Monte-Carlo模拟.ppt

蒙特卡罗（Monte-Carlo）方法 －－计算机随机模拟 本专题的组织结构 1 引子 2 MC是什么 3 MC的应用范围 4 MC的统计基础 5 MC的模拟方法 6 案例剖析 7 参考书目 1 引子 一、两种自然现象 确定性的： 日月升落，四季轮回，磁石吸铁 不确定的： 掷骰子，炮弹落点，考试成绩 二、两种研究方法 确定性问题: 解析,有限元,分子动力学,Monte-Carlo 随机性问题：Monte-Carlo，布朗动力学 小引：自然的本质、认识论、科学方法论…（爱因斯坦和波尔） 2 MC是什么 蒙特卡罗模拟是一种有效的统计实验计算法。这种方法的基本思想是人为地造出一种概率模型，使它的某些参数恰好重合于所需计算的量；又可以通过实验，用统计方法求出这些参数的估值；把这些估值作为要求的量的近似值。 从理论上来说，蒙特卡罗方法需要大量的实验。实验次数越多，所得到的结果才越精确。 简单、快速 例：掷骰子1亿次，统计每个面的出现频率。 －－－ 一个典型的Monte-Carlo模拟。 3 MC的应用范围 数学：多重积分,微分方程, 数理统计 粒子物理：输运过程 统计物理：渗流、相变、辐射 工程随机过程，复杂问题… 4 MC的统计基础- 随机变量及其分布 4 MC的统计基础- 大数定理 设 x1, x2,?, xn,? 为一随机变量序列, 相互独立, 具有同样分布, 且 E(xi)=a 存在, 则对任意小量? 0, 有 统计含义：不论随机变量的分布如何, 只要n足够大, 则算 术平均与数学期望值可无限接近, 也就是说, 算术平均以几 率收敛于其数学期望值. 4 MC的统计基础- 中心极限定理 设 x1,x2,?,xn,? 为一随机变量序列, 相互独立, 具有同样 分布, 且 E(xi)=μ, D(xi)=?2 存在, 则 统计含义：如果一个随机变量X，是由大量相互独立的因素 的影响形成的，其中每一个因素在总的影响中所起作用都 是微小的（被稀释） ，这种随机变量近似地服从正态分布 4 MC的基础 – 随机过程 1 定义，X＝X (x,t) 随时间变化的随机变量，或时间随机变量序列 2 按分布函数，分类 a) 平稳随机过程 b) Markov 过程 c) 独立增量随机过程 d) 独立随机过程 4 MC的基础 - 平稳随机过程 1 定义：X(t) , 如果它的n维（n个状态）概率密度与 初始分布无关，即对任何n 和 t’满足 fx(x1,x2,…,xn; t1,t2,..,tn)=fx(x1,x2,…,xn; t1+t’,t2 +t’,..,tn +t’) 含义：平稳随机过程的统计特性与所选择的时间起点无关，不随时间的推移而变化，即是“时间平稳的”。 2 统计特性 1）一维概率密度与时间无关 2）二维概率密度，只与两个状态对应的时间间隔Δt有关， 其时间自相关仅是Δt的函数 3 应用： 电阻的热噪声，电子信号，… 4 MC的基础 - Markov 链 1 定义：在可列个离散状态x1,x2,..xN 和离散时间t1,t2,..tn, 若随 机过程在tm+k时刻变成任一状态xi的概率，只与tm时刻的 状态有关(无后效)，而与此前状态无关，称离散随机序列 P{Xm+k=xi,m+k | Xm=xi,m, Xm-1=xi,m-1,.., X1=xi,1 }= P{Xm+k=xi,m+k | Xm=xi,m} 为Markov链. 2 概率转移矩阵 pij 条件概率： pij(m, m+k)＝P{Xm+k=xj| Xm=xi } 不依赖于m的pij称，齐次Markov 链 3 应用：统计物理Ising模型（固态相变，液固相变，…） 5 MC的模拟方法（步骤） 1.? 确定统计方案( Xi , ) 2. 确定随机变量Xi 的概率分布：fi(x) 3. 根据 fi(x) ，