蒙特卡罗算法.ppt

* * * 舍取方法 舍取方法(Acceptance-Rejection )方法最早由 Von Neumann提出，现在已经广泛应用于各 种随机数的生成。 基本思路： 通过一个容易生成的概率分布 g 和一个取舍 准则生成另一个与 g 相近的概率分布 f 。 * 具体步骤： * 下面我们验证由上述步骤生成的随机数 Y 确实 具有密度函数 f(x) * 所以为了提高舍取法的效率，我们应该使 c 的取值尽 可能的小，也就是使 f 和 g 的分布更为相近。 * 3.标准正态分布随机数的生成 正态分布是概率统计中最重要的分布，在此 我们着重讨论如何生成标准正态分布随机数。 引理： * Box-Muller 算法 * 利用中心极限定理 设 是n个相互独立的在(0,1)上均匀分布 的随机变量,由中心极限定理知 渐近服从正态分布N(0,1).一般取n=10即可,若取n=12, 则上式简化为 再由公式 即可 得到正态分布 的随机数. * Matlab程序 Function r=rnd-u(a,b) %产生在[a,b]间均匀分布的随机数 r=a+(b-a)*rand; return * Matlab程序 Function r=rnd-beta(lamda) %模拟指数分布 %lamda表示指数分布的参数 r=-log(rand)/lamda; return * Matlab程序 Function y= rnd(mean, segema) %模拟均值为mean,方差为segma的正态分布 r=rand(1,12); x=sum(r)-6; y=segma*x+mean; return * 三. 模拟训练 例1. 模拟求近似圆周率 在边长为1的正方形内有一半径为0.5的内切圆. 现在模拟产生在正方形内均匀分布的点n个.如 果有m个在圆内,则圆面积与正方形的面积比可 近似为m/n.即л/4≈m/n л≈4m/n * n=10000 m=0; For i=1:n if rand^2+rand^2 =1 m=m+1; end end Mypi=4*m/n * 例2. 用M-C法估算定积分. 求定积分 . 分析:对于 ,如果f(x)=0,则可以通过模拟 估算.构造一个矩形包含曲边梯形,dmax f(x). 产生n(足够大)个在矩形区域内的点,如果落在由函数f(x)构成的曲边梯形内的点为m个,则所求定积分为 . * * Monte Carlo Simulation Methods(蒙特卡罗模拟方法) 主要内容: 一. M-C方法概述. 二. 随机数的生成. 三. 模拟训练. 四. 实验题目. 成信院数学与信息科学系 李胜坤 * 蒙特卡洛(Monte Carlo)方法，或称计算机随机模拟方法，是一种基于“随机数”的计算方法。这一方法源于美国在第二次世界大战中研制原子弹的“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。 一.M-C方法概述 * 基本思想很早以前就被人们所发现和利用。17世纪，人们就知道用事件发生的“频率”来决定事件的“概率”。19世纪人们用投针试验的方法来决定π。高速计算机的出现，使得用数学方法在计算机上大量模拟这样的试验成为可能。 * 从Buffon(蒲丰)投针问题谈起 * * 试验者 时间(年) 针长 投针次数 相交次数 π的估计值 Wolf 1850 0.80 5000 2532 3.15956 Smith 1855 0.60 3204 1218 3.15665 Fox 1884 0.75 1030 489 3.15951 Lazzarini 1925 0.83 3408 1808 3* 数值积分问题 选取(0, 1)中随机数序列x1， x2， x3， …… xn。则 误差约 ，它并不能和一些高级的数值积分算法比拟， 但对多维情况，MC方法却很有吸引力。 * 我们可产生一系列随机数 可简单取3个随机数构成一个随机点，即 相应地， 一般地， * Monte Carlo数值积分的优点 与一般的数值积分方法比较，Monte Carlo方法 具有以下优点： * M-C的基本思路 1.针对实际问题建立一个