Question

每当我在S-Plus中进行大规模的蒙特卡罗模拟时，我总是在等待它完成时留下胡须。

在R中运行蒙特卡罗模拟的最佳技巧是什么？以分布式方式运行流程的任何好例子？

Answer 1

如果您只是使用并行独立复制，那么使用多个核心/机器应该很简单，但要注意随机数生成器的常见缺陷（例如，如果使用当前时间作为种子产生许多进程，每个进程有一个RNG可能产生相关的随机数，导致无效结果 - 参见例如this paper）
您可能希望使用variance reduction 减少所需复制次数，即缩小所需样本的大小。在许多教科书中可以找到更先进的方差减少技术，例如，在this one。

Answer 2

预分配你的载体！

> nsims <- 10000
> n <- 100
> 
> system.time({
     res <- NULL
     for (i in 1:nsims) {
         res <- c(res,mean(rnorm(n)))
     }
 })
   user  system elapsed 
  0.761   0.015   0.783 
> 
> system.time({
     res <- rep(NA, nsims)
     for (i in 1:nsims) {
         res[i] <- mean(rnorm(n))
     }
 })
   user  system elapsed 
  0.485   0.001   0.488 
>

Answer 3

Latin Hypercube Sampling易于应用，对结果有重大影响。基本上，您从均匀分布中获取拉丁超立方体样本（例如，使用包lhs中的randomLHS（）），并使用例如qnorm（uniformsample）将其转换为所需的分布。

Answer 4

我知道这个帖子真的很老了，但如果有人偶然发现它并且正在寻找更快的方法，我认为以下方法有效：

library(data.table)
library(microbenchmark)

nsims <- 10000
n <- 100

# Answer from @Eduardo_Leoni:
preallocate<-function(nsims, n) {
  res <- rep(NA, nsims)
  for (i in 1:nsims) {
    res[i] <- mean(rnorm(n))
  }
  return(res)
}

# Answer using data.table:
datatable<-function(nsims,n) {
  dt <- data.table(i=1:nsims)[,list(res=mean(rnorm(1:n))),by=i]
  return(dt)
}

# Timing benchmark:
microbenchmark(preallocate(nsims,n), datatable(nsims,n), times=100)
#Unit: milliseconds
#                  expr      min       lq   median       uq      max neval
# preallocate(nsims, n) 428.4022 432.3249 434.2910 436.4806 489.2061   100
#   datatable(nsims, n) 238.9006 242.3517 244.1229 246.5998 303.6133   100

加速蒙特卡罗模拟的最佳技巧是什么？

4 个答案: