计算材料学——3.pptVIP

例题 Finite difference approximation of differential equations A differential equation can be approximated by a finite difference scheme. For example FICK 第二定律 Fick 第二定律——稳态扩散解 REAL C0(0:1000+1),C(0:1000+1) !C(DISTANCE) C0=0.1 C0(0)=0.8 !BOUNDARY CONDITION C0(1001)=0.1 !BOUNDARY CONDITION C=C0 OPEN(1,FILE=F:\DIF.dat) DO JT=1,50000 ！Time DO IX=1,1000 ! distance C(IX)=C0(IX)+0.45*(C0(IX+1)+C0(IX-1)-2.0*C0(IX)) C(0)=0.8 C(1001)=0.1 IF(JT==50000)WRITE(1,*) IX,C(IX) END DO C0=C END DO PRINT *, PROGRAMME IS FINISHED CLOSE(1) END 蒙特卡罗(Monte Carlo)方法 1、简介 2、相关几个例子 Monte Carlo方法的基本思想很早以前就被人们所发现和利用。早在17世纪，人们就知道用事件产生的“频率”来近似事件的“概 率”。 18世纪人们用投针试验的方法来决定圆周率π。本世纪40年代电子计算机的出现，特别是近年来高速电子计算机的出现，使得用数学方法在计算机上大量、快速地模拟这样的试验成为可能。 蒙特卡罗方法的基本原理及思想 当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或者这个随机变数的平均值，并用它们作为问题的解。 把蒙特卡罗解题归结为三个主要步骤： 构造或描述概率过程； 实现从已知概率分布抽样； 建立各种估计量。 对于本身就具有随机性质的问题，主要是正确描述和模拟这个概率过程；对于不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程。最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布（或称矩形分布）。 实现从已知概率分布抽样(模拟试验)：构造了概率模型以后，产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。 建立各种估计量： 构造了概率模型并能从中抽样后，即实现模拟实验后，就要确定一个随 机变量，作为所要求的问题的解，我们称它为无偏估计。 收敛性: 由大数定律, Monte-Carlo模拟的收敛是以概率而言的． 误差: 用频率估计概率时误差的估计，可由中心极限定理，给定置信水平 的条件下，有： 模拟次数:由误差公式得 随机数的产生原理-计算机抽样实验 随机数的产生是实现MC计算的先决条件。而大多数概率分布的随机数的产生都是基于均匀分布U(0,1]的随机数。 首先，介绍服从均匀分布U(0,1]的随机数的产生方法。 其次，介绍服从其他各种分布的随机数的产生方法。以及服从正态分布的随机数的产生方法。 最后，关于随机数的几点注。 (0,1]均匀分布随机数的产生 最常用的是在(0,1]区间内均匀分布的随机数，其他分布的随机数可利用均匀分布随机数来产生。 均匀分布随机数的产生：乘同余法 产生区间(0,1]内均匀分布的随机数的递推公式是：　　　　　　　　　　 　　 其中，是乘因子，M是模数。第一式称做以M为模数（modulus）的同余式，即以M 除后得到的余数记为。当给定了一个初值（称为种子）， 计算出的 即在(0,1]上均匀分布的随机数。 例1： R=RAND() ISEED=RTC() R=RAN(ISEED) 其他各种分布的随机数的产生 基本方法有如下三种： 逆变换法 合成法 筛选法 逆变换法 设随机变量 的分布函数为 ，定义 定理 设随机变量 服从 上的均匀分布，则 的分布函数为 。 因此，要产生来自 的随机数，只要先产生来自 的随机数，然后