这篇“Python如何实现蒙特卡洛模拟”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“Python如何实现蒙特卡洛模拟”文章吧。
什么是蒙特卡洛模拟
蒙特卡洛模拟是一种基于概率统计的方法，通过随机模拟来计算出某个事件发生的概率。在项目管理中，蒙特卡洛模拟主要用于计算项目工期、成本等关键指标的概率分布，帮助项目经理更好地进行风险管理和决策。
让我们来看上面这张图， 这张图是针对三个项目活动:活动1、活动2、活动3进行的蒙特卡洛模拟。 模拟的依据是这三个活动的三点估算结果。 然后让计算机进行了1,000,000次随机预算， 得出的上面这张图。
我们拿上边这张图的蓝色虚线的交叉举例，这个点指的是什么呢？ 我们看Y轴，这里的90%指的是完工概率90%。 这个点对应的横轴将近19天的样子。也就是说，通过计算机100万次的模拟。在19天以下完成项目的概率是90%。
做过项目的同学都知道， 客户或者领导总是希望我们快些快些再快些。 领导说，19天没有，只有16天。 这时候，作为项目经理通过上面的图，发现，X轴16天对应Y轴的值大概在30%左右。 你就问领导：成功率只有30%哟， 你赌还是不赌~
这不失为一种不错的“科学算命”的方式。 关键是简单，还有概率论给你撑腰。
Python实现
在Python中如何计算项目管理的蒙特卡洛模拟呢？其实很简单，我们可以使用Python中的numpy和matplotlib库来进行计算和绘图。下面田老师给出完整的代码：
#!/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 datetimeimport matplotlib.pyplot as pltimport numpy as npfrom matplotlib.ticker import FuncFormatter, MultipleLocatorfrom scipy.stats import normplt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = Falsedef 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_likelyclass 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)以上就是关于“Python如何实现蒙特卡洛模拟”这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注编程网行业资讯频道。
