Abstract
This paper presents an importance sampling(IS) embedded experimental frame(EF) design for efficient Monte Carlo (MC) simulation. To achieve IS principles, the proposed EF contains two embedded sub-models, which are classified into Importance Sampler(IS) and Bias Compensator(BC) models. The IS and BC models stand between the existing system model and EF, which leads to enhancement of model reusability. Furthermore, the proposed EF enables to achieve fast stochastic simulation as compared with the crude MC technique. From the abstract two case studies with the utilization of the proposed EF, we can gain interesting experimental results regarding remarkable enhancement of simulation performance. Finally, we expect that this work will serve various content areas for enhancing simulation performance, and besides, it will be utilized as a tool to understand and analyze social phenomena.
본 논문은 효율적인 몬테 칼로 시뮬레이션을 위하여 중요 샘플링(Importance sampling) 기법이 내장된 실험 틀을 제안한다. 제안하는 실험 틀은 중요 샘플링 기법을 적용하기 위해 기능적으로 세분화된 중요 표본기(Importance Sampler)와 편향 보상기(Bias Compensator)라는 두 개의 하위 모델을 내장(Embedded)한다. 이러한 하위 모델은 기존의 시스템 모델과 실험 틀의 경계에 플러그인 됨으로써 기존 모델들의 수정없이 재사용할 수 있는 장점이 있다. 그리고 제안하는 실험 틀은 기능적 측면에서 중요 사건에 대하여 동일한 수준의 결과를 얻는 데 있어 기존의 몬테 칼로 시뮬레이션보다 시뮬레이션 시간을 단축시킬 수 있다. 이러한 효용성을 입증하기 위해 두 가지 실험을 수행하였는데, 실험 결과, 본 실험에 대하여 기존의 몬테칼로 시뮬레이션보다 최대 400 배 가량의 시뮬레이션 시간 측면에서 성능 향상을 확인하였다. 본 논문에서 제안하는 실험 틀은 다양한 콘텐츠 분야에 적용되어 시뮬레이션 성능을 향상시킬 수 있는 도구로 활용할 수 있을 뿐 아니라, 교육적 측면에서 다양한 사회 현상을 이해하고 해석하는 도구로도 활용이 가능하다.