计算物理第5讲MonteCarlo方法的基本思想.pptVIP

一、Monte Carlo 方法的基本思想 二 、具有特定分布的随机变量的产生 三 、Metropolis等人的算法 Xu Zhongfeng, Xi’an Jiaotong University, 2007 Computational Physics 第5讲 School of Science, Xi’an Jiaotong University Xu Zhongfeng Monte Carlo 方法的基本思想 问题 物理学中常对一些自由度很大的系统感兴趣。而对这种系统的描述常常又包括(或者可以归结为)很高维的积分求值。 一团凝聚物质中的许多原子; 一个原子中的许多电子; 一个量子场在一个时空区域的一切点上的无穷多个值。 例如，由 N 个原子组成的气体，这些原子在温度 1/b 下通过一个偶对位势 v 相互作用，其经典配分函数正比于 3N 维积分 只有 N 非常小时，我们才可用前面讲过的求积公式直接计算这样的积分，否则是完全不可能的。 我们很粗的离散化，设每一维坐标只取10个不同的值，于是被积函数必须在 103N 个点上求值，对于一个并不大的N值，如N=20，和一台每秒能求大约107个值的非常快速的计算机，这就需要大约1053秒的时间----比宇宙的年龄的1034倍还多! 当然，通过利用被积函数的置换对称性的技巧, 可以把这一估计值减少很多，但是应该明白，直接求积仍然是毫无希望的. Monte Carlo 方法是计算高维积分的一种有效的方法。其基本思想是：不在大量的求积点的每一点上计算被积函数，而只在坐标点的一组代表性的随机样点上计算。 基本思想 具体地讲：根据待求问题的变化规律，人为地构造出一个合适的概率模型，依照该模型进行大量的统计试验，使它的某些统计参量，正好是待求问题的解。 我们考虑最简单的定积分 1 1 y O x M N 前面讲过的几种不同求积公式，他们要用到 f 在 x 的一些非常特殊的值 (例如等间隔的值)上的函数值。 另一种计算 I 的方法就是：把 I 看成 f 在[0,1]区间上的平均。 其中 f 的平均是这样计算的：在区间 [0,1] 以内任何地方等概率随机地挑选 N 个坐标点，考虑 f 在这些点上的值。这就要求在计算机中产生这样一个函数，它能一个接一个地产生所需的“随机”数，需要多少就产生多少。 总结：当问题可以抽象为某个确定的数学问题时，应当首先根据待求问题的变化规律，建立一个恰当的概率模型，即确定某个随机事件 A 或随机变量 X (如例子中的投点事件或随机变量 f )，使得待求的解等于随机事件出现的概率或随机变量的数学期望值。然后进行模拟试验，即重复多次地模拟随机事件 A 或随机变量 X 。最后对随机试验结果进行统计平均，求出 A 出现的频率或 X 的平均值作为问题的近似解。-----间接模拟法 随机变量和随机变量的分布 假设讨论连续的随机变量，由随机变量的分布可得到其取某给定值的概率 f(u) 称为u 的概率分布密度函数，表示随机变量 u 取 u 到 u+du之间值的概率。物理中常用概率密度函数来表达 u 的分布。 期望值、方差和协方差 大数法则和中心极限定理—Monte Carlo 方法的基础 设函数 f 在区间[a,b]上可积，我们在区间[a,b]上以均匀的概率密度随机地取n 个数ui ，对每个ui计算出函数值f(ui) ，大数法则告诉我们，这些函数值之和除以n的值将收敛于函数 f 的期望值，即 中心极限定理指出：无论单个随机变量的分布如何，许多独立随机变量之和总是满足正则分布(Gauss分布)。该分布可由给定期望值 m 和方差s 2完全确定下来。 根据通常的统计学定律，有 其中 是 f 的方差; 即 f 在积分区间上偏离其平均值的程度的量度。 此式揭示了Monte Carlo 方法求积方法的两个重要的方面： 第一，积分估值中的不确定度 按 减小。因此，用的点越多，我们就会得到精确的答案，虽然误差随点数的增多而减小的非常慢。 第二， 越小(也就是说，若 f 尽可能平滑)，精度越高。它的一个极端情况是 f 一个常数，这时我们只需一点上的值就可定出它的平均值。 0.00418 0.00392 0.00258 0.00194 0.00140 0.00091 0.00064 0.00045 0.00028 sI 0.04638 0.03392 0.02259 0.01632 0.01108 0.00719 0.00508 0.00363 0.00227 sI I I 0.79982 0.79071 0.78472 0.78838 0.78529 0.78428 0.78524 0.78648 0.78530