第二章数值积分和MonteCarlo方法第一节数值积分令，则零阶近似一.docVIP

数值积分和Monte Carlo方法 第一节 数值积分 令 ， 则 零阶近似 一阶近似 ∵ ∴ 从直观看，用近似比只用或好。这方法也称Trapezoid方法。 这样的数值积分方法的 优点： 简单直观，误差可以控制 缺点： “平均主义”， 在的区域，对S贡献很小，但消耗同等的机时。在多自由度系统这弱点尤为特出。 问题： 直观地看，零级近似和一级近似的差别在哪？ 习题： 编程序数值计算高斯积分。 第二节 Monte Carlo 方法 如何用随机方法求积分？ 例如，可用‘抛石子’方法。但这方法不比简单的数值积分有效。 1．简单抽样的Monte Carlo 方法 均匀地随机地选取[]中，显然， 当M足够大，当然可以得到足够好的积分值。 问题：为什么误差是？ 答 ：不妨把这看成一个M次测量的实验，假设每次测量都是独立的，由涨落理论，误差应为。 比较误差： Monte Carlo方法 数值积分Trapezoid方法 对单自由度而言，数值积分方法要有效得多。 对多自由度，例如d自由度， Monte Carlo方法 ！！ 数值积分Trapezoid方法 当d非常大，数值积分方法根本没法和Monte Carlo方法比较。 我们当然可以再改进数值积分方法的精度，但这种改进的量级没法和d的大小比拟。在多体系统的数值模拟中，d通常至少是！ Monte Carlo方法真的是完美了吗？ 当然不是。 ‘平均主义’的弱点其实还没改进 下面我们引入所谓的重要抽样Monte Carlo方法 当引入重要抽样方法后，每次抽样的样品可能不独立 如何取得独立的抽样，是Monte Carlo方法的重点所在！ 2．重要抽样的Monte Carlo 方法 如果被积函数f(x)是均匀的函数，则简单抽样方法已经可以得到 相当准确的积分值。 如果被积函数f(x)不是均匀的函数----这在高维积分十分常见，则必须引入重要抽样。我们希望在对积分贡献大的区域多取样品，在贡献小的区域少取样品。 设积分为 其中f(x)是均匀函数，W(x)是不均匀函数，而且，可以归一化，给予概率分布的含义。 假设我们可以按照分布W(x)得到，则 注意：现在W(x)不出现在求和式子中，而是体现在的分布里。 证明：如第一节方法，把[]分为n个小区间， 区间的数目约为 对 显然 关键：如何按分布，产生M个（即上面的） 问题：可以用产生随机数的方法产生吗？ 答 ：多自由度，有相互作用时不可能 3． Markov 过程 产生的方法： 构造一个Markov过程，即给出一个动力学规则，由随机地产生。那么，给一个，可产生 如果随机过程满足一定条件，则当足够大时，即达到“平衡态”时，按分布。 两个条件： ( 各态历经 从概率上说，在有限时间内可走遍[] ( 细致平衡 Markov过程由从到的转移概率定义。 设为过程从转移（或跃迁）到的概率，为从到的概率。则细致平衡条件为 记忆：从转移到的概率正比与 证明：设为的“非平衡态”分布 细致平衡条件显然保证满足上述方程，所以， 不过，细致平衡条件是充分条件。 第三节 Metropolis算法和Heat－bath算法 Markov过程的全部信息包含在转移概率中 细致平衡条件是平衡态的要求 是否各态历经常常可以直观判断 必须给出从任意 x 到任意 x’ 的概率，但这并不一定要求从x到任意x’ 的概率都是零。各态历经只要求在有限时间内，即的有限次作用，能到达x’。 Metropolis算法 Metropolis (1915-1999) The Paper was cited 7500 times from 1988 to 2003 令 设 设 即满足细致平衡条件。 但是，注意到是转移概率，所以应有归一化条件 上面的还不满足归一化条件。 所以，完整的Metropolis算法的转移概率是 其中是从x选中x’ 的概率，而且。这样的转移概率仍然满足细致平衡条件。当然，归一化条件也能保证。 例如，可选 1． ，即均匀选取x’ 2． 归纳起来，Metropolis算法包括如下步骤： 1） 设，按选取尝试x’， 2） 以概率取 以概率 取 （！！） 第二步要记住，初学者容易误解，以为一旦x’ 不被采纳，重新选取尝试x’。 不难理解，无论是1或2方案的，M