蒙特—卡罗（ m-c ）模拟模型.docxVIP

2.3 蒙特 —卡罗（ M-C ）模拟模型 2.3.1 蒙特 -卡罗模拟的概要介绍 用 M-C 方法求解确定性问题 用统计试验方法去解决具有统计性质的数学 — 物理问题是理所当然的，然而能否用 统计试验法或者叫做随机模拟方法去解决确定性的数学 — 物理问题呢？答案是肯定的。 蒙特 -卡罗（ Monte-Carlo ）方法就是一种通过随机变量的统计试验去求解数学 — 物理问题 或者工程问题的一种数值计算方法，下面我们举几个简单的例子，予以说明。 （ 1）问题一，求圆周率（ π ）的问题。 众所周知，半径为 R 的圆，其面积 S 与半径 R 之间存在如下关系式。 S=πR2 则 S R 2 外接圆的方形面积为 S＇= 4R 2 s R ，这样求取 值的问题， 便转化为求取两个面积比例 （ s ）的问题， s 4R2 4 s 而这个面积比例值是可以通过随机试验获得。圆周的方程为 ２ ２ ２ x ＋ y ＝ R ，经标准化后 x2 y 2 1 。我们可以在（ -1， 1）区间内随机地取值（ xi , yi），如果 xi2 yi2 1，则取 随机变量 ni=1，否则取“ 0”。这样， lim 1 N ni s N N i 1 s 4 （ 2）问题二，求取任意函数 f(x) 的积分值问题。 设为 f （ x）为定义在（ 0， 1）区间的任意函数，如右图所示， 求取其积分值。 1 2 f ( x)dx(0 f ( x) 1) 0 右图曲线下的面积即为 f(x) 的积分值 θ 2 如果在正方形内随机投点（ xi, yi ），则（ xi , yi）位于曲线 f(x) 下面的概率 P（ yf(x) ） 就是积分值 θ 2 1 f ( x) P( y f ( x)) dx dy 0 0 设随机变量 η i 1 if yi f ( xi ) 叫投点成功 0 if yi f ( xi ) 叫投点失败 经过大量的相互统计独立的随机投点试验，则根据统计理论中的中心极限定律： lim 1 2 N N  N i i 1 样本的标准差，就是积分值 2 的统计无偏估计。 N 1 1 2 Sn ( i) 2 N i 1 由此可见，通过统计试验不仅可以得到积分值 2 ，而且可以随时给出它的精度统计估计值。 M-C 方法的特点是对被积函数 f(x) 没有任何要求，如果我们用解析法去求其积分值，那么我们只能对一些特定的函数形态，才能给出其相应的积分值，否则就得应用各种近似 计算方法去求取其值， 所以 M-C 模拟方法是一种适应性极大的数值计算方法。 这是 M-C 方 法的第一个显著优点，但同时我应该注意到， M-C 方法要求的独立试验次数是相当大的， 否则计算精度就不高，换言之， M-C 方法只有在当今计算机高度发达的今天，才能充分施 展其才能。从另一个角度分析，如何提高计算效率，降低方差，加速收敛速度成为 M-C 方 法成功与否的重要内容。 事实上，我们可以重新设计，求取 f(x) 积分值的 M-C 算法。 设 xi 为在（ 0， 1）区间内均匀分布的随机变量。 则 1 lim 1 N N  N f (xi ) ， 两种不同的算法 1 与 2 都可以给出函数 f(x) 的积分值，这 i 1 说明 M-C 模拟具有相当好的灵活性，其关键问题是如何将一个具体问题设计成一个概率试验模型，这可算作 M-C 方法的第二个显著特点吧。 如果把上述例子推广到更一般的情况，设随机变量 η 是一个复杂的多变量函数 （ x1 , x2 , xm ） 通过随机模拟，可以得到抽样值 1， 2 ， N ，统计地处理这些抽样数据，给出它 ) 的概率分布和各阶矩的估计值， 通常条件下， 求取 的数学期望值， E（ ） ( 估 与方差 计值已经足够，则问题便得到了解决，根据统计理论 1 N N i 1  i E（ ） N t 2 以概率 P 1 2 dt 成立，如果取置信水平 为95.5% e N2 则 2 N 由此可见： ① M-C 的自然收敛速度相当慢，为  的数量级，换言之，要提高一个计算精度量 N 级（即 ε 减小一个量级），则试验次数要成百倍地增长。 ② 在模拟过程中，可随时估计其计算精度，便可避免盲目计算。 ③ 模拟精度与概率型的维数 （ m）无关，因此 M-C 方法特别适用于多维问题的数值求, 解。 ④ 降低 的方法，将会极大地改善 M-C 方法的收敛速度。 B. 加速收敛的方法 我们在上节中给出了两种计算 f(x) 积分值的 M-C 模拟计算方法。实际上这两种算法的 效率是不同的，为了能客观地比较它的效率，如用 T 1，T 2 与 1 , 2 分别代表两种算法完成 T2 2 一次模拟计算所需的平均时间和它们的