蒙特卡洛方法在高分子材料中的应用.PPTVIP

Buffon投针问题：平面上画很多平行线，间距为a。向此平面投掷长为l（ l＜a）的针, 求此针与任一平行线相交的概率p。 可以证明 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氏问题。 一些人进行了实验，其结果列于下表 ： 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 36.2 Monte Carlo方法与高分子科学 Monte Carlo模拟与高分子科学结下了不解之缘是由于高分子科学本身的特点所决定的，因为在高分子科学中存在着大量可供进行Monte Carlo直接模拟的随机性问题。 如：由于聚合反应本身的随机性特点，高分子系综内各个成员之间存在着与其生成机理密切相关的特定分布，即体系中所生成的高分子链并非具有相同的分子量，而是存在着所谓的分子量分布问题；在多元聚合中，多元共聚物不仅具有分子量分布，而且导致了不同种单元在高分子链上的排列问题，即所谓的序列分布；在多官能团的聚合反应中的支化和凝胶化问题；高分子链的热降解和辐射降解等等，无一不是随机性问题。 Monte Carlo方法在现代高分子科学中的应用主要具有以下特征: 由于高分子凝聚态物理的发展，高分子体系的Monte Carlo研究从对单链的研究转向对高浓度多链体系的研究。 由静态平衡态问题向动态和非平衡态问题发展也是当前高分子Monte Carlo模拟的重要特征。高分子链的分子运动学，尤其是高浓度多链体系的分子运动问题是当前研究的重要方面。 人们对共混和嵌段共聚物的界面、高分子和液晶的界面、高分子链的吸附、晶态和非晶态的界面性质和相互扩散问题开展了Monte Carlo模拟研究。 高分子Monte Carlo方法的新算法也是值得研究的。 6.3 随机数与伪随机数 产生均匀分布随机数的方法可以采用物理方法和数学方法。最简单的产生随机数的物理方法是掷骰子游戏；采用电学噪声的变化也可产生随机数。但物理方法产生随机数的“费用”很高，且速度慢。因此，实际应用的随机数一般均在计算机上采用数学方法来产生。 用数学方法产生的随机数一般均采用某种确定性的表达式来实现，因此其并非真正的随机，故通常称其为“伪随机数”。 用数学方法产生伪随机数的优点是因为它借助于迭代公式，所以特别适合于计算机。而且其产生的速度快、费用低。目前，多数的计算机均附带有“随机数发生器”。 用数学迭代方法产生的随机数存在两个问题： 1、递推公式和初始值a1、a2、…、ak确定后，整个随机数序列便被唯一确定下来。即任意一个随机数被前面的随机数唯一确定了，不满足随机数相互独立的要求。 2、既然随机数序列是用递推公式确定的，而在计算机上所能表示的[0，1]上的数又是有限多的，因此这样的随机数序列就不可能不出现重复地无限继续下去。这种随机数序列出现周期性的循环现象是与随机数的要求相矛盾的。 对第一个问题不能从本质上改变，但只要递推公式选得好随机数的相互独立性是可近似满足；第二个问题，则不是本质的，因为用Monte Carlo方法解任何问题时，所用随机数个数总是有限的，只要保证不超过伪随机数序列出现循环现象的长度即可。 用数学迭代方法产生随机数均存在周期现象，随着迭代过程的不同，其效果也各不相同。一般满足下列要求的产生方法才可被认为是好的： (1)随机性和统计独立性要好； (2)容易在计算机上实现； (3)省时，存贮量小； (4)伪随机数的周期长。 乘同余法 乘同余法由Lehmer首先提出。由于采用乘同余法具有在计算机上容易实现、快速等优点，因此乘同余法已被广泛采用。乘同余法的迭代公式为， 作为[0，1]区间上均匀分布的伪随机数序列。（给出初始值x0及参数λ、M） 当周期很大时，可用 一个简单的例子 上面的例子中，第一个随机数生成器的周期长度是 10，而后两个的周期长度只有它的一半。我们自然希望随机数的周期越长越好，这样得到的分布就更接近于真实的均匀分布。 M (2s或其他) λ (52k+1或其他) M (2s) λ (32k+1) x0 周期 230 511 230 317 1或任意奇数 2s-2 231~234 513 231~233 319 1或任意奇数 2s-2 235~239 515 234~236 321 1或任意奇数 2s-2 241~244 517 237~239 323 1或任意奇数 2s-2 245~248 519 240~242 325 1