第5讲 蒙特卡洛方法的应用.pptVIP

function result=ybjzf1(a,b,m,mm) %a 是积分的下限 %b 是积分的上限 % 积分函数 %mm 是随机实验次数 sum=0; xrandnum = unifrnd(a,b,1,mm); for ii=1:mm sum=sum+1/(1+xrandnum(1,ii)^2)); end result=sum*(b-a)/mm; result=result*4 ybjzf2(0,1,1,100) result = 3.04500162146030 ybjzf2(0,1,1,1000) result = 3.14857120401090 ybjzf2(0,1,1,10000) result = 3.14530178564491 ybjzf2(0,1,1,100000) result = 3.14069143292954 几种降低估计方差的 MC 方法 重要抽样法 ? 特点：相对样本均值法而言，样本均值法是由于 假设 是均匀分布的概率密度，故采用的是均 匀抽样，各随机数 是均匀分布的随机数，各 对 的贡献是不同， 大则贡献大，但在抽样 时，这种差别未能体现出来。 ? 而重要抽样法，则希望贡献率大的随机数出现的 概率大，贡献小的随机数出现概率小，从而提高 抽样的效。 ? ? x g i x i x 2 ? ? ? ? i x f 几种降低估计方差的 MC 方法 重要抽样法 ? 关键因素在于 的选取，使得估计的方差 较小。 ? 重要抽样法的基本思想，就是通过选取与 形状接近的密度函数 来降低估计的方差。 ? ? x g ? ? x f ? ? x g 几种降低估计方差的 MC 方法 分层抽样法 ? 同样是利用贡献率大小来降低估计方差的方法。 它首先是把样本空间 分成一些小区间 ， 且诸 不交， ，然后在各个小区间内的抽 样数由其贡献大小决定。对 贡献大的 抽样 多，可提高抽样效率。如果能够提出较好抽样区 间的分配和各子区间内抽样次数的分配方案，分 层抽样法估计积分可以达到非常令人满意的效果。 D m D D ,..., 1 i D D UD i ? ? i D 几种降低估计方差的 MC 方法 关联抽样法 ? 将需要估计的积分分解成两个积分之差， ? 对 的估计转化为对 ， 的估计的差。则相应 的，其估计的方差的大小则与 ， 的估计的 正相关度有关，若两者的相关程度越高，则 的估计方差越小。这便是关联抽样法的基本出发 点。 ? ? ? ? ? ? 2 1 2 1 I I dx x f dx x f dx x f b a b a b a ? ? ? ? ? ? ? ? ? ? 1 I 2 I 1 I 2 I ? 一个元件 ( 或系统 ) 能正常工作的概率称为 元件 ( 或系统 ) 的可靠性 系统由元件组成 , 常见的元件连接方式： 串联 并联 1 2 2 1 2 、系统的可靠性计算问题 实验目的 实验内容 学习如何应用蒙特卡洛方法解决实际问题 1 、起源和发展 2 、原理 3 、计算机模拟应用实例 4 、实验作业 蒙特卡洛方法的应用 一、 MC 的起源和发展 ? 随机模拟方法，也称为 Monte Carlo 方法， 是一种基于“随机数”的计算方法。这一 方法源于美国在第一次世界大战进行的研 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。冯 · 诺伊 曼是公理化方法和计算机体系的领袖人物， Monte Carlo 方法也是他的功劳。 ? 事实上， Monte Carlo 方法的基本思想很 早以前就被人们所发现和利用。早在 17 世 纪，人们就知道用事件发生的“频率”来 决定事件的“概率”。 18 世纪下半叶的法 国学者 Buffon 提出用投针试验的方法来确 定圆周率π的值。这个著名的 Buffon 试验 是 Monte Carlo 方法的最早的尝试！ ? 历史上曾有几位学者相继做过这样的试验。 不过呢，他们的试验是费时费力的，同时 精度不够高，实施起来也很困难。然而， 随着计算机技术的飞速发展 ， 人们不需要 具体实施这些试验，而只