蒙特卡洛算法在数值积分中的应用.pptVIP

假设平面上有无数条距离为1的等距平行线，现向该平面随机投掷一根长度为l的针(l?1)，则我们可计算该针与任一平行线相交的概率。这里，随机投针指的是：针的中心点与最近的平行线间的距离X均匀地分布在区间[0,1/2]上，针与平行线的夹角?（不管相交与否）均匀的分布在区间[0,?]上。此时，针与线相交的充要条件是 Buffon试验 从而针线相交的概率为 根据上式，若我们做大量的投针试验并记录针与线相交的次数，则由大数定理可以估计出针线相交的概率p，从而得到? 的估计值。 针与线的位置关系： 应用Monte Carlo方法求解工程技术问题可以分为两类： 确定性问题 随机性问题 三、MC的应用举例 1、定积分的MC计算 随机投点法 样本平均值法 几种降低估计方差的MC方法 2、 系统的可靠性数值模拟计算问题 1、定积分的MC计算 事实上，不少的统计问题最后都归结为定积分的近似计算问题。 下面考虑一个简单的定积分 为了说明问题，我们首先介绍两种求?的简单的MC方法，然后给出几种较为复杂而更有效的MC方法。 在计算积分上，MC的实用场合是计算重积分 其中P 是m维空间的点，当m 较大时，用MC方法比一般的数值方法有优点，主要是它的误差与维数m无关。 方法简述： 设a，b有限，0f(x)M，?={(x,y):a?x?b，0 ?y?M},并设(X,Y)是在?上均匀分布的二维随机变量，其联合密度函数为 求解定积分的算例 例1 计算定积分 事实上，其精确解为 用随机投点法求解： 注 增加样本数目，可提高计算精度，但计算时间也会提高。 sjtdf(0,4,4,1000000) result = 7.2336 注1 随机投点法的思想简单明了，且每n次投点结果服从二项分布，故 ，其中 注2 可证 是? 的无偏估计。若用估计的标准差来衡量其精度， 例2 ? 的计算 (1).单位圆的面积等于 ? (2). 设g(x)是(a, b)上的一个密度函数，改写 特别地，若a，b有限，可取 g(x) 为[a,b]上均匀分 布．此时,设x1,…, xn是来自U(a,b)的随机数，则? 的 一个估计为 例3 计算定积分 事实上，其精确解为 样本平均值法求解： 注 增加样本数目，可提高计算精度，但计算时间也会提高。 ybjzf(0,4,1000) result = 7.1854 ybjzf(0,4,10000) result = 7.2153 ybjzf(0,4,100000) result = 7.2419 例4 ? 的计算 (1). (2). 重要抽样法 特点：样本均值法是假设g(x)为均匀分布，采用均匀抽样，各xi是均匀分布的随机数，各xi 对 的贡献是不同，f(xi) 大则贡献大，但在抽样时，这种差别未能体现出来。 而重要抽样法，则希望贡献率大的随机数出现的概率大，贡献小的随机数出现概率小，从而提高抽样的效率。 重要抽样法 关键因素在于g(x)的选取，使得估计的方差较小。 重要抽样法的基本思想，就是通过选取与f(x) 形状接近的密度函数g(x)来降低估计的方差。 分层抽样法 同样是利用贡献率大小来降低估计方差的方法。它首先是把样本空间 D 分成一些小区间D1, …, Dm，且诸Di不交， ，然后在各个小区间内的抽样数由其贡献大小决定。对积分贡献大的Di抽样多，可提高抽样效率。如果能够提出较好抽样区间的分配和各子区间内抽样次数的分配方案，分层抽样法估计积分可以达到非常令人满意的效果。 关联抽样法 将需要估计的积分分解成两个积分之差， function Rguji=litiR3(t,thetaa1,thetaa2,thetab1,thetab2,mm) %t 是要求系统生存的寿命%thetaa1 是元件A1的数学期望%thetaa2 是元件A2的数学期望%thetab1 是元件B1的数学期望 %thetab2 是元件B2的数学期望%mm 是随机实验次数 frq=0;randnuma1 = exprnd(thetaa1,1,mm); randnuma2 = exprnd(thetaa2,1,mm); randnumb1 = exprnd(thetab1,1,mm); randnumb2 = exprnd(thetab2,1,mm); for ii=1:mm if (randnuma1(1,ii)t)(randnuma2(1,ii)t) pas