加速蒙特卡罗模拟的最佳技巧是什么？

Question

每当我在S-Plus中运行大型蒙特卡罗仿真时，我总是在等待它完成时结束留胡子。

在R中运行蒙特卡洛模拟的最佳技巧是什么？以分布式方式运行进程的好例子？

Answer 1

• 使用多个内核/机器应该是简单的，如果你仅仅使用平行独立的重复，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，产卵许多过程一个RNG每个可能会产生相关的随机数，从而导致无效的结果 - 例如见this paper）

• 您可能需要使用variance reduction到减少所需的复制，即数量缩小所需样本的大小。更多先进的方差减少技术可以在许多教科书中找到，例如，在this one。

Answer 2

拉丁超立方体采样很容易应用，对结果有很大影响。基本上，您可以从统一分布中获取拉丁超立方体样本（例如，在包中使用randomLHS（）），并使用例如qnorm（uniformsample）将其转换为您所需的分布。

Answer 3

Preallocate your vectors！

> 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 4

我知道这个线程是真的老了，但如果有人绊倒，并正在寻找更快的方法，我认为以下工作：

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