5 个版本
0.2.1 | 2020年7月13日 |
---|---|
0.1.3 | 2020年4月6日 |
0.1.2 | 2020年4月2日 |
0.1.1 | 2020年3月24日 |
0.1.0 | 2020年3月24日 |
#1335 in 数学
53KB
950 代码行
markovian
随机过程的模拟。
目标
作为 rand crate 的扩展,用于子随机马尔可夫过程。
主要功能
- 轻松构建马尔可夫过程,包括
- 离散时间
- 连续时间(指数时钟)
- 类型无关
变更日志
请参阅 变更日志。
贡献
非常感谢您的贡献。请随时提交问题或拉取请求。请注意,任何提交给项目包含的贡献都将根据双许可(MIT 和 Apache-2.0)的条款进行许可。
lib.rs
:
(子-)随机过程的模拟。
目标
作为 rand crate 的扩展,用于子随机过程。
示例
离散时间
在整数上的随机游走。
let init_state: i32 = 0;
let transition = |state: &i32| raw_dist![(0.5, state + 1), (0.5, state - 1)];
let rng = thread_rng();
let mut mc = markovian::MarkovChain::new(init_state, transition, rng);
分支过程
使用密度 p(0) = 0.3,p(1) = 0.4,p(2) = 0.3 构建。
let init_state: u32 = 1;
let base_distribution = raw_dist![(0.3, 0), (0.4, 1), (0.3, 2)];
let rng = thread_rng();
let mut branching_process = markovian::BranchingProcess::new(init_state, base_distribution, rng);
连续时间
使用指数时间进行每个转换的整数上的随机游走。
let init_state: i32 = 0;
struct MyTransition;
impl markovian::Transition<i32, (f64, i32)> for MyTransition {
fn sample_from<R: ?Sized>(&self, state: &i32, rng: &mut R) -> (f64, i32)
where
R: Rng
{
let time = Exp::new(2.0).unwrap().sample(rng);
let step = Uniform::from(0..=1).sample(rng) * 2 - 1;
(time, state + step)
}
}
let transition = MyTransition;
let rng = thread_rng();
let mut mc = markovian::TimedMarkovChain::new(init_state, transition, rng);
备注
所有方法都是 inline
,这是有意为之。
下面描述了使用 crate 的非平凡方式,包括时间依赖性、连续空间和非马尔可夫过程。
时间依赖性
将时间作为过程状态的一部分。
示例
一个随时间推移越来越向右移动的整数上的随机游走。
let init_state: (usize, i32) = (0, 0);
let transition = |(time, state): &(usize, i32)| raw_dist![
(0.6 - 1.0 / (time + 2) as f64, (time + 1, state + 1)),
(0.4 + 1.0 / (time + 2) as f64, (time + 1, state - 1))
];
let rng = thread_rng();
let mut mc = markovian::MarkovChain::new(init_state, &transition, rng);
// Take a sample of 10 elements
mc.take(10).map(|(_, state)| state).collect::<Vec<i32>>();
连续空间
随机化转换:返回一个随机元素和一个概率为 1
示例
具有可变步长的实数线上的随机游走。
let init_state: f64 = 0.0;
struct MyTransition;
impl markovian::Transition<f64, f64> for MyTransition {
fn sample_from<R: ?Sized>(&self, state: &f64, rng: &mut R) -> f64
where
R: Rng
{
let step = Exp::new(2.0).unwrap().sample(rng);
state + step
}
}
let transition = MyTransition;
let rng = thread_rng();
let mut mc = markovian::MarkovChain::new(init_state, transition, rng);
mc.next();
// current_state is positive
assert!(mc.state().unwrap() > &0.0);
非马尔可夫
在状态中包含历史。例如,而不是 i32
,使用 Vec<i32>
。
示例
一个以非马尔可夫方式吸引到零的整数上的随机游走。
let init_state: Vec<i32> = vec![0];
let transition = |state: &Vec<i32>| {
// New possible states
let mut right = state.clone();
right.push(state[state.len() - 1] + 1);
let mut left = state.clone();
left.push(state[state.len() - 1] - 1);
// Some non markovian transtion
let path_stadistic: i32 = state.iter().sum();
if path_stadistic.is_positive() {
raw_dist![
(1.0 / (path_stadistic.abs() + 1) as f64, right),
(1.0 - 1.0 / (path_stadistic.abs() + 1) as f64, left)
]
} else {
raw_dist![
(1.0 - 1.0 / (path_stadistic.abs() + 1) as f64, right),
(1.0 / (path_stadistic.abs() + 1) as f64, left)
]
}
};
let rng = thread_rng();
let mut mc = markovian::MarkovChain::new(init_state, transition, rng);
// state has history
mc.next();
assert_eq!(mc.state().unwrap().len(), 2);
依赖项
~1.1–1.7MB
~35K SLoC