python数据可视化(二)

最新推荐文章于 2023-05-20 18:32:54 发布

原创最新推荐文章于 2023-05-20 18:32:54 发布 · 357 阅读

2 ·

CC 4.0 BY-SA版权

本文深入探讨了蒙特卡洛模拟的基本原理及其在解决概率和期望值问题上的应用。通过一个具体的库存管理案例，展示了如何使用蒙特卡洛方法找到利润最大化的订单量。涉及数学模拟实验、概率模型构建及抽样等关键步骤。

蒙特卡洛模拟

什么是蒙特卡洛模拟：
当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或者这个随机变数的平均值，并用它们作为问题的解。这就是蒙特卡罗方法的基本思想。蒙特卡罗方法通过抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。可以把蒙特卡罗解题归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。

蒙特卡洛模拟中的库存问题

问题:水果零售员每天出售水果，每份订单有Y个单位，没卖出一个单位就会有60美分的利润，在每一天结束的时候未卖出的部分已每件40美分的损失抛售，每天的需求D服从均匀分布[80,140],问要求利润最大，每天需要多少单位的订单？

#s 表示销售量，d表示需求量
import numpy as np
from  math import log
import matplotlib.pyplot as plt
x =[]
y = []

def generateProfit(d):
    global s
    if d >= s:
        return 0.6*s
    else:
        return 0.6*d-0.4*(s-d)
maxprofit = 0
for s in range(20,305):
    for i in range(1,1000):
        d = np.random.randint(10,high=200)
        profit = generateProfit(d)
        if profit > maxprofit:
            maxprofit = profit
    x.append(s)
    y.append(log(maxprofit))
plt.plot(x,y)
print('Max Profit:',maxprofit)
plt.show()