بهبود کارایی شبیه سازی مونت کارلو برای تولید داده های همبسته: کاربردی در تغییر اقلیم

از شبیه سازی مونت کارلو به خوبی برای تولید گروه داده هایی که از توزیعی مشخص پیروی می کنند استفاده می شود. با این حال، تولید داده های همبسته تنها برای توزیعهای خاص (بهنجار دو- متغیره) امکان پذیر است، در حالی که در پاره ای از مواقع، همچون تحلیل فراوانی منطقه ای، پرداختن به توزیعهای غیربهنجار مورد نیاز است. برای حل مساله ی مزبور، در این مقاله استفاده از الگوریتم ژنتیک به عنوان روش ابتکاری پیشنهاد گردیده است. برای تطابق الگوریتم ژنتیک با مساله ی در دست بررسی، به جای تلاقی دو کروموزوم از دست کاری در هر کروموزوم استفاده شد، زیرا قرارگیری مقادیر در یک گروه زمانی به گونه ای است که تکرار اعداد مجاز نبوده، و تمامی اعداد باید در یک گروه مورد استفاده قرار گیرند. این شیوه برای یک متغیر تصادفی انجام گرفت و نشان داده شد که الگوریتم ژنتیک منجر به پاسخهای چندگانه می گردد، در حالی که در روش مونت کارلو، تنها پاسخی یکتا به دست می آید. با ارائه ی تابع هدف مناسب، روش پیشنهادی برای توزیعهای دو- متغیره نیز به کار رفت و شمول گسترده تر پاسخها در مقایسه با روش مونت کارلو (تنها برای توزیعهای بهنجار) ارایه شد. دلیل گستردگی پاسخ در روش پیشنهادی به این حقیقت باز می گردد که یک گروه زمانی را می توان به چندین شیوه ی گوناگون مرتب کرد که بتواند با یک گروه زمانی ثابت ضریب همبستگی یکسان را تولید کند. نشان داده شد که هرچه ضریب همبستگی کمتر باشد، شمار حالتهای گوناگون افزایش می یابد.