基于Python的多模型montecarlo
mxmcp的Python项目详细描述
MXMC公司
总则
MXMCPy是一个开源包，它实现了许多现有的多模型 Monte Carlo方法（MLMC、MFMC、ACV），用于从昂贵的， 高保真模型利用更快，低保真模型加速。在
入门
安装
MXMCPy可以使用pip轻松安装：
pip install mxmcpy
或conda：
^{pr2}$或者，可以克隆MXMCPy存储库：
git clone https://github.com/nasa/mxmcpy.git
可以手动安装以下依赖项。在
依赖性
MXMCPy旨在与Python3.x一起使用 对于优化/数值方法来说，很少有相关性是比较常见的 使用Python：
- numpy公司
- 神经质的
- 熊猫
- matplotlib库
- h5py型
- 火把
- pytest，pytest mock（如果要运行测试套件）
包含一个requirements.txt文件，以便于安装与的依赖项
pip或{
使用pip安装：
pip install -r requirements.txt
使用conda安装：
conda install --yes --file requirements.txt
文档
Sphynx用于为MXMCPy自动生成API文档。这个
文档的最新版本可在以下存储库中找到：
doc/index.html
运行测试
MXMCPy包括一个扩展的单元测试套件，以帮助确保 安装。可以使用tests目录下的pytest运行测试，例如。， 通过运行：
python -m pytest tests
从存储库的根目录。在
示例用法
下面的代码片段显示了最佳示例的确定 假设成本和协方差矩阵的三个模型的分配 MFMC算法：
importnumpyasnpfrommxmcimportOptimizermodel_costs=np.array([1.0,0.05,0.001])covariance_matrix=np.array([[11.531,11.523,12.304],[11.523,11.518,12.350],[12.304,12.350,14.333]])optimizer=Optimizer(model_costs,covariance_matrix)opt_result=optimizer.optimize(algorithm="mfmc",target_cost=1000)print("Optimal variance: ",opt_result.variance)print("# samples per model: ",opt_result.allocation.get_number_of_samples_per_model())
有关使用MXMCPy的更详细示例，包括 估计器，参见examples directory中的脚本。在
贡献
- 叉开（https://github.com/nasa/mxmcpy/fork）
- 创建您的功能分支（
git checkout -b feature/fooBar） - 提交更改（
git commit -am 'Add some fooBar'） - 推送到分支（
git push origin feature/fooBar） - 创建新的拉取请求
版本控制
作者
- 杰弗里·波马里托
- 詹姆斯·华纳
- 帕特里克·莱瑟
- 威廉·莱瑟
- 卢克·莫瑞尔
许可证
注意事项： 版权所有2020美国政府 美国国家航空航天局。没有版权声明 美国法典第17编下的美国。保留所有其他权利。在
免责声明 无担保：标的软件按“原样”提供，无任何担保 任何形式，无论是明示的、暗示的或法定的，包括但不限于 任何保证，主题软件将符合规格，任何 对适销性、适用于特定目的的默示保证，或 免于侵权，任何保证主体软件将是错误的 免费，或任何保证，如果提供，将符合 主题软件。本协议不以任何方式构成 由政府机构或任何先前的任何结果接收者的认可， 最终设计、硬件、软件产品或任何其他应用程序 由于使用主题软件而产生的。此外，政府机构 否认与第三方软件有关的所有保证和责任， 如果存在于原始软件中，并“按原样”分发
弃权和赔偿：接受方同意放弃对 美国政府及其承包商和分包商，以及任何 上一个收件人。如果收件人使用主题软件导致 因使用而产生的责任、要求、损害赔偿、费用或损失， 包括基于或由接收方的 使用主题软件时，接收方应赔偿并保护 美国政府承包商和分包商，以及任何 在法律允许的范围内，优先接受人。接收方对 任何此类事项应立即单方面终止 同意。在
- 项目
标签：
欢迎加入QQ群-->： 979659372
