因为王建业提前打招呼的缘故，方舟很顺的被利门口的值班室保安放了进来。
和工科大多数实验室都不一样，整个楼里没有机器的轰鸣声，也没有消毒水的味道，更没有种类繁多的测量仪器。
走在楼道里，两边几乎听不到任何声音。
另外这里科研人员也少的出奇，方舟连上三层楼，只看见零星几个研究员，且都年龄偏大。
一路走到王建业的办公室里面，这里便完全是一个数学家办公室的陈设，整墙的书柜，一个绿色的密码柜，几张椅子，木质办公桌上放着一台超薄的显示器和一台小型打印机。
此时对方手里正拿着一摞资料正认真的看着。
见到方舟进来，将手里的资料随手塞到右手边的抽屉里，再拿出了方舟所写的《对蒙特卡洛模拟进行推导》一文。
名字听起来属实是有些口气大了些。
蒙特卡洛方法于二十世纪四十年代中期美国在第二次世界大战中研制原子弹的“曼哈顿计划”计划的成员S.M.乌拉姆和J.冯·诺伊曼首先提出。
数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo—来命名这种方法，为它蒙上了一层神秘色彩。
在这之前，蒙特卡洛方法就已经存在。
1777年，法国数学家蒲丰（Georges Louis Leclere de Buffon，1707—1788）提出用投针实验的方法求圆周率π。这被认为是蒙特卡洛方法的起源。
其基本原理如下：由概率定义知，某事件的概率可以用大量试验中该事件发生的频率来估算，当样本容量足够大时，可以认为该事件的发生频率即为其概率。因此，可以先对影响其可靠度的随机变量进行大量的随机抽样，然后把这些抽样值一组一组地代入功能函数式，确定结构是否失效，最后从中求得结构的失效概率。
蒙特卡洛法正是基于此思路进行分析的：
设有统计独立的随机变量Xi(i=1，2，3，...，k)，其对应的概率密度函数分别为fx1，fx2，„，fxk，功能函数式为Z=g(x1，x2，„，xk)。
首先根据各随机变量的相应分布，产生N组随机数x1，x2，„，xk值，计算功能函数值Zi=g(x1，x2，„，xk)(i=1，2，„，N)，若其中有L组随机数对应的功能函数值Zi≤0，则当N→∞时，根据伯努利大数定理及正态随机变量的特性有：结构失效概率，可靠指标。
无论是发明人还是所应用的领域，都站在了世界科学的顶点。
由于科学技术的发展和电子计算机的发明，因为它以概率统计理论为基础，依据大数定律(样本均值代替总体均值)， 利用电子计算机数字模拟技术，广泛被应用于解决一些很难直接用数学运算求解或用其他方法不能解决的复杂问题。
在金融工程学，宏观经济学，计算物理学（如粒子输运计算、量子热力学计算、空气动力学计算）等领域的应用尤其颇深。
而就在这项算法发明近八十年后的今天，一个本科生提出，要对蒙特卡洛算法进行推导，试图说明，蒙特卡洛的过程还有其他更为方便，更为强大的运算过程。
这对于从事概率学研究的人来说，不亚于学物理的人得知麦克斯韦方程组还有其他的变形，学化学的人得知阿伦尼乌斯公式可以进行更高参量的修正。
但方舟的研究确实基于此，对于蒙特卡洛这一广泛应用的模拟算法，方舟回去之后，在研究大量老式和新式人工智能算法的基础上，对原有的算法进行了改正，使之更符合计算机的运算习惯。
原本蒙特卡洛算法的变量必须服从一定的概率分布，作为一种解决物理数学问题和系统性质分析的近似计算法，这一缺陷限制了蒙特卡洛在解决社会学问题上的计算。
将其用在模拟道路交通状态上时，因为其本身结构的限制，所有的小车变量具有了相当一部分概率分布，很难用于真实的模拟实际交通的极限情况。
这也是当时方舟在答辩模拟时，无论如何变化，系统始终都能保持运行的最佳状态缘故。
并不是方舟设计的系统完美无缺，而是方舟设计的交通状态本身就是在一个低密度的状态。
有时候，表现的太过于完美，本身就是一个问题。
如果是别的评委，看了方舟的演示效果，可能会大肆称赞方舟的论文成果。
但是当评委席上坐的那个人是王建业时，对纯数学、概率学等极为敏感的人来说，天生的数学感敏锐的察觉到了方舟演示中出现的数学问题，及时并严厉提出，要求方舟修改。
亦或许如果答辩的学生换了一个人的时候，王建业也不会将这个问题提出来。
普通的本科生，甚至研究生并没有能对蒙特卡洛算法进行修改的能力，这要求在数学和计算机领域都有极高的基础和天赋。
方舟在王建业眼里，就明显具有这个能力。
只见王建业笑着示意方舟坐在另一旁的椅子上，并将手里的纸质稿件递给了方舟。
方舟双手接过并不厚的论文初稿，翻开略微查看了一眼，右侧写着王建业对其做的批注。
小主，这个章节后面还有哦，请点击下一页继续阅读，后面更精彩！