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: