032基本方法-蒙特卡罗.ppt

第二节 蒙特卡罗方法（MC）Monte Carlo 一、蒙特卡罗方法的基本思想 二、蒙特卡罗方法的特点 三、蒙特卡罗方法模型化的步骤 四、蒙特卡罗方法基础 2. 马尔科夫（Markov）过程 五、蒙特卡罗模拟算法 六、蒙特卡罗方法的误差 * * 将所研究的物理问题演变为类似的概率或统计模型 通过数值随机抽样实验对概率模型进行求解 用统计方法对得到的结果进行分析处理 在热力学平衡状态或系统基态，研究系统特征变量取值的分布往往并不需要关心粒子的具体运动轨迹或无法用确定性方程明确表述时，必须用随机或准随机过程描述。 该随机过程是处理某种确定性过程的一种方法，没有改变多体问题的复杂本质，并且提供了一种有效的处理问题的方法 非常适合求解随机性问题，也可以求解确定性问题 可以对实际问题进行实验模拟（计算机实验） 完全依赖于问题最基本的物理、化学定律 一般用于处理热力学平衡状态 计算机程序简单，计算效率高 注释： 随机模型可以给出关于体系的实验可观测物理量和无法观测量的值 与传统实验（黑箱）相比，蒙特卡罗实验模拟是“透明”过程，可以描述系统的静态和动态行为 一般步骤 建立研究对象的随机模型并进行公式化处理 应用蒙特卡罗算法求解 输出并解释模拟结果 数学步骤 建立描述随机过程的控制微分方程，并给出其积分表达式 应用权重或非权重随机抽样方法对控制方程进行积分求解 求出状态方程的根值，以及关联函数、结构信息和蒙特卡罗动力学参数 动力学变量（Dynamic Variable）：对于给定力学系统，描述某一时刻所处运动状态的一组特征变量 随机变量：对给定力学系统的动力学变量，某种方式获得的随机抽样 随机数：随机变量的某一个特定的取值 简单抽样（Simple or Na?ve Sampling）：适用均匀分布随机数对研究（子）系统抽样 重要抽样（Importance Sampling）：采用与所研究问题和谐一致的分布，即对不同区域采用不同的权重 直接方法：用于模拟可以分解为各个独立过程的随机性事件 统计方法：用于数值求解多维定积分 1. 基本概念 应用蒙特卡罗方法模拟现实系统的所有算法均是基于马尔科夫过程 设在时刻 t0 系统的动力学变量为 q0 ，在其以后时刻 t ，其动力学变量取值的概率与 t0 时刻之前该系统经历怎样的状态没有任何关系 1. 随机数的产生 随机数的产生一般用某种确定性的数字表达式来实现，即采用数学方法生成，属于半经验性方法。 该方法产生的随机数只是近似的具有随机数的性质，而非真正的“随机”，故称为“伪随机数”。 伪随机数借助于迭代公式，特别适合计算机，且速度快，费用低 用数学方法迭代产生的随机数存在周期现象，且迭代过程产生的结果也不同 一般方法： 平方取中法： 乘同余法： 一般要求： 随机性和统计独立性要好 容易在计算机上实现 效率高 内存占用少 循环周期足够大 2. 抽样方法 采用理想的均匀分布随机变量，反复进行无限多次，将得到抽样值的总和除以随机数游动次数（抽样次数），既得到积分值。 无规行走模型：在最早研究扩散时提出，它理想化的认为粒子的运动完全是一系列独立的随机事件，任何内场和外场均不能使粒子超特定方向运动 1）简单抽样： 实际上，在使用有限个伪随机数时，得到的值仅是趋近于积分值的近似值 在分布函数变成定域的或具有极大值的类高斯型分布时，近似物理量存在困难。 此时不能完全无规地生成样本，而是要对起重要作用的那些样本进行有选择的抽样。 随机点的选择不再是均匀的，求和函数中多了一个权重因子，这样把平均值的计算转变为代数平均。 2）重要抽样： 抽样方法： 在产生新状态时，各个新状态并非完全相互独立，而是构造一个特定的马尔科夫过程，使旧－新状态之间存在一个转移概率。 蒙特卡罗方法的误差主要来源于随机数产生器和统计处理方法 误差随使用伪随机数的量的增大而减小，因此需要尽可能大的周期 近似方法的精度随积分函数光滑程度的增大而增大 蒙特卡罗方法在计算低维积分时其有效性比近地点确定性方法差；但在计算高维积分是表现出明显的优势 * * *