کنند. متغیرهای به کار رفته گاهی از مدل تصادفی که استفاده کردیم نشات می گیرند. اما لزومی ندارد که این طور باشد. بیشتر روش های مونت کارلو از شبیه سازی متغیرهای تصادفی استفاده می کنند و نه از داده های گرفته شده از یک جامعه ی آماری. شبیه سازی متغیرهای تصادفی استفاده از کامپیوتر برای تولید اعدادی است که از نظر آماری مستقل و هم توزیع با توزیع خاصی هستند، البته نه به این کلیت. گاهی دنباله ای از اعداد که خواص ذکر شده را ندارند، به تخمین دقیق تری منجر ...
شبیه سازی به روش مونت کارلو
امروزه روشهاي مونت كارلو (MC) جزء لاينفك علم آمار محسوب مي‌شود. اين روش‌ها به قدري براي دانشجويان و اساتيد اين رشته مورد توجه قرار گرفته كه ديگر كمتر شاهد ارائه نتايج به صورت فرموله شده هستيم. شايد 60 سال پيش كه اين روش ابداع شد كسي فكر نمي‌كرد روزي برسد كه پژوهشگران رشته‌هاي مختلف همچون آمار، رياضي، فيزيك، اقتصاد، مكانيك و برق از اين روش به عنوان يك روش كارا در محاسبات خود بهره گيرند. مسلما اقبال عمومي براي استفاده از اين روش مديون توسعه‌ي تكنولوژي رايانه است چراكه روشهاي مونت كارلوي زنجير ماركوفي (MCMC)، نمونهگيري گيبز و الگوريتم متروپليس-هستينگ مستلزم استفاده از رايانه هستند. مقاله‌ي "روشهاي مونت‌كارلو در آمار" نوشته‌ي كريستين رابرت (2009) كه يك مقاله‌ي علمي-ترويجي در اين رابطه است توسط سيد جمال ميركمالي ترجمه شده است. فايل PDF ترجمه‌ي مقاله از طريق لينك زير قابل دانلود است. منبع:(اقتباس-دانش آماری) [1] Robert, C. (2009) Monte Carlo Methods in Statistics, arXiv:0909.0389v1. دانلود فایل PDF با حجم 1.1 مگا بايت ( 10 صفحه ) كلمات كليدي: مونت كارلو، زنجير ماركوف، نمونهگيري گيبز، متروپليس-هستينگز، نمونهگيري نقاط مهم، Monte Carlo Method, Markov Chain, MCMC, Gibbs sampler, Metropolis-Hastings, Importance Sampling.
کاربرد شبیه سازی مونت کارلو در محاسبه قابلیت اطمینان فیدر توزیع
درس قابلیت اطمیناناستاد راهنما : جناب آقای دکتر سید علی حسینیدانشجو : امید انوریان 910881674Monte Carlo simulation applied to distribution feeder reliabilityevaluationکاربرد شبیه سازی مونت کارلو در محاسبه قابلیت اطمینان فیدر توزیعچکیده این مقاله از روش مونت کارلو برای تخمین قابلیت اطمینان فیدر توزیع شعاعی و همچنین محاسبه قیمت قطع فیدر استفاده می کند و در انتها نتایج با روش تحلیلی مقایسه می شود. مقدمه ارزیابی قابلیت اطمینان یک روش مهم است که به طور قابل توجهی بر طراحی و عملکرد ویژگیهای سیستم قدرت و به خصوص مدار توزیع موثر است. مطالعات انجام شده نشان میدهد که سیستم توزیع در 90% قطعی های برق و فراهم کردن آن به سوی مصرف کننده مشارکت دارد. بیشتر این قطعی ها در سیستم توزیع شعاعی اتفاق میافتد. یک سیستم توزیع رایج، شامل فیدر اولیه و توزیع کننده های جانبی است. نقطه بارهای فردی توسط توزیع کنندهای جانبی با ترانس های توزیع ولتاژ پایین به فیدر اصلی متصل شده اند. مدت و تعداد قطع برق مصرف کننده ها توسط سکشن بندی نواحی و برنامه های حفاظت برای مجزا کردن بخش دچار خطا شده و تعمیر مجدد آن، کاسته شده است. در این مقاله کلید زنی به صورت دستی فرض میشود. از فیوز ها برای پاک کردن خطاهای محلی روی توزیع کننده جانبی استفاده می شود. جداول (قابلیت اطمینان ) شامل نقطه بار اولیه مصرف کننده، متوسط رنج شکست(λ)، میانگین مدت قطع برق(r) و مدت قطع برق سالیانه(U) هستند. این شاخص ها برای هر نقطه بار فردی ارزیابی می شوند. این سه شاخص یک تصویر کلی از عملکرد سیستم وشاخص های اضافی که میانگین های وزن دار شده هستند از شاخص های نقطه بار فراهم می کنند. رایج ترین شاخص های اجرایی سیستم ، شاخص متوسط مدت قطع برق سیستم (SAIDI)، شاخص متوسط فراوانی قطع برق سیستم(SAIFI)، شاخص متوسط مدت قطع برق مصرف کننده(CAIDI)، شاخص متوسط قابلیت دسترسی به سرویس(ASAI)، شاخص متوسط عدم قابلیت دسترسی به سرویس(ASUI)، انرژی فراهم نشده(ENS) و غیره. این مقاله ارزیابی این دو مجموعه از شاخص های قابلیت اطمینان را با روش شبیه سازی مونت کارلو MCS روشن می کند. در سالهای اخیر توجه مخصوصی جهت تعیین ارزش مصرف کننده از خدمات قابلیت اطمینان شده است. ارزش قابلیت اطمینان به چند روش تخمین زده می شود. رایج ترین روش استفاده شده، ارزیابی قیمت های مورد انتظار که مصرف کننده ها به خاطر ایجاد قطعی ها باعث می شوند، است. MCS برای تخمین کفایت شاخص ها و ارزش قابلیت اطمینان در عبارت میانگین قیمت قطع برق مصرف کننده (ACIC)، استفاده حوادث ویژه ونمونه های سالانه استفاده می شود. مفاهیم توزیعی تحلیل های قابلیت اطمینان معمولا فقط به ارزیابی مورد انتظار یا مقادیر ...
کاربرد روش مونت کارلو در مهندسی هسته‌ای
مونت کارلو نام منطقه یی بسیار مشهور در کشور خودمختار موناکو واقع در اروپای غربی است. جمعیت ساکن در مونت کارلو حدود سه هزار نفر است. منطقه مونت کارلو ثروتمندترین منطقه از کشور خودمختار موناکو است. ریشه نام مونت کارلو از زبان ایتالیایی است و به اصلیت اسم شاهزاده کارلو سوم از موناکو برمی گردد که زیر نفوذ و حمایت دربار ایتالیا قرار داشت. تا قبل از سال ۱۸۶۱ که موناکو به شکلی خودمختار درآمد، زبان رسمی آن ایتالیایی بود، اما از حدود صد سال پیش زبان رسمی مردم این منطقه به فرانسوی تغییر داده شد.نام مونت کارلو توسط تحقیقات فیزیکدانانی چون استنلی اولام، انریکو فرمی و جان فون نیومن شهرت فراوان یافت. این اسم گرفته شده از یک کازینو در موناکو است که عموی اولام برای قمار در آن پول قرض می کرده است. تصادفی بودن و تکرار طبیعی فرآیندها، مشابه فعالیت های انجام شده در کازینو است. در واقع روش مونت کارلو یک الگوریتم محاسباتی است که از نمونه گیری تصادفی برای محاسبه نتایج استفاده می کند. روش های مونت کارلو معمولاً برای شبیه سازی سیستم های فیزیکی و ریاضیاتی استفاده می شوند. روش های تصادفی برای محاسبه و آزمایش(که عموماً به عنوان شبیه سازی تصادفی شناخته می شوند) را بدون تردید می توان تا اولین پیشگامان نظریه احتمال دنبال کرد. تفاوت اساسی که معمولاً درباره روش شبیه سازی مونت کارلو بیان می شود این است که به طور اصولی نوع روش شبیه سازی را وارون می کند و نظر مسائل را با یافتن مدل مشابه احتمالی به خود جذب می کند. روش های پیشین برای شبیه سازی و مدل سازی آماری عموماً عکس این کار را انجام می دادند یعنی استفاده از شبیه سازی برای امتحان کردن مسائل مشخص و قطعی. به هر حال همان طوری که می دانید مثال های دیدگاه «وارون» به صورت تاریخی نیز وجود دارند.آنها تا قبل از آمدن روش مونت کارلو به عنوان یک روش عمومی در نظر گرفته نمی شدند. شاید معروف ترین استفاده اخیر از این روش توسط انریکو فرمی در سال ۱۹۳۰ باشد، هنگامی که او از یک روش تصادفی برای دستیابی به خواص نوترن تازه کشف شده استفاده کرد. همچنین روش های مونت کارلو شبیه سازی مورد نیاز در پروژه منهتن را داشتند. اگرچه در آن زمان در استفاده از ابزارهای محاسباتی در محدودیت جدی قرار داشتند. بنابراین مونت کارلو در زمانی مورد مطالعه و بررسی توسط دانشمندان قرار گرفت که کامپیوترهای الکترونیکی برای اولین بار پا به عرصه گذاشتند(از سال ۱۹۴۵ تا امروز)، در سال ۱۹۵۰ در لس آلاموس برای تحقیقات جدیدی که درباره بمب هیدروژنی آغاز شده بود، مورد استفاده قرار گرفت و در رشته های فیزیک، شیمی فیزیک و تحقیق در عملیات مشهور ...
دانلود رایگان 11 کتاب در موضوع روشهای مونت کارلو
روشهای مونت‌کارلو یک دسته از الگوریتم‌های محاسباتی هستند که بر اساس تکرار تصادفی نمونه برداری برای محاسبهٔ نتایج هستند.روشهای مونت کارلو همچنین در زمان شبیه سازی سیستم‌های فیزیکی و ریاضیاتی نیز استفاده می‌شوند.به دلیل اتکای این روش به تکرار محاسبات و اعداد تصادفی و اعداد شبه تصادفی، مناسب برای محاسبه توسط کامپیوتر است.روشهای مونت کارلو معمولا زمانی استفاده می‌شوند که امکان محاسبهٔ نتیجهٔ دقیق با یک الگوریتم قطعی(Deterministic Algorithm) نباشد روشهای مونت کارلو امروزه در اکثر شاخه های فیزیک مانند رادیوتراپی، دزیمتری، محاسبات فیزیک هسته ای و ... استفاده می شود. در زیر لینک دانلود 11 کتاب مرتبط با این موضوع جهت استفاده در دسترس علاقمندان قرار می گیرد. امید وارم بتوانم در آینده، CD این کتابها و تعدادی از کتب دیگر را در دسترس دوستان قرار دهم. دانلود کنید و لذت ببرید! 1- Monte Carlo Methods in Statistical Physics by M. E. J. Newman G. T. Barkema از لینکهای زیر برای دانلود رایگان کتاب استفاده کنید و یا برای کسب اطلاعات بیشتر راجع به این کتاب روی عنوان لاتین کتاب کلیک کنید و اطلاعات دقیق تری راجع به این کتاب را در سایت amazon.com ببینید. Link 1: ifile.it Password: ebooksclub.orgLink2: rapidshare.com , password: ebooksclub.org 2- Simulation and Monte Carlo: With applications in finance and MCMC by J. S. DagpunarLink 1 :rapidshare.comLink 2 :www.mediafire.com 3- Monte Carlo Methods in Statistical Physics by M. E. J. Newman G. T. Barkema از لینکهای زیر برای دانلود رایگان کتاب استفاده کنید و یا برای کسب اطلاعات بیشتر راجع به این کتاب روی عنوان لاتین کتاب کلیک کنید و اطلاعات دقیق تری راجع به این کتاب را در سایت amazon.com ببینید. Link 1: ifile.it Password: ebooksclub.orgLink2: rapidshare.com Password: ebooksclub.org 4- Random Number Generation and Monte Carlo Methods (Statistics and Computing) by James E. Gentle امروزه شبیه سازی به یکی از قوی ترین ابزارها در مطالعات تحقیقی علوم تبدیل شده است. و اساس شبیه سازی نیز تولید اعداد تصادفی است. کتاب تولید اعداد تصادفی و روشهای مونت کارلو با بیانی ساده و قوی ضمن معرفی روش مونت کارلو روشهای متداول تولید اعداد تصادفی را معرفی می کند. از لینکهای زیر برای دانلود رایگان کتاب استفاده کنید و یا برای کسب اطلاعات بیشتر راجع به این کتاب روی عنوان لاتین کتاب کلیک کنید و اطلاعات دقیق تری راجع به این کتاب در سایت amazon.com ببینید. Link 1 : pdf 4.79 MB ifile.it link 2 : 1922 KBpass: tFRANGAMCAM.rarrapidshare.com 5- Image Analysis, Random Fields and Dynamic Monte Carlo Methods: A Mathematical Introduction (Applications of Mathematics, 27) by Gerhard WinklerISBN / ASIN: 0387570691 کتاب آنایز تصویر، حوزه های تصادفی و روشهای پویایی مونت کارلو در سال 1995 تئسط انتشارات Springer در 360 صفحه منتشر شده است.فرمت فایل این کتاب ...
ارزیابی قابلیت اطمینان واحد اندازه گیری فازور با استفاده از روش دینامیکی درخت خطای مونت کارلو
ارزیابی قابلیت اطمینان واحد اندازه گیری فازوربا استفاده از روش دینامیکی درخت خطای مونت کارلو Peng Zhang and Ka Wing Chan, Member, IEEEچکیده --- ارزیابی قابلیت اطمینان توسط واحد اندازه گیری فازور (PMU) ، که یک عنصر کلید ی در ارزیابی قابلیت اطمینان برای مانیتورینگ منطقه وسیع (WAMS) می باشد. در این مقاله، یک روش جامع ارزیابی قابلیت اطمینان بر اساس روش دینامیکی درخت خطای مونت کارلو (MCDFT) تجزیه و تحلیل شده و برای انجام ارزیابی قابلیت اطمینان توسط PMU ارائه میگردد. این مدل قابلیت اطمینان به وسیله ی PMU ساخته شده است با استفاده از مدل سازی دینامیکی درخت خطا و با استفاده از تجزیه و تحلیل شبیه سازی مونت کارلو به منظور بررسی شاخص های قابلیت اطمینان به وسیله ی PMU . تجزیه و تحلیل نشان می دهد که اجزای اصلی دربر گیرنده GPS و ماژول های سخت افزار CPU تاثیر زیادی در قابلیت اطمینان توسط PMU دارد. حساسیت و افزونگی در طراحی، تجزیه و تحلیل و اعمال شده و می توان نتیجه گیری کرد که افزونگی طراحی از گیرنده GPS و سخت افزار CPU خواهد بود که بهترین راه اندازه گیری برای بهبود قابلیت اطمینان توسط PMU می باشد. در نهایت، خود انطباقی طرح کنترل نوسانات منطقه گسترده می تواند مثالی باشد از کاربرد های قابلیت اطمینان PMU . مقدمه سیستم های قدرت روز به روز مدرن تر و پیچیده تر می شوند، و ما یک نیاز فوری داریم برای مانیتورینگ شبکه گسترده در اسرع وقت (WAMS)، [1]. نگرانی داشتن قابلیت اطمینان در WAMS یکی از عوامل اصلی در روند کند تصویب همزمانی فازور در انجام برنامه های کاربردی می باشد [2].در حال حاضر رسیدن به یک طرح جامع برای ارزیابی قابلیت اطمینان WAMS فوری و ضروری می باشد تا مطمئن شویم که در یک زمان واقعی برای آنالیز و کنترل شبکه دسترس پذیری و قابلیت اطمینان داریم [3]–[5].دسترس پذیری و دیگر شاخص های قابلیت اطمینان pmu را میتوانیم از داده های آماری جمع آوری شده در یک عملیات یا یک مدل قابلیت اطمینان بدست آورد. به عنوان مثال PMU هنوز هم یک دستگاه نو ظهور می باشد ، و اطلاعات آماری موجود برای ارزیابی قابلیت اطمینان کم می باشد، و بهتر این بود که برای اولین بار از یک مدل قابلیت اطمینان برای PMU استفاده می شد و سپس با استفاده از یک روش جامع به ارزیابی قابلیت اطمینان از این مدل پرداخته می شد. مدل قابلیت اطمینان PMU استفاده شده در مقالات {8}و{9} با استفاده از روش های سنتی مارکوف ساخته شده است. در روش مارکوف ، در ابتدا مؤلفه های اصلی PMU به عنوان معادل دو حالته معرفی شدند و سپس برای به تصویر کشیدن رابطه ی منطقی بین PMU و مؤلفه های اصلی آن از نمودار مارکوف حالت گذرا استفاده شده است. رابطه ...
راهنماي استفاده از كد شبيه‌سازي MCNP4C، روش مونت کارلویی برای محاسبات هسته‌ای
نام كتاب: راهنماي استفاده از كد شبيه‌سازي MCNP4C، روش مونت کارلویی برای محاسبات هسته‌ای ناشر: انتشارات انديشه‌سرا (با ﻣﺴﺅوليت بهزاد پاكروح) http://www.andishehsara.org مؤلفان: مهدی وفابخش - یاشار ریاضی ویراسته‌ي: بهزاد پاکروح فهرست فصل 1- مقدمه‌اي بر ساختار MCNP 1-1- تاريخچه‌ی MCNP 1-2- روش مونت کارلو در ترابرد ذرات 1-3- واکنش‌ها و داده‌هاي هسته‌اي 1-4- مشخصات چشمه 1-5-Tally و خروجي فصل 2- نصب برنامه 2- نصب برنامه. فصل 3- ساختار فايل ورودي MCNP4C 3-1- قالب‌بندي ورودي‌هاي افقي 3-2- پيغام‌هاي خطاي ورودي 3-3- هندسه‌ی MCNP 3-4- خطاهاي هندسي فصل 4- کارت سلول 4-1- شماره‌ی ماده 4-2- دانسيته‌ی اتمي - دانسيته‌ی جرمي 4-3- تعريف سلول با استفاده از اشتراک سطوح بي‌نهايت 4-4- تعريف سلول با استفاده از اجتماع سطوح 4-5- پارامترهاي مورد استفاده در تعريف سلول 4-5-1- کارت اهميت سلولIMP 4-5-2- کارت حجم VOL 4-6- تعريف سلول به روش خلاصه نويسي براي سلول‌هاي تكراري 4-6-1- دستورLIKE 4-6-2- كارت TRCL 4-6-3- كارت شبكه LAT 4-6-4- كارت U و FILL فصل 5- کارت سطوح 5-1- صفحات خاص 5-1-1- صفحات بازتابنده (Reflecting Surface) 5-1-2- White Boundary 5-1-3- Periodic Boundary 5-2- كارت تعريف صفحه 5-2-1- كارت P 5-2-2- كارت PX 5-2-3- كارت PY 5-2-4- كارت PZ 5-2-5- سطوح مكعب 5-2-6- سطوح منشور 5-3- كارت تعريف كره 5-3-1- كارت S 5-3-2- كارت SO 5-3-3- كارت SX 5-3-4- كارت SY 5-3-5- كارت SZ 5-4- كارت تعريف استوانه 5-4-1- كارت C/X 5-4-2- كارت CX 5-4-3- كارت C/Y 5-4-4- كارت CY 5-4-5- كارت C/Z 5-4-6- كارت CZ 5-5- كارت تعريف مخروط 5-5-1- كارت K/X 5-5-2- كارت KX 5-5-3- كارت K/Y 5-5-4- كارت KY 5-5-5- كارت K/Z 5-5-6- كارت KZ 5-6- كارت تعريف بيضوي، هذلولي و سهمي 5-6-1- كارت SQ 5-6-1-1- هندسه‌ی بيضوي 5-6-2- كارت GQ 5-7- كارت تعريف بيضي‌گون يا چنبره 5-8- كارت تعريف رويه 5-9- تعريف سطوح با استفاده از Macrobody 5-9-1- كارت BOX 5-9-2- كارت RPP 5-9-3- كارت SPH 5-9-4- كارت RCC 5-9-5- كارت RHP or HEX فصل 6- کارت داده 6-1- كارت نوع مسأله (MODE) 6-2- كارت هندسه 6-2-1- کارت اهميت سلولIMP 6-2-2- کارت حجم VOL 6-2-3- كارت سطح AREA 6-2-4- كارت انتقال TR 6-3- كاهش واريانس 6-3-1- روش برشزني 6-3-2- روش كنترل جمعيت 6-3-3- روشهاي نمونهگيري اصلاح شده 6-3-4- روشهاي جزيي-قطعي 6-4- چشمه و معيارهاي آن 6-4-1- چشمه‌هاي عمومي (SDEF) 6-4-1-1- كارت SIn 6-4-1-2- كارت SPn 6-4-1-3- كارت SBn 6-4-1-4- كارت DSn 6-4-1-5- چشمه همسان‌گرد نقطه‌اي- دو چشمه در دو نقطه متفاوت 6-4-1-6- چشمه همسان‌گرد نقطه‌اي- يك چشمه با چند انرژي متفاوت 6-4-1-7- چشمه همسان‌گرد نقطه‌اي- چشمه با انرژي هيستوگرامي 6-4-1-8- چشمه همسان‌گرد نقطه‌اي- انرژي پيوسته 6-4-1-9- چشمه نقطه‌اي- دو چشمه با توزيع انرژي متفاوت و در دو نقطه متفاوت 6-4-1-10- چشمه حجمي- مستطيل متوازی السطوح موازي با محورهاي مختصات 6-4-1-11- چشمه حجمي- چشمه در سلول پيچيده- محاط متوازی‌السطوح 6-4-1-12- ...