凝聚态物质的数值模拟方法.pptVIP

第1页，共32页，编辑于2022年，星期二 Monte Carlo 模拟基础 随机变量及其分布 随机变量(以下用?表示)可分为两类, 一类是离散型随机变量, 它可以取一系列 分立值 x1, x2, ?, xn, ? , 其对应的取某一值的几率为p1, p2, ?, pn, ? . pi称为?的几率分布; 另一类是连续型随机变量, ?可连续取值, 设?在区间[x, x+?x]内取值的几率为 p(x ? x+?x), 令 f(x)称为?的分布几率密度, 而?处于区间[a,b]内的几率由下式给出 第2页，共32页，编辑于2022年，星期二 几率应归一化, 即 对离散型随机变量 对连续型随机变量 定义分布函数 代表?处于[-1, x]的几率. 显然, 第3页，共32页，编辑于2022年，星期二 随机变量的数学期望定义为 或 方差定义为 或 第4页，共32页，编辑于2022年，星期二 两个重要的定理: 大数定理: 设 ?1, ?2,?,?n,? 为一随机变量序列, 相互独立, 具有同样分布, 且 E(?i)=a 存在, 则对任意小量? 0, 有 这一定理指出, 不论随机变量的分布如何, 只要n足够大, 则算术 平均与数学期望值可无限接近, 也就是说, 算术平均以几率收敛于 其数学期望值. 第5页，共32页，编辑于2022年，星期二 中心极限定理: 设 ?1, ?2,?,?n,? 为一随机变量序列, 相互独立, 具有同样分 布, 且 E(?i)=a, D(?i)=?2 存在, 则当n!1时, 推论: 令: 成立的几率为 1-?, (A) 1-?称为可信水平. 第6页，共32页，编辑于2022年，星期二 , 1-?和X?的数值关系 ? 0.5 0.05 0.02 0.01 1-? 0.5 0.95 0.98 0.99 X? 0.6745 1.9600 2.3263 2.5758 由表可见, 当X?=2.5758时, (A)成立的几率已经为99%, 也就是说, 该式的可靠性已相当高. 第7页，共32页，编辑于2022年，星期二 Markov 链 构造一个过程, 从系统的某一微观状态出发, 并在过程的每 一步转移到一个新的状态. 为了确定起见, 下面用xi代表系统 的微观状态, 如果从x0出发, 则这一过程产生一系列状态 x1,x2,?, xi, ? , 这一系列状态构成一个链. Markov过程, 是指这样一种过程, 在过程的每一步所达到的 状态只与前一状态有关, 从一状态r到另一状态s的转移通过 一转移几率w(xr!xs) 来实现. 由 Markov 过程产生的一系列 状态所构成的链称为 Markov 链. 为了实现按照正则分布抽样, 我们可以构造这样一个 Markov 链, 使得无论从何状态出发, 存在一个大数M, 在丢掉链的前 面M个状态后, 链上其余的状态满足正则分布. 第8页，共32页，编辑于2022年，星期二 只要取w(xr!xs) 满足如下条件, 就可达到我们的要求. 式中P(x)为所要达到的分布, 此处为正则分布. 这一式子 又称为细致平衡条件. 为了证明上式, 我们考虑很多个 平行的Markov链, 在一个给定的某一步, 有Nr个链处于 第r个态, Ns个链处于第s个态. 于是在下一步从r态到s态 的数目为 从s态到r态的数目为 从r态到s态的净转移的数目为 第9页，共32页，编辑于2022年，星期二 若w( xr! xs)满足细致平衡条件, 则上式成为 这是一个十分重要的结果, 上式表明, 如果二个状态之间 不满足正则分布, 则这一Markov 过程的演化结果将总是 使其趋于满足. 这样, 就证明了我们的论断. 第10页，共32页，编辑于2022年，星期二 正则分布的抽样方法: 选择一个满足细致平衡条件的转移几率; 产生一个Markov 链, 丢掉链的前而面M个状态; 用其余状态进行物理量的计算. 这一算法是五十年代初由 Metropolis 提出来的,因此现在一般称为 M