Monte Carlo 方法.pptVIP

1 　 随机行走（random walk）模拟 随机行走是一种典型的简单抽样方法 ， 可用以模拟扩散 、溶液中长而柔性的大分子的性质等. 随机行走主要有三种类型: 无限制的随机行走（Unrestricted random walk ， RW） 不退行走（Nonreversal random walk ， NRRW） 自回避行走（Self-avoiding walk ， SAW） 无限制随机行走就是指 ， 某一个质点的每一次行走没有任何限制 ， 既与前一次行走无关 ， 也与以前任何一步所到的位置无关。 这种模型可以用于模拟质点的扩散等过程 ， 但是 ， 不能用于模拟高分子的位形。 因为 ， 用随机行走方法模拟高分子位形是用随机行走的轨迹代表高分子的位形 ， 行走过的位置代表的是构成分子的原子或官能团 ， 因此 ， 无限制随机行走忽略了体斥效应。 不退行走就是禁止在每一步行走后立即倒退 ， 可以解决刚走的一步与上一步重叠的问题。 但不退行走没有完全解决高分子的体斥效应问题。 自回避行走就是所有已走过的位置不能再走 ， 这样就完全解决了体斥效应问题。 二维方格子上的三种随机行走的示意图。 可以用四个矢量记述从某个节点 向邻近节点的行走方向（设格子间距为１） ： N 步无限制随机行走的算法如下 ： ① 取 r０ ＝ （０ ， ０）（坐标原点） ， 并令 k ＝ ０ ； ② 取一个在１ 和４ 之间的随机整数 vk ； ③ k ＝ k ＋ １ ， rk ＝ rk － １ ＋ υ（vk － １ ） ； ④ 若 k ＝ N ， 行走结束 ， 否则回到第② 步。 对于不退行走 ， 可选择的行走方向不再是４ ， 而是３ 。 禁止在每一步行走后立即倒退 ， 即第k步的方向矢量不能与第 k － １ 步的方向矢量相逆。 由式（６ ． ３２）可以看出方向矢量 υ（１） ， υ（３）互为逆方向 ， υ（２） ， υ（４）互为逆方向。 2 　 Markov链 对于简单抽样 ， 每一次的抽样都是独立的。如上述的随机行走过程 ， 每行走一步都与前一步无关 ， 更与初始位置无关。 Sampling Integrate Over a Simple Shape? Statistical-mechanics integrals typically have significant contributions from miniscule regions of the integration space contributions come only when no spheres overlap e.g., 100 spheres at freezing the fraction is 10-260 Evaluation of integral is possible only if restricted to region important to integral must contend with complex shape of region MC methods highly suited to “importance sampling” Importance Sampling Put more quadrature points in regions where integral receives its greatest contributions Return to 1-dimensional example Most contribution from region near x = 1 Choose quadrature pointsnot uniformly, but accordingto distribution ?(x) linear form is one possibility How to revise the integral to remove the bias? The Importance-Sampled Integral Consider a rectangle-rule quadrature with unevenly spaced abscissas Spacing between points reciprocal of local number of points per unit length Importance-sampled rectangle rule Same formula for MC sampling … Greater p ? more points ? smaller spacing choose x points according to p 在正