实验十五MATLAB及蒙特卡洛仿真.docVIP

实验十五： MATLAB的蒙特卡洛仿真 一、实验目的 了解蒙特卡洛仿真的基本概念。 了解蒙特卡洛仿真的某些应用 实验内容与步骤 蒙特卡洛（Monte Carlo）仿真的简介 随机模拟方法，也称为Monte Carlo方法，是一种基于“随机数”的计算方法。这一方法源于美国在第一次世界大战进行的研制原子弹的“曼哈顿计划”。该计划的主持人之一、数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo来命名这种方法，为它蒙上了一层神秘色彩。冯·诺伊曼是公理化方法和计算机体系的领袖人物，Monte Carlo方法也是他的功劳。 事实上，Monte Carlo方法的基本思想很早以前就被人们所发现和利用。早在17世纪，人们就知道用事件发生的“频率”来决定事件的“概率”。18世纪下半叶的法国学者Buffon提出用投点试验的方法来确定圆周率π的值。这个著名的Buffon试验是Monte Carlo方法的最早的尝试！ 历史上曾有几位学者相继做过这样的试验。不过他们的试验是费时费力的，同时精度不够高，实施起来也很困难。然而，随着计算机技术的飞速发展，人们不需要具体实施这些试验，而只要在计算机上进行大量的、快速的模拟试验就可以了。Monte Carlo方法是现代计算技术的最为杰出的成果之一，它在工程领域的作用是不可比拟的。 蒙特卡洛(Monte Carlo)模拟是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。具体的，当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用时，可用随机模拟法近似计算出系统可靠性的预计值；随着模拟次数的增多，其预计精度也逐渐增高。由于涉及到时间序列的反复生成，蒙特卡洛模拟法是以高容量和高速度的计算机为前提条件的，因此只是在近些年才得到广泛推广。 事实上，不少的统计问题，如计算概率、各阶距等，最后都归结为定积分的近似计算问题。设 a,b，有限， , 并设是在 上均匀分布的二维随机变量，其联合密度函数为 。则易见 是 中 曲线下方的面积。假设我们向 中进行随机投点，若点落在 下方，(即 称为中的，否则称为不中，则点中的概率为 。若我们进行了 次投点，其中次中的，则用频率来估计概率。即 。 蒙特卡洛仿真应用举例 例1 计算定积分 事实上，其精确解为 用随机投点法求解如下： sjtdf(0,4,4,1000000) result = 7.2336 function result=sjtdf(a,b,m,mm) %a是积分的下限 %b是积分的上限 %m是函数的上界 %mm 是随机实验次数 frq=0; xrandnum = unifrnd(a,b,1,mm); yrandnum = unifrnd(0,m,1,mm); for ii=1:mm if (cos(xrandnum(1,ii))+2=yrandnum(1,ii)) frq=frq+1; end end result=frq*m*(b-a)/mm 例2 (的计算 （单位圆的面积等于 (） sjtdf_pi1(1000) piguji = 3.0520 sjtdf_pi1(10000) piguji = 3.1204 sjtdf_pi1(100000) piguji = 3.1296 function piguji=sjtdf_pi1(mm) %mm 是随机实验次数 frq=0;xrandnum = unifrnd(0,1,1,mm); yrandnum = unifrnd(0,1,1,mm); for ii=1:mm if xrandnum(1,ii)^2+yrandnum(1,ii)^2=1 frq=frq+1; end end piguji=4*frq/mm 思考题 运用定积分的MC计算原理，用随机投点法计算二重定积分