<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>蒙特卡洛模拟 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E8%92%99%E7%89%B9%E5%8D%A1%E6%B4%9B%E6%A8%A1%E6%8B%9F/</link>
    <description>Recent content in 蒙特卡洛模拟 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Mon, 03 Nov 2025 11:52:50 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E8%92%99%E7%89%B9%E5%8D%A1%E6%B4%9B%E6%A8%A1%E6%8B%9F/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>自制蒙特卡洛模拟在安全风险分析中的应用（第二部分）</title>
      <link>https://blog.qife122.com/p/%E8%87%AA%E5%88%B6%E8%92%99%E7%89%B9%E5%8D%A1%E6%B4%9B%E6%A8%A1%E6%8B%9F%E5%9C%A8%E5%AE%89%E5%85%A8%E9%A3%8E%E9%99%A9%E5%88%86%E6%9E%90%E4%B8%AD%E7%9A%84%E5%BA%94%E7%94%A8%E7%AC%AC%E4%BA%8C%E9%83%A8%E5%88%86/</link>
      <pubDate>Mon, 03 Nov 2025 11:52:50 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E8%87%AA%E5%88%B6%E8%92%99%E7%89%B9%E5%8D%A1%E6%B4%9B%E6%A8%A1%E6%8B%9F%E5%9C%A8%E5%AE%89%E5%85%A8%E9%A3%8E%E9%99%A9%E5%88%86%E6%9E%90%E4%B8%AD%E7%9A%84%E5%BA%94%E7%94%A8%E7%AC%AC%E4%BA%8C%E9%83%A8%E5%88%86/</guid>
      <description>&lt;h2 id=&#34;自制蒙特卡洛模拟在安全风险分析中的应用第二部分&#34;&gt;自制蒙特卡洛模拟在安全风险分析中的应用（第二部分）&lt;/h2&gt;&#xA;&lt;p&gt;之前我写过如何将Doug Hubbard的《如何衡量网络安全中的一切》书中的简单定量分析实现为JavaScript代码。当我编写蒙特卡洛模拟代码时，我使用的是基于预期发生率的百分比概率，这在发生率较高时（分析期内发生两次或更多次）显得不够灵活。&lt;/p&gt;</description>
    </item>
    <item>
      <title>生成对抗网络学习动力学蒙特卡洛随机模拟</title>
      <link>https://blog.qife122.com/p/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C%E5%AD%A6%E4%B9%A0%E5%8A%A8%E5%8A%9B%E5%AD%A6%E8%92%99%E7%89%B9%E5%8D%A1%E6%B4%9B%E9%9A%8F%E6%9C%BA%E6%A8%A1%E6%8B%9F/</link>
      <pubDate>Thu, 11 Sep 2025 17:44:33 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C%E5%AD%A6%E4%B9%A0%E5%8A%A8%E5%8A%9B%E5%AD%A6%E8%92%99%E7%89%B9%E5%8D%A1%E6%B4%9B%E9%9A%8F%E6%9C%BA%E6%A8%A1%E6%8B%9F/</guid>
      <description>&lt;h1 id=&#34;摘要&#34;&gt;摘要&lt;/h1&gt;&#xA;&lt;p&gt;研究表明生成对抗网络（GANs）可有效学习随机动力学，在捕捉热涨落的同时替代传统模型。具体应用于二维多粒子系统，重点关注表面台阶波动及相关时间依赖粗糙度。基于动力学蒙特卡洛模拟构建数据集后，训练条件GAN随时间随机传播系统状态，从而以更低计算成本生成新序列。讨论了针对标准GAN的改进措施，这些改进有助于提升收敛性和准确性。经验证，训练后的网络能定量复现平衡态和动力学特性（包括标度律），与精确值的偏差仅为百分之几。最后批判性讨论了外推限制和未来展望。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
