Python實作蒙特卡羅模擬的方法與步驟
什麼是蒙特卡羅模擬
蒙特卡羅模擬是一種基於機率統計的方法,透過隨機模擬來計算某個事件發生的機率。在專案管理中,蒙特卡羅模擬主要用於計算專案工期、成本等關鍵指標的機率分佈,幫助專案經理更好地進行風險管理和決策。
讓我們來看上面這張圖, 這張圖是針對三個專案活動:活動1、活動2、活動3進行的蒙特卡羅模擬。模擬的依據是這三個活動的三點估算結果。然後讓計算機進行了1,000,000次隨機預算, 得出的上面這張圖。
我們拿上邊這張圖的藍色虛線的交叉舉例,這個點指的是什麼呢?我們看Y軸,這裡的90%指的是完工機率90%。這個點對應的橫軸將近19天的樣子。也就是說,透過電腦100萬次的模擬。在19天以下完成專案的機率是90%。
做過專案的同學都知道, 客戶或領導者總是希望我們快些快些再快些。領導說,19天沒有,只有16天。這時候,身為專案經理透過上面的圖,發現,X軸16天對應Y軸的數值大概在30%左右。你就問領導:成功率只有30%喲, 你賭還是不賭~
這不失為一種不錯的「科學算命」的方式。關鍵是簡單,還有機率論給你撐腰。
Python實作
在Python中如何計算專案管理的蒙特卡羅模擬呢?其實很簡單,我們可以使用Python中的numpy和matplotlib函式庫來進行計算和繪圖。下面田老師給完整的程式碼:
#!/usr/bin/env python # -*- coding:utf-8 -*- """ #----------------------------------------------------------------------------- # --- TDOUYA STUDIOS --- #----------------------------------------------------------------------------- # # @Project : di08-tdd-cdg-python-learning # @File : monte_carlo.py # @Author : tianxin.xp@gmail.com # @Date : 2023/3/12 18:22 # # 用Python实现蒙特卡洛模拟 # #--------------------------------------------------------------------------""" from datetime import datetime import matplotlib.pyplot as plt import numpy as np from matplotlib.ticker import FuncFormatter, MultipleLocator from scipy.stats import norm plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False def to_percent(y, position): # 将纵轴用百分数表示 return '{:.0f}%'.format(100 * y) class Activity: """ 活动类,用于表示一个项目中的活动 Attributes: name (str): 活动名称 optimistic (float): 乐观时间 pessimistic (float): 悲观时间 most_likely (float): 最可能时间 """ def __init__(self, name, optimistic, pessimistic, most_likely): """ 初始化活动类 Args: name (str): 活动名称 optimistic (float): 乐观时间 pessimistic (float): 悲观时间 most_likely (float): 最可能时间 """ self.name = name self.optimistic = optimistic self.pessimistic = pessimistic self.most_likely = most_likely class PMP: """ PMP类用于进行项目管理中的相关计算: 方法: monte_carlo_simulation : 蒙特卡洛模拟试算,包括计算项目工期、平均值、标准差、绘制积累图和概率密度曲线等功能。 """ def __init__(self, activities): """ 初始化PMP类,传入活动列表。 :param activities: 活动列表,包括活动名称、乐观值、最可能值和悲观值。 """ self.activities = activities def monte_carlo_simulation(self, n): """ 进行蒙特卡洛模拟试算,计算项目工期、平均值、标准差、绘制积累图和概率密度曲线等。 :param n: 模拟次数。 """ # 模拟参数和变量 t = [] for activity in self.activities: t.append(np.random.triangular(activity.optimistic, activity.most_likely, activity.pessimistic, n)) # 计算项目工期 project_duration = sum(t) # 计算平均值和标准差 mean_duration = np.mean(project_duration) std_duration = np.std(project_duration) # 绘制积累图 fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 10), gridspec_kw={'height_ratios': [3, 1]}) ax1.hist(project_duration, bins=50, density=True, alpha=0.7, color='blue', cumulative=True) ax1.yaxis.set_major_locator(MultipleLocator(0.1)) ax1.yaxis.set_major_formatter(FuncFormatter(to_percent)) ax1.set_ylabel('完成概率') ax1.set_title('PMP蒙特卡洛模拟试算', fontsize=20) # 绘制概率密度曲线 xmin, xmax = ax1.get_xlim() x = np.linspace(xmin, xmax, 100) p = norm.cdf(x, mean_duration, std_duration) ax1.plot(x, p, 'k', linewidth=2, drawstyle='steps-post') # 找到完成概率90%的点 x_90 = norm.ppf(0.9, mean_duration, std_duration) # 绘制垂线 ax1.axvline(x_90, linestyle='--', color='blue') ax1.axhline(0.9, linestyle='--', color='blue') # 隐藏右边和上方的坐标轴线 ax1.spines['right'].set_visible(False) ax1.spines['top'].set_visible(False) # 添加表格 col_labels = ['活动名称', '乐观值', '最可能值', '悲观值'] cell_text = [[activity.name, activity.optimistic, activity.most_likely, activity.pessimistic] for activity in self.activities] table = ax2.table(cellText=cell_text, colLabels=col_labels, loc='center') # 设置表格的字体大小和行高 table.auto_set_font_size(False) table.set_fontsize(14) # # 设置表格的行高为1.5倍原来的高度 for i in range(len(self.activities) + 1): table._cells[(i, 0)].set_height(0.2) table._cells[(i, 1)].set_height(0.2) table._cells[(i, 2)].set_height(0.2) table._cells[(i, 3)].set_height(0.2) ax2.axis('off') # 调整子图之间的间距和边距 plt.subplots_adjust(hspace=0.3, bottom=0.05) # 保存图表 now = datetime.now().strftime('%Y%m%d%H%M%S') plt.savefig('monte_carlo_simulation_{}.png'.format(now)) # 显示图形 plt.show() if __name__ == '__main__': # 模拟参数和变量 n = 1000000 # 模拟次数 # 活动的工期分布 activities = [ Activity('活动1', 5, 10, 7), Activity('活动2', 3, 8, 5), Activity('活动3', 2, 6, 4) ] # 进行蒙特卡洛模拟 pmp = PMP(activities) pmp.monte_carlo_simulation(n)
以上是Python實作蒙特卡羅模擬的方法與步驟的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

PHP主要是過程式編程,但也支持面向對象編程(OOP);Python支持多種範式,包括OOP、函數式和過程式編程。 PHP適合web開發,Python適用於多種應用,如數據分析和機器學習。

PHP適合網頁開發和快速原型開發,Python適用於數據科學和機器學習。 1.PHP用於動態網頁開發,語法簡單,適合快速開發。 2.Python語法簡潔,適用於多領域,庫生態系統強大。

Python更適合初學者,學習曲線平緩,語法簡潔;JavaScript適合前端開發,學習曲線較陡,語法靈活。 1.Python語法直觀,適用於數據科學和後端開發。 2.JavaScript靈活,廣泛用於前端和服務器端編程。

PHP起源於1994年,由RasmusLerdorf開發,最初用於跟踪網站訪問者,逐漸演變為服務器端腳本語言,廣泛應用於網頁開發。 Python由GuidovanRossum於1980年代末開發,1991年首次發布,強調代碼可讀性和簡潔性,適用於科學計算、數據分析等領域。

VS Code可以在Windows 8上運行,但體驗可能不佳。首先確保系統已更新到最新補丁,然後下載與系統架構匹配的VS Code安裝包,按照提示安裝。安裝後,注意某些擴展程序可能與Windows 8不兼容,需要尋找替代擴展或在虛擬機中使用更新的Windows系統。安裝必要的擴展,檢查是否正常工作。儘管VS Code在Windows 8上可行,但建議升級到更新的Windows系統以獲得更好的開發體驗和安全保障。

VS Code 可用於編寫 Python,並提供許多功能,使其成為開發 Python 應用程序的理想工具。它允許用戶:安裝 Python 擴展,以獲得代碼補全、語法高亮和調試等功能。使用調試器逐步跟踪代碼,查找和修復錯誤。集成 Git,進行版本控制。使用代碼格式化工具,保持代碼一致性。使用 Linting 工具,提前發現潛在問題。

在 Notepad 中運行 Python 代碼需要安裝 Python 可執行文件和 NppExec 插件。安裝 Python 並為其添加 PATH 後,在 NppExec 插件中配置命令為“python”、參數為“{CURRENT_DIRECTORY}{FILE_NAME}”,即可在 Notepad 中通過快捷鍵“F6”運行 Python 代碼。

VS Code 擴展存在惡意風險,例如隱藏惡意代碼、利用漏洞、偽裝成合法擴展。識別惡意擴展的方法包括:檢查發布者、閱讀評論、檢查代碼、謹慎安裝。安全措施還包括:安全意識、良好習慣、定期更新和殺毒軟件。
