scholarly journals Why simple quadrature is just as good as Monte Carlo

2020 ◽  
Vol 26 (1) ◽  
pp. 1-16
Author(s):  
Kevin Vanslette ◽  
Abdullatif Al Alsheikh ◽  
Kamal Youcef-Toumi
Keyword(s):  
Monte Carlo ◽  
Random Sampling ◽  
Bayesian Probability ◽  
Independent Factor ◽  
Worst Case ◽  
Statistical Equivalence ◽  
Deterministic Sampling ◽  
Quadrature Methods ◽  
Quadrature Sampling ◽  
Simple Quadrature

AbstractWe motive and calculate Newton–Cotes quadrature integration variance and compare it directly with Monte Carlo (MC) integration variance. We find an equivalence between deterministic quadrature sampling and random MC sampling by noting that MC random sampling is statistically indistinguishable from a method that uses deterministic sampling on a randomly shuffled (permuted) function. We use this statistical equivalence to regularize the form of permissible Bayesian quadrature integration priors such that they are guaranteed to be objectively comparable with MC. This leads to the proof that simple quadrature methods have expected variances that are less than or equal to their corresponding theoretical MC integration variances. Separately, using Bayesian probability theory, we find that the theoretical standard deviations of the unbiased errors of simple Newton–Cotes composite quadrature integrations improve over their worst case errors by an extra dimension independent factor {\propto N^{-\frac{1}{2}}}. This dimension independent factor is validated in our simulations.

scholarly journals Random Sampling Many-Dimensional Sets Arising in Control

Mathematics ◽  
2021 ◽  
Vol 9 (5) ◽  
pp. 580
Author(s):  
Pavel Shcherbakov ◽  
Mingyue Ding ◽  
Ming Yuchi
Keyword(s):  
Monte Carlo ◽  
Random Sampling ◽  
Linear Matrix ◽  
Matrix Inequalities ◽  
Computational Mathematics ◽  
Closed Form Solutions ◽  
Monte Carlo Techniques ◽  
Control Optimization ◽  
Point Representation ◽  
Hit And Run

Various Monte Carlo techniques for random point generation over sets of interest are widely used in many areas of computational mathematics, optimization, data processing, etc. Whereas for regularly shaped sets such sampling is immediate to arrange, for nontrivial, implicitly specified domains these techniques are not easy to implement. We consider the so-called Hit-and-Run algorithm, a representative of the class of Markov chain Monte Carlo methods, which became popular in recent years. To perform random sampling over a set, this method requires only the knowledge of the intersection of a line through a point inside the set with the boundary of this set. This component of the Hit-and-Run procedure, known as boundary oracle, has to be performed quickly when applied to economy point representation of many-dimensional sets within the randomized approach to data mining, image reconstruction, control, optimization, etc. In this paper, we consider several vector and matrix sets typically encountered in control and specified by linear matrix inequalities. Closed-form solutions are proposed for finding the respective points of intersection, leading to efficient boundary oracles; they are generalized to robust formulations where the system matrices contain norm-bounded uncertainty.

Random Sampling Monte-Carlo Approach to Studying Entropic Elasticity Properties of Cell Proteins and Lipids

2010 ◽  
Author(s):  
Eduard Karpov
Keyword(s):  
Monte Carlo ◽  
Random Sampling ◽  
Cell Protein ◽  
Specific Load ◽  
Linear Elastic ◽  
Entropic Elasticity ◽  
Energy Profiles ◽  
Lipid Chain ◽  
Entropic Contribution ◽  
Potential Energy Profiles

An efficient numerical Monte-Carlo method is proposed for the estimation of the entropic contribution to the elastic properties of cell protein and lipid chain biomolecules. Specific load-extension curves are obtained numerically for a group of molecules with degenerate potential energy profiles. Spread of the linear elastic regimes and dependence on the molecular weight and geometric parameters of the molecules are discussed.

scholarly journals Stochastic scenario generation: An empirical approach

2018 ◽  
Author(s):  
A. D. Oliveira ◽  
T. P. Filomena
Keyword(s):  
Monte Carlo ◽  
Stochastic Optimization ◽  
Random Sampling ◽  
Sampling Method ◽  
Empirical Approach ◽  
Scenario Tree ◽  
Scenario Generation ◽  
Distinctive Features

We briefly discuss the differences among several methods to generate a scenario tree for stochastic optimization. First, the Monte Carlo Random sampling is presented, followed by the Fitting of the First Two Moments sampling, and lastly the Michaud sampling. Literature results are reviewed, taking into account distinctive features of each kind of methodology. According to the literature results, it is fundamental to consider the problem’s unique characteristics to make the more appropriate choice on sampling method.  

scholarly journals Optimal Monte Carlo integration on closed manifolds

2019 ◽  
Vol 29 (6) ◽  
pp. 1203-1214 ◽  
Author(s):  
Martin Ehler ◽  
Manuel Gräf ◽  
Chris. J. Oates
Keyword(s):  
Monte Carlo ◽  
Sobolev Spaces ◽  
Reproducing Kernel ◽  
Monte Carlo Integration ◽  
Worst Case ◽  
Logarithmic Factor ◽  
Approximation Rates ◽  
Bayesian Monte Carlo ◽  
Kernel Hilbert Spaces ◽  
Theoretical Results

Abstract The worst case integration error in reproducing kernel Hilbert spaces of standard Monte Carlo methods with n random points decays as $$n^{-1/2}$$n-1/2. However, the re-weighting of random points, as exemplified in the Bayesian Monte Carlo method, can sometimes be used to improve the convergence order. This paper contributes general theoretical results for Sobolev spaces on closed Riemannian manifolds, where we verify that such re-weighting yields optimal approximation rates up to a logarithmic factor. We also provide numerical experiments matching the theoretical results for some Sobolev spaces on the sphere $${\mathbb {S}}^2$$S2 and on the Grassmannian manifold $${\mathcal {G}}_{2,4}$$G2,4. Our theoretical findings also cover function spaces on more general sets such as the unit ball, the cube, and the simplex.

Multi-objective optimization of distributed energy systems with focus on robust solutions

2019 ◽  
Author(s):  
Μάριος Καρμέλλος
Keyword(s):  
Monte Carlo ◽  
Energy Systems ◽  
Minimax Regret ◽  
Multi Objective Optimization ◽  
Distributed Energy ◽  
Worst Case ◽  
Robust Solutions ◽  
Multi Objective ◽  
Minimax Regret Criterion

Μια λύση προς την κατεύθυνση των οικονομικά ελκυστικών και περιβαλλοντικά φιλικών ενεργειακών συστημάτων είναι η ανάπτυξη των συστημάτων διεσπαρμένης παραγωγής ενέργειας (ΣΔΠΕ). Τα ΣΔΠΕ έχουν πολλά πλεονεκτήματα με το σημαντικότερο να είναι η παραγωγή ενέργειας σε τοπικό επίπεδο, ελαχιστοποιώντας έτσι τις απώλειες. Τα ΣΔΠΕ μπορούν να προσφέρουν καλύτερη ενσωμάτωση μεταξύ των συμβατικών ενεργειακών συστημάτων και των ΑΠΕ, και μπορούν να καλύψουν τις ενεργειακές ανάγκες είτε πρόκειται για ένα κτήριο, ένα σύμπλεγμα κτηρίων ή ακόμη και μια πόλη, με το βαθμό αποκέντρωσης να διαφέρει. Ένα ΣΔΠΕ μπορεί να σχεδιαστεί για να καλύπτει τις ενεργειακές ανάγκες σε ηλεκτρισμό, θερμότητα και ψύξη. Επίσης, τα συστήματα αυτά μπορούν να προσφέρουν λύσεις με χαμηλό ετήσιο κόστος και χαμηλές εκπομπές CO2. Ο σχεδιασμός ενός ΣΔΠΕ είναι ένα περίπλοκο πρόβλημα στο οποίο πολλές πτυχές πρέπει να λαμβάνονται υπόψη. Αυτή η διατριβή έχει σκοπό να παρουσιάσει μια μεθοδολογία για τον βέλτιστο σχεδιασμό ΣΠΔΕ χρησιμοποιώντας πολυ-κριτηριακό μικτό-ακέραιο γραμμικό προγραμματισμό (ΜΑΓΠ) με αντικειμενικές συναρτήσεις το συνολικό ετήσιο κόστος και τις εκπομπές CO2. Οι υποψήφιες τεχνολογίες είναι: (α) μονάδες συμπαραγωγής ηλεκτρισμού και θερμότητας, (β) αντλίες θερμότητας, (γ) μονάδες ψύξεις με απορρόφηση, (δ) λέβητες, (ε) ηλιακοί συλλέκτες, (στ) φωτοβολταϊκά, (ζ) ανεμογεννήτριες, (η) μονάδες αποθήκευσης θερμότητας, (θ) μονάδες αποθήκευσης ηλεκτρισμού, (ι) δίκτυο διανομής θερμότητας και (κ) μικροδίκτυο. Τα αποτελέσματα δίνουν ως λύσεις τις τεχνολογίες που επιλέγονται να εγκατασταθούν σε κάθε κτήριο και την αντίστοιχη ισχύ τους, τη διάταξη του δικτύου διανομής θερμότητας (αν σχηματιστεί), το επιχειρησιακό προφίλ των τεχνολογιών, και την ανταλλαγή ηλεκτρισμού διαμέσου του μικροδικτύου καθώς και μεταξύ των κτηρίων και του εθνικού δικτύου ηλεκτρισμού. Επιπλέον, οι αντίστοιχες μελέτες που υπάρχουν στη βιβλιογραφία διαχωρίζονται σε δύο γενικές κατηγορίες, (α) στη «Μέθοδο Α» όπου γίνεται ταυτόχρονη επιλογή και διαστασιολόγηση των υποψήφιων τεχνολογιών, και (β) στη «Μέθοδο Β» όπου οι διαστάσεις των τεχνολογιών είναι προκαθορισμένες. Αυτή η διατριβή παρουσιάζει αρκετά καινοτομικά στοιχεία αναφορικά με τον βέλτιστο σχεδιασμό ΣΔΠΕ. Συγκεκριμένα, παρουσιάζονται δύο προσεγγίσεις για την μοντελοποίηση τεχνολογιών, επεκτείνοντας την σχετική βιβλιογραφία. Επιπλέον, παρουσιάζονται μαθηματικά μοντέλα για όλες οι διαθέσιμες τεχνολογίες. Αυτές οι προσεγγίσεις συγκρίνονται καθώς προσφέρουν διαφορετικές λύσεις, και εξετάζονται πλεονεκτήματα και μειονεκτήματα που έχουν. Πέρα απ’ αυτά, η διατριβή έχει ως σκοπό τον βέλτιστο σχεδιασμό ΣΔΠΕ υπό συνθήκες αβεβαιότητας. Οι αλλαγές στις τιμές των παραμέτρων σχεδιασμού μπορούν να επηρεάσουν τον βέλτιστο σχεδιασμό και αυτή η διατριβή σκοπεύει να προσφέρει στον αποφασίζων εύρωστες λύσεις. Στο πλαίσιο της διατριβής υποτίθεται ότι οι παράμετροι που είναι υπό αβεβαιότητα είναι οι τιμές ενέργειας (ηλεκτρισμού και φυσικού αερίου), το επιτόκιο αναγωγής, τα ενεργειακά φορτία, η ηλιακή ακτινοβολία και η ταχύτητα του ανέμου. Για την αντιμετώπιση της αβεβαιότητας και τον εντοπισμό των εύρωστων λύσεων χρησιμοποιούνται τέσσερις τεχνικές που ανήκουν στο πεδίο της «εύρωστης βελτιστοποίησης» ή της «στοχαστικής βελτιστοποίησης»: (α) objective-wise worst case, (β) minimax regret criterion (MMR), (γ) minimax expected regret (MER) και (δ) ανάλυση Monte Carlo. Συνολικά, αυτές οι τεχνικές προσφέρουν λύσεις πολύ διαφορετικές σε σχέση με την ντετερμινιστική προσέγγιση του προβλήματος, οι οποίες μπορούν να χαρακτηριστούν ως εύρωστες, υπογραμμίζοντας τη σημασία της θεώρησης της αβεβαιότητας κατά τη διαδικασία σχεδιασμού. Η διατριβή καταλήγει ότι η αντιμετώπιση της αβεβαιότητας κατά τον σχεδιασμό ενός ΣΔΠΕ είναι πολύ σημαντική καθώς οι λύσεις αλλάζουν σημαντικά, και αυτό έχει ιδιαίτερη σημασία για τον βέλτιστο σχεδιασμό του συστήματος, την οικονομική του βιωσιμότητα καθώς και την επιχειρησιακή του σταθερότητα. Εν τέλει, σημειώνεται ότι οι μεθοδολογίες που έχουν αναπτυχθεί είναι γενικές και μπορούν εύκολα να προσαρμοστούν και να εφαρμοστούν σύμφωνα με τις προτιμήσεις του αποφασίζων.

Sign in / Sign up

Export Citation Format

Share Document