lec8_MonteCarlo_method.ppt

Markov 链的重要性质 Markov 链的重要性质是，无论初始状态如何，最终状态（足够多的时间步长次数）会遵从某一个唯一的分布，该分布叫做极限分布xlim ，即 xlim ＝ xlim p 也就是说，极限状态乘转移概率后状态不再发生变化，即系统达到一个平衡状态。因此，Markov 链在平衡态Monte Carlo 模拟中具有重要的意义。 Metropolis Monte Carlo法 Monte Carlo 方法主要分为简单随机抽样方法和重要随机抽样方法。简单抽样就是以平均分布进行抽样，每次抽样是完全独立的。正如前面关于积分问题中所述，很多问题难以用简单抽样方法解决，而重要随机抽样能够获得很好结果。 Metropolis Monte Carlo 方法 Metropolis Monte Carlo 方法是一种重要随机抽样方法。Metropolis 等人提出了一种基于建立一个Markov 过程的方法。该方法的实质是，系统的各状态不是彼此独立无关地选取，而是建造一个Markov 过程，过程中每一个状态xi ＋ １ 是由前一个状态xi 通过一个适当的跃迁概率W （xi → xi ＋ １ ）得到的，并且，该概率能够使得在M → ∞ 的极限下，Markov 过程产生的状态的分布函数P（xi ）趋于所要的平衡分布 Metropolis Monte Carlo 方法 该概率能够使得在M → ∞ 的极限下，Markov 过程产生的状态的分布函数P（xi ）趋于所要的平衡分布 也就是说，两个状态正向与反向的跃迁概率之比只依赖于两者的能量差d H ＝ H （ xj ） － H（xi ） 。但是满足该条件的跃迁概率W 的形式并不是唯一的 Metropolis Monte Carlo 方法 通常采用以下两种形式： Metropolis Monte Carlo 方法的具体步骤 （１） 建立体系状态与能量的关系模型。 （２） 由初始状态出发，通过简单抽样设立新状态。 （３） 根据新旧状态的哈密顿量d H ，判断新状态的舍选，判断舍选有以下３ 种情况： ① dH ＜ ０ ，接受新状态，并在该状态基础上，进一步进行步骤（２） ； ② dH ＞ ０ ，不是直接否决，而是进一步判断，抽取一个随机数ξ ξ≤ exp（ － d H ／kB T） ，接受新状态 ξ ＞ exp（ － d H ／kB T） ，拒绝新状态. 如果新状态被拒绝，则把原来的状态作为新状态，重复进行步骤（２） ，并记录一次 Monte Carlo方法总结 Monte Carlo 方法其本质是解决问题的一种数学方法。首先，将所要求解的问题建立一个概率模型，然后通过反复进行随机抽样试验，并对抽样结果进行统计分析，最终得到计算结果。MC 模拟的手法虽然是随机的，但是大量的随机抽样结果的统计特征参量是确定的。因此，MC 方法不仅能够直接模拟随机过程，还能通过建立一个概率统计模型间接地求解确定性的问题。 学习动物精神 11、机智应变的猴子：工作的流程有时往往是一成不变的，新人的优势在于不了解既有的做法，而能创造出新的创意与点子。一味 地接受工作的交付， 只能学到工作方法 的皮毛，能思考应 变的人，才会学到 方法的精髓。 学习动物精神 12、善解人意的海豚：常常问自己：我是主管该怎么办才能有助于更好的处理事情的方法。在工作上善解人意， 会减轻主管、共 事者的负担，也 让你更具人缘。 * * 蒙特卡罗(Monte Carlo)方法 蒙特卡罗方法，或称计算机随机模拟方法，是一种基于“随机数”的计算方法。该方法源于美国在WWI后研制原子弹的“曼哈顿计划”。 S. M. Ulam (1908-1984)和该计划的主持人之一、数学家冯·诺伊曼（J.von Neumann ）用驰名世界的赌城—摩纳哥的Monte Carlo— 来命名这种方法。 蒙特卡罗方法 其基本思想很早以前就被人们所发现和利用： 17世纪，用事件发生的“频率”来决定事件的“概率”； 19世纪人们用投针试验的方法来决定π。 高速计算机：用数学方法在计算机上大量模拟这样的试验 必要性 科技计算及社会中的问题比计算π要复杂得多。比如金融衍生产品（期权、期货、掉期等）的定价及交易风险估算，问题的维数（即变量的个数）可能高达数百甚至数千。对这类问题，难度随维数的增加呈指数增长，这就是所谓的“维数的灾难”(Curse of Dimensionality)，传统的数值方法难以对付（即使使用速度最快的计算机）。Monte Carlo方法能很好地用来对付维数的灾难，因为该方法的计算复杂性不再依赖于维数。以前那些本来是无法计算的问题现在也能够计算量。为提高方法的效率，科学家们提出了许多所谓的“方差缩减”技巧。 历史