2.3蒙特—卡罗答辩.doc

2.3 蒙特—卡罗（M-C）模拟模型 2.3.1蒙特-卡罗模拟的概要介绍 用M-C方法求解确定性问题 用统计试验方法去解决具有统计性质的数学 — 物理问题是理所当然的，然而能否用统计试验法或者叫做随机模拟方法去解决确定性的数学 — 物理问题呢？答案是肯定的。蒙特-卡罗（Monte-Carlo）方法就是一种通过随机变量的统计试验去求解数学 — 物理问题或者工程问题的一种数值计算方法，下面我们举几个简单的例子，予以说明。 （1）问题一，求圆周率（π）的问题。 众所周知，半径为R的圆，其面积S与半径R之间存在如下关系式。S=πR2 则 外接圆的方形面积为S＇= 4R2 ，这样求取 ( 值的问题，便转化为求取两个面积比例（）的问题，而这个面积比例值是可以通过随机试验获得。圆周的方程为，经标准化后。我们可以在（-1，1）区间内随机地取值（xi, yi），如果，则取随机变量ni=1，否则取“0”。这样， （2）问题二，求取任意函数f(x) 的积分值问题。 设为f（x）为定义在（0，1）区间的任意函数，如右图所示， 求取其积分值。 右图曲线下的面积即为f(x) 的积分值θ2 如果在正方形内随机投点（xi, yi），则（xi, yi）位于曲线f(x)下面的概率P（yf(x)）就是积分值θ2 设随机变量η 经过大量的相互统计独立的随机投点试验，则根据统计理论中的中心极限定律： 样本的标准差，就是积分值的统计无偏估计。 由此可见，通过统计试验不仅可以得到积分值，而且可以随时给出它的精度统计估计值。M-C方法的特点是对被积函数f(x)没有任何要求，如果我们用解析法去求其积分值，那么我们只能对一些特定的函数形态，才能给出其相应的积分值，否则就得应用各种近似计算方法去求取其值，所以M-C模拟方法是一种适应性极大的数值计算方法。这是M-C方法的第一个显著优点，但同时我应该注意到，M-C方法要求的独立试验次数是相当大的，否则计算精度就不高，换言之，M-C方法只有在当今计算机高度发达的今天，才能充分施展其才能。从另一个角度分析，如何提高计算效率，降低方差，加速收敛速度成为M-C方法成功与否的重要内容。 事实上，我们可以重新设计，求取f(x)积分值的M-C算法。 设xi为在（0，1）区间内均匀分布的随机变量。 则， 两种不同的算法与都可以给出函数f(x)的积分值，这说明M-C模拟具有相当好的灵活性，其关键问题是如何将一个具体问题设计成一个概率试验模型，这可算作M-C方法的第二个显著特点吧。 如果把上述例子推广到更一般的情况，设随机变量η是一个复杂的多变量函数 通过随机模拟，可以得到抽样值，统计地处理这些抽样数据，给出它的概率分布和各阶矩的估计值，通常条件下，求取的数学期望值，与方差估计值已经足够，则问题便得到了解决，根据统计理论 由此可见： ① M-C的自然收敛速度相当慢，为的数量级，换言之，要提高一个计算精度量级（即ε减小一个量级），则试验次数要成百倍地增长。 ② 在模拟过程中，可随时估计其计算精度，便可避免盲目计算。 ③ 模拟精度与概率型的维数（m）无关，因此M-C方法特别适用于多维问题的数值求,解。 ④ 降低(的方法，将会极大地改善M-C方法的收敛速度。 B. 加速收敛的方法 我们在上节中给出了两种计算f(x)积分值的M-C模拟计算方法。实际上这两种算法的效率是不同的，为了能客观地比较它的效率，如用T1，T2与分别代表两种算法完成一次模拟计算所需的平均时间和它们的方差，则：为它们的效率比，实验结果表明T2T1，现在需要讨论和的来源及其比较 此处θ代表f(x)数学期望值。算法的方差是由f(x)对它的数学期望的偏差所引起的，故称它为“期望值估算法”。对的模拟计算方法，实际上我们必须选定两个随机变量r1与r2 从概率类型角度看，这是一个典型的二项式概率分布类型，若设η取“1”的事件叫做p，η取“0”的事件叫做q，则 p+q 为一个必然事件在离散实验中二项式概率型的方差,为，此处N为总实验次数，当离散实验推广至连续型实验，N则代表积分区间，当今的积分区间为（0，1），所以N=1，此时，所以 由此证明了算法比算法更有效（收敛更快） 其实，所以在的计算中已经用了对r1的数学期望值f ()，相对于的统计计算，它减少了一个变量的方差值，所以就很自然了，我们称的算法“随机投点”法。结论为，如果在模拟计算过程中，在一处能用理论分析得到的数学期望值代替该处的统计模拟，即可减少结果的误差。 下面讨论几种降低方差的具体抽样方法。 ① 重要抽样法 在上面所举的例子中，无论是x还是y均在（0，1）区间内均匀随机取样，但是由于f(x)不是均匀分布于x轴上，所以相同的△x对的贡献率是不相等的，那么如果能在权重大的x部分加密采