系统仿真课件(1-蒙特卡洛).pptVIP

前言 工程管理问题—＞涉及方案或策略的优化问题 优化问题的数学模型： 2、数学仿真 系统仿真的模型结构（系统仿真的模型包含的系统信息） 组成要素 变量 参数 函数关系 约束条件 目标 系统仿真本质上是由三要素构成的，即系统、系统模型与实验。如将实验置于计算机上进行就是计算机仿真。 系统仿真的建模过程 模型的图解结构 为什么要在建筑管理中使用仿真技术? 传统方法的缺陷 难以建立数学方程确定系统指标（如工期、成本和质量等） 很难考虑建筑工程中元素之间复杂和动态的相互作用 很难反映一些诸如随机性在内的不确定性 很难安全和低成本地估算在极端条件下的后果 系统仿真优点 比一般的分析方法（数学方程）容易使用和有效 能够被重复使用来分析和评估某个现实系统（如某个建筑工程）的参数构成（如资源分配或调度） 比使用直接的试验如实验室（物理模型）或现场试验成本较小 比操作真实的系统风险低 Monte Carlo方法的起源： 二十世纪四十年代中期，由于科学技术的发展和电子计算机的发明，蒙特卡罗方法作为一种独立的方法被提出来，并首先在核武器的试验与研制中得到了应用，即“曼哈顿计划” 。但其基本思想并非新颖，人们在生产实践和科学试验中就已发现，并加以利用。 Monte Carlo方法的应用： 物理：核物理，热力学与统计物理，粒子输运问题等 数学：多重积分、解微分方程、非线性方程组求解等 工程领域：真空技术，水力学，激光技术等 经济学领域：期权定价、项目管理、投资风险决策等 其他领域：化学、医学，生物，生产管理、系统科学、公用事业等方面。随着科学技术的发展，其应用范围将更加广泛。 Monte Carlo方法的基本思想 做独立重复实验，当实验次数充分多时，某一事件出现的频率近似于该事件发生的概率。 p ? ? /N （N充分大） 利用这一方法不仅能估计事件发生的概率，还可以估计系统的一些性能参数，更重要的是它提供了一种实验思考方法，是系统仿真的重要基础。 其中， n 是落在曲线 f(x)之下的点的数量，N 所有点的总数。 Buffon投针试验 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 ，从而得到 的估计值。 针与线的位置关系： 例1. Buffon投针问题 利用关系式： 求出π值 其中Ｎ为投计次数，n为针与平行线相交次数。这就是古典概率论中著名的蒲丰问题。 一些人进行了实验，其结果列于下表 ： 基本思想和原理 基本思想：当所求问题的解是某个事件的概率，或者是某个随机变量的数学期望，或者是与概率、数学期望有关的量时，通过某种试验的方法，得出该事件发生的频率，或者该随机变量若干个具体观察值的算术平均值，通过它得到问题的解。 原理：抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。 它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。 通俗地说，蒙特卡罗方法是用随机试验的方法计算积分，即将所要计算的积分看作服从某种分布密度函数f(r)的随机变量ｇ(r)的数学期望 通过某种试验，得到Ｎ个观察值r1，r2，…，rN（用概率语言来说，从分布密度函数f(r)中抽取Ｎ个子样r1，r2，…，rN，），将相应的Ｎ个随机变量的值g(r1)，g(r2)，…，g(rN)的算术平均值 作为积分的估计值（近似值）。 步骤 可以把蒙特卡罗解题归结为三个主要步骤： 构造或描述概率过程； 实现从已知概率分布抽样； 建立各种估计量 构造或描述概率过程 对于本身就具有随机性质的问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。 实现从已知概率分布抽样 构造了概率模型以后， 按照这个概率分布抽取随机变量 （或随机向量），这一般可以直接由软件包调用，或抽取均匀分布的随机数构造。这样，就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。 建立各种估计量 一般说来，构造了概率模型并能从中抽样后，即实现模拟实验后，我们就要确定一个随机变量，作为所要求的问题的解，我们称它为无偏估计。建立各种估计量，相当于对模拟实验的结果进行考察和登记，从中得到问题的解。 比喻 可用民意测验来作一个不严格的比喻。民意测验的人不是征询每一个登记选民的意见，而是通过对选民进行小规模的抽样调查来确定可能的民意。其基本思想是一样的。 Mon