博途连接失败无法访问所选的在线目标

博途v15下载到高级仿真v4.0时，出现连接失败无法访问在线目标，是什么问题呀？

img

网络问题

  • 你可以看下这个问题的回答https://ask.csdn.net/questions/7647600
  • 除此之外, 这篇博客: 【机器学习概率统计】13 状态转移：初识马尔科夫链中的 4.3.多步转移与矩阵乘法 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

  • 上面具体计算出来的结果对我们而言其实并不重要，我们重点还是回过头来看这个式子：

    P(X2=3∣X0=1)=p11p13+p12p23+p13p33P(X_2=3|X_0=1)=p_{11}p_{13}+p_{12}p_{23}+p_{13}p_{33}P(X2​=3∣X0​=1)=p11​p13​+p12​p23​+p13​p33​，对线性代数熟悉的同学应该对这个等式很敏感，他实际上就是转移矩阵[0.70.20.10.30.50.20.20.40.4]\begin{bmatrix}0.7&0.2&0.1\\0.3&0.5&0.2\\0.2&0.4&0.4\end{bmatrix}⎣⎡​0.70.30.2​0.20.50.4​0.10.20.4​⎦⎤​中第一行和第三列点乘的结果，如果按照矩阵相乘的运算法则，这个计算出来的结果恰好位于结果矩阵的第一行第三列，也正对应了从状态111到状态333，两步状态转移的概率值。

    试想，如果我们将概率转移矩阵与自身相乘，也就是求他的二次幂，即：

    [0.70.20.10.30.50.20.20.40.4]2=[0.70.20.10.30.50.20.20.40.4][0.70.20.10.30.50.20.20.40.4]\begin{bmatrix}0.7&0.2&0.1\\0.3&0.5&0.2\\0.2&0.4&0.4\end{bmatrix}^2=\begin{bmatrix}0.7&0.2&0.1\\0.3&0.5&0.2\\0.2&0.4&0.4\end{bmatrix}\begin{bmatrix}0.7&0.2&0.1\\0.3&0.5&0.2\\0.2&0.4&0.4\end{bmatrix}⎣⎡​0.70.30.2​0.20.50.4​0.10.20.4​⎦⎤​2=⎣⎡​0.70.30.2​0.20.50.4​0.10.20.4​⎦⎤​⎣⎡​0.70.30.2​0.20.50.4​0.10.20.4​⎦⎤​ ，那么得到的新的 3×33\times 33×3的二维矩阵里就包含了所有状态间，通过两步到达的概率值：

    代码片段：

    import numpy as np

A = np.array([[0.7, 0.2, 0.1],
              [0.3, 0.5, 0.2],
              [0.2, 0.4, 0.4]])

print(np.dot(A, A))

    运行结果：

    [[ 0.57  0.28  0.15]
 [ 0.4   0.39  0.21]
 [ 0.34  0.4   0.26]]

    从结果中我们可以看出，第一行第三列确实就是我们刚刚求出来的概率值 0.150.150.15。

    那么以此类推，我们想看看nnn步状态转移概率，那么就是求取这个状态转移矩阵[0.70.20.10.30.50.20.20.40.4]\begin{bmatrix}0.7&0.2&0.1\\0.3&0.5&0.2\\0.2&0.4&0.4\end{bmatrix}⎣⎡​0.70.30.2​0.20.50.4​0.10.20.4​⎦⎤​的nnn次幂，我们来看看不同幂指数取值的结果：

    代码片段：

    import numpy as np

A = np.array([[0.7, 0.2, 0.1],
              [0.3, 0.5, 0.2],
              [0.2, 0.4, 0.4]])

def get_matrix_pow(matrix, n):
    ret = matrix
    for i in range(n):
        ret = np.dot(ret,A)
    print(ret)

get_matrix_pow(A,3)
get_matrix_pow(A,5)
get_matrix_pow(A,10)
get_matrix_pow(A,20)
get_matrix_pow(A,100)

    运行结果：

    [[ 0.4879  0.3288  0.1833]
 [ 0.4554  0.3481  0.1965]
 [ 0.4422  0.3552  0.2026]]

[[ 0.471945  0.338164  0.189891]
 [ 0.465628  0.341871  0.192501]
 [ 0.463018  0.343384  0.193598]]

[[ 0.46814979  0.34038764  0.19146257]
 [ 0.46804396  0.34044963  0.1915064 ]
 [ 0.46800013  0.34047531  0.19152456]]

[[ 0.46808512  0.34042552  0.19148935]
 [ 0.46808509  0.34042554  0.19148937]
 [ 0.46808508  0.34042555  0.19148937]]

[[ 0.46808511  0.34042553  0.19148936]
 [ 0.46808511  0.34042553  0.19148936]
 [ 0.46808511  0.34042553  0.19148936]]

    很显然，随着nnn的逐渐增大，nnn步状态转移矩阵收敛于：

    [0.468085110.340425530.191489360.468085110.340425530.191489360.468085110.340425530.19148936]\begin{bmatrix}0.46808511 & 0.34042553& 0.19148936\\0.46808511 & 0.34042553& 0.19148936\\0.46808511 & 0.34042553& 0.19148936\end{bmatrix}⎣⎡​0.468085110.468085110.46808511​0.340425530.340425530.34042553​0.191489360.191489360.19148936​⎦⎤​

    我们发现，他每行的三个元素都是一模一样的，这说明不论你现在是贫穷水平、中产阶级还是财富自由，过了很多代以后，你的后代落入到三个阶层中任意一个阶层的概率都是一定的。而且最大的概率都是变成贫困阶层。当然这个只是我们依据给定的数据计算而来，具体是否符合社会学的常识，就不是我们所关心的问题了。不过确实也说明，富有从来不是一件容易的事儿。